YOLOv5 против YOLOv9: Подробное техническое сравнение

Эволюция detect объектов в реальном времени была отмечена быстрыми достижениями в точности и эффективности. Двумя важными вехами на этом пути являются Ultralytics YOLOv5, модель, которая установила отраслевой стандарт удобства использования и развертывания, и YOLOv9, архитектура, ориентированная на исследования, расширяющая границы теории глубокого обучения.

Это техническое сравнение анализирует их архитектуры, показатели производительности и идеальные варианты использования, чтобы помочь разработчикам и исследователям выбрать правильный инструмент для своих проектов в области компьютерного зрения.

Ultralytics YOLOv5: Промышленный стандарт универсальности

С момента выпуска YOLOv5 стал одной из самых популярных моделей AI-видения в мире. Разработанный Ultralytics, он уделяет первостепенное внимание инженерному совершенству, простоте использования и производительности в реальном мире. Он балансирует скорость и точность, обеспечивая при этом удобство работы пользователя благодаря надежной экосистеме.

Технические детали:

• Авторы: Гленн Джокер
• Организация:Ultralytics
• Дата: 26.06.2020
• GitHub:https://github.com/ultralytics/yolov5
• Документация:https://docs.ultralytics.com/models/yolov5/

Архитектура и Дизайн

YOLOv5 использует основу CSPDarknet в сочетании с PANet neck для эффективного извлечения и агрегирования признаков. Его основанный на якорях детектор объектов высоко оптимизирован для скорости, что делает его подходящим для широкого спектра оборудования. В отличие от чисто академических моделей, YOLOv5 был разработан с учетом развертывания, предлагая встроенную поддержку для iOS, Android и периферийных устройств.

Ключевые преимущества

• Хорошо поддерживаемая экосистема: YOLOv5 выигрывает от многолетней активной разработки, что выражается в обширной документации, поддержке сообщества и интеграции с такими инструментами, как Ultralytics HUB.
• Эффективность обучения: Она известна быстрым временем обучения и более низкими требованиями к памяти по сравнению с архитектурами на основе трансформеров, что делает ее доступной на стандартных потребительских GPU.
• Универсальность: Помимо detect, YOLOv5 изначально поддерживает instance segmentation и image classification, позволяя разработчикам решать множество задач компьютерного зрения с помощью единого фреймворка.
• Готовность к развертыванию: Благодаря встроенным возможностям экспорта в ONNX, TensorRT, CoreML и TFLite, переход от исследований к производству упрощается.

Узнайте больше о YOLOv5

YOLOv9: Архитектурные инновации для максимальной точности

Выйдет в 2024 году, YOLOv9 нацелена на решение проблемы потери информации в глубоких сетях. В ней представлены новые концепции, улучшающие распространение данных в модели, что позволило достичь передовых результатов в таких бенчмарках, как COCO.

Технические детали:

• Авторы: Чен-Яо Ванг, Хонг-Юань Марк Ляо
• Организация:Институт информатики, Academia Sinica, Тайвань
• Дата: 21.02.2024
• Arxiv:https://arxiv.org/abs/2402.13616
• GitHub:https://github.com/WongKinYiu/yolov9
• Документация:https://docs.ultralytics.com/models/yolov9/

Архитектура и инновации

YOLOv9 представляет два основных архитектурных усовершенствования:

1. Программируемая градиентная информация (PGI): Техника, разработанная для смягчения проблемы информационного узкого места, обеспечивающая доступность полной входной информации для вычисления функции потерь.
2. Обобщенная эффективная сеть агрегации слоев (GELAN): Легкая архитектура сети, которая оптимизирует эффективность параметров, позволяя модели достигать более высокой точности с меньшим количеством параметров, чем некоторые предшественники.

Ключевые преимущества

• Высокая точность: YOLOv9 устанавливает впечатляющие ориентиры для точности object detection, особенно в своих более крупных конфигурациях (YOLOv9-E).
• Эффективность параметров: Архитектура GELAN гарантирует, что модель эффективно использует параметры, обеспечивая хорошее соотношение точности к весу.
• Теоретический прогресс: Он решает фундаментальные проблемы в глубоком обучении, касающиеся сохранения информации в глубоких слоях.

