YOLO26 против YOLOv9#

Ландшафт компьютерного зрения быстро развивается, и новые архитектуры постоянно расширяют границы скорости и точности. В этом техническом сравнении мы рассмотрим различия между YOLO26 и YOLOv9, двумя весьма влиятельными моделями в области real-time обнаружения объектов. Хотя обе модели предлагают уникальные архитектурные инновации, понимание их компромиссов в производительности, возможностей развертывания и аппаратных требований критически важно для выбора правильного инструмента для твоего следующего проекта в области зрения.

YOLO26: мощное решение, оптимизированное для edge-устройств#

Выпущенный в начале 2026 года Ultralytics YOLO26 представляет собой скачок поколений в эффективности развертывания и стабильности обучения моделей. Созданный как изначально сквозной фреймворк, он напрямую устраняет узкие места развертывания, которые исторически мешали приложениям граничного ИИ.

Детали модели:

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: Репозиторий Ultralytics
• Документация: Документация YOLO26

Архитектура и инновации#

YOLO26 коренным образом перерабатывает конвейер постобработки за счет внедрения сквозного дизайна без NMS (End-to-End NMS-Free Design). Устраняя необходимость в подавлении не максимальных значений (NMS), модель достигает драматически меньшей вариативности задержки. Это значительно упрощает развертывание на мобильных и периферийных платформах, особенно при экспорте в такие фреймворки, как ONNX и Apple CoreML.

Кроме того, удаление Distribution Focal Loss (DFL) упрощает процесс экспорта и повышает совместимость с маломощными микроконтроллерами. Для улучшения стабильности обучения YOLO26 интегрирует инновационный оптимизатор MuSGD, гибрид Stochastic Gradient Descent (SGD) и Muon (вдохновленный инновациями в обучении больших языковых моделей). Это приводит к более быстрой сходимости и более надежному извлечению признаков на сложных наборах данных.

Для обнаружения крайне сложных объектов в таких сценариях, как аэросъемка с дронов, YOLO26 использует обновленные функции потерь ProgLoss + STAL. Они обеспечивают заметные улучшения в полноте распознавания мелких объектов. Кроме того, модель может похвастаться улучшениями для конкретных задач, включая многомасштабные прото для сегментации экземпляров, оценку остаточного логарифма правдоподобия (RLE) для оценки позы и специализированную потерю угла для обнаружения ориентированных ограничивающих рамок (OBB).

Узнай больше о YOLO26

YOLOv9: программируемая градиентная информация#

Представленная в начале 2024 года, YOLOv9 привнесла теоретические достижения в то, как нейронные сети обрабатывают градиентный поток во время фазы обучения, фокусируясь на параметрической эффективности и сохранении глубоких признаков.

Детали модели:

• Авторы: Chien-Yao Wang и Hong-Yuan Mark Liao
• Организация: Институт информатики, Academia Sinica, Тайвань
• Дата: 2024-02-21
• Arxiv: Статья YOLOv9
• GitHub: Репозиторий YOLOv9
• Документация: Документация YOLOv9

Архитектура и преимущества#

YOLOv9 построен вокруг концепции программируемой информации о градиентах (PGI) и обобщенной сети агрегации эффективных слоев (GELAN). Эти концепции решают проблему информационного узкого места, часто наблюдаемую в глубоких нейронных сетях. Сохраняя важную информацию в процессе прямого прохода, GELAN гарантирует, что градиенты, используемые для обновления весов, остаются надежными. Эта архитектура обеспечивает высокую точность и делает YOLOv9 сильным кандидатом для академических исследований теории нейронных сетей и оптимизации путей градиентов с использованием фреймворка PyTorch.

Ограничения#

Несмотря на свою отличную эффективность по параметрам, YOLOv9 сильно зависит от традиционного NMS для постобработки ограничивающих рамок, что может создавать вычислительные узкие места во время инференса на периферийных устройствах. Более того, официальный репозиторий в основном ориентирован на обнаружение объектов, что требует значительного кастомного инжиниринга для адаптации его под специализированные задачи вроде трекинга или оценки позы.