Узнайте больше о YOLOv9

Сравнение производительности

При сравнении этих двух моделей компромисс обычно заключается между скоростью и абсолютной точностью. YOLOv9 достигает более высоких показателей mAP^val на наборе данных COCO, демонстрируя эффективность PGI и GELAN. Однако Ultralytics YOLOv5 остается грозным конкурентом в скорости инференса, особенно на CPU и периферийных устройствах, где сияет ее оптимизированная архитектура.

Обучение и ресурсы

Для разработчиков эффективность обучения часто так же важна, как и скорость inference. Ultralytics YOLOv5 известен своей простотой «тренируйся и работай». Обычно он требует меньше памяти во время обучения по сравнению с новыми, более сложными архитектурами, особенно моделями на основе трансформеров (такими как RT-DETR). Этот более низкий порог входа позволяет пользователям обучать пользовательские модели на скромных аппаратных конфигурациях.

YOLOv9, хотя и эффективна по параметрам, может потребовать больше ресурсов для обучения из-за сложности вспомогательных ветвей, используемых для PGI, которые удаляются во время логического вывода, но увеличивают накладные расходы во время обучения.

Пример кода: Унифицированный интерфейс

Одним из основных преимуществ экосистемы Ultralytics является унифицированный API python. Вы можете переключаться между YOLOv5 и YOLOv9 с помощью одной строки кода, что невероятно упрощает сравнение обеих моделей на вашем конкретном наборе данных.

from ultralytics import YOLO

# Load an Ultralytics YOLOv5 model (pre-trained on COCO)
model_v5 = YOLO("yolov5su.pt")

# Train the model on your custom data
results_v5 = model_v5.train(data="coco8.yaml", epochs=100, imgsz=640)

# Load a YOLOv9 model for comparison
model_v9 = YOLO("yolov9c.pt")

# Train YOLOv9 using the exact same API
results_v9 = model_v9.train(data="coco8.yaml", epochs=100, imgsz=640)

Идеальные варианты использования

Выбор между этими моделями зависит от приоритетов вашего проекта:

Когда следует выбирать Ultralytics YOLOv5

• Развертывание на периферии: Идеально подходит для Raspberry Pi, мобильных приложений и встроенных систем, где важна каждая миллисекунда задержки.
• Быстрое прототипирование: Простота использования, обширные учебные пособия и поддержка сообщества обеспечивают невероятно быстрые циклы разработки.
• Multi-Task Requirements: Если ваш проект требует segment или классификацию наряду с detect, YOLOv5 предоставляет унифицированное решение.
• Ограничения по ресурсам: Проекты с ограниченным объемом памяти GPU для обучения выиграют от эффективности YOLOv5.

Когда следует выбирать YOLOv9

• Максимальная точность: Критически важна для таких приложений, как медицинская визуализация или высокоточная промышленная инспекция, где пропуск detectирования обходится дорого.
• Академические исследования: Отлично подходит для исследователей, изучающих последние достижения в области потока градиентной информации и проектирования сетевой архитектуры.
• Мощное оборудование: Лучше всего использовать, когда для обучения и инференса доступны достаточные вычислительные ресурсы, чтобы использовать весь его потенциал.

Заключение

Обе модели представляют собой превосходство в области компьютерного зрения. Ultralytics YOLOv5 остается прагматичным выбором для большинства разработчиков, предлагая непревзойденное сочетание скорости, надежности и поддержки экосистемы. Это испытанная рабочая лошадка для реального развертывания. YOLOv9, с другой стороны, предлагает заглянуть в будущее архитектурной эффективности, обеспечивая высочайшую точность для тех, кому это необходимо.

Для тех, кто ищет самые последние достижения в области производительности и универсальности, мы также рекомендуем изучить YOLO11, которая опирается на сильные стороны YOLOv5 и YOLOv8 для достижения самых современных результатов по всем показателям.

Изучите другие модели

Если вам интересно узнать больше, ознакомьтесь с этими связанными моделями в экосистеме Ultralytics:

• YOLO11: Новейшая SOTA модель, обеспечивающая превосходную производительность и универсальность.
• YOLOv8: Мощная модель без привязки к anchor, поддерживающая detect, segment, оценку позы и OBB.
• RT-DETR: Детектор на основе трансформера в реальном времени для приложений, требующих высокой точности.

Комментарии