Узнай больше о YOLOv9

Сравнение производительности#

При оценке этих моделей для реального развертывания баланс точности (mAP), скорости инференса и использования памяти имеет критическое значение. Модели Ultralytics славятся своими низкими требованиями к памяти как при обучении, так и при инференсе, требуя значительно меньше памяти CUDA, чем альтернативы на основе трансформеров, такие как RT-DETR.

Ниже представлено прямое сравнение производительности YOLO26 и YOLOv9 на датасете COCO. Лучшие значения в каждом столбце выделены жирным.

Примечание: значения скорости для CPU для YOLOv9 опущены, так как они сильно варьируются в зависимости от конфигурации NMS и, как правило, медленнее, чем нативная реализация YOLO26 без NMS.

Сценарии использования и рекомендации#

Выбор между YOLO26 и YOLOv9 зависит от твоих конкретных требований к проекту, ограничений развертывания и предпочтений в экосистеме.

Когда стоит выбрать YOLO26#

YOLO26 — отличный выбор для:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Когда стоит выбрать YOLOv9#

YOLOv9 рекомендуется для:

• Исследований информационных узких мест: Академические проекты по изучению архитектур Programmable Gradient Information (PGI) и Generalized Efficient Layer Aggregation Network (GELAN).
• Изучения оптимизации потока градиентов: Исследования, направленные на понимание и смягчение потери информации в глубоких слоях сети во время обучения.
• Бенчмаркинга обнаружения высокой точности: Сценарии, где высокие показатели производительности YOLOv9 в бенчмарке COCO необходимы в качестве точки отсчета для архитектурных сравнений.

Преимущество Ultralytics#

Выбор модели включает в себя нечто большее, чем просто чтение бенчмарка точности; окружающая программная экосистема диктует, как быстро ты сможешь пройти путь от сбора данных до продакшена.

Простота использования и экосистема#

Python API Ultralytics предлагает плавный опыт "от нуля до героя". Вместо клонирования сложных репозиториев или ручной настройки скриптов распределенного обучения разработчики могут установить пакет через pip и сразу начать обучение. Активно поддерживаемая экосистема Ultralytics гарантирует частые обновления, автоматические интеграции с ML-платформами вроде Weights & Biases и обширную документацию.

Универсальность в задачах компьютерного зрения#

В то время как YOLOv9 — это в первую очередь движок обнаружения, YOLO26 представляет собой универсальный инструмент компьютерного зрения. Используя единый унифицированный синтаксис, ты можешь легко переключаться с обнаружения объектов на попиксельную сегментацию изображений или классификацию всего изображения. Эта универсальность снижает технический долг по поддержке множества разрозненных кодовых баз для различных функций компьютерного зрения.

Эффективное обучение и развертывание#

Эффективность обучения — краеугольный камень философии Ultralytics. YOLO26 использует легкодоступные предобученные веса и может похвастаться значительно меньшим потреблением памяти по сравнению с громоздкими визуальными трансформерами. После обучения встроенные конвейеры экспорта позволяют выполнять конвертацию в один клик в оптимизированные форматы, такие как TensorRT или TensorFlow Lite, сглаживая путь к продакшену.

Пример кода: начало работы с YOLO26#

Реализация YOLO26 удивительно проста. Следующий фрагмент кода на Python демонстрирует, как загрузить предобученную модель, обучить её на собственных данных и запустить вывод с помощью API Ultralytics.

from ultralytics import YOLO

# Load the latest state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset utilizing the MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Uses GPU 0, or use 'cpu' for CPU training
)

# Run an NMS-free inference on a sample image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Display the bounding boxes and confidences
predictions[0].show()

Используя скорость, упрощенную архитектуру и надежную экосистему YOLO26, команды могут выводить передовые приложения AI для зрения на рынок быстрее и с меньшим количеством технических препятствий, чем когда-либо прежде.