YOLOv5 против YOLOv9: всестороннее техническое сравнение

Развитие технологии обнаружения объектов в реальном времени ознаменовалось быстрым повышением точности и эффективности. Двумя важными вехами на этом пути стали Ultralytics YOLOv5модель, установившая отраслевой стандарт по удобству использования и развертывания, и YOLOv9архитектура, ориентированная на исследования и расширяющая границы теории глубокого обучения.

В этом техническом сравнении анализируются их архитектуры, показатели производительности и идеальные сценарии использования, чтобы помочь разработчикам и исследователям выбрать подходящий инструмент для своих проектов в области компьютерного зрения.

Ultralytics YOLOv5: промышленный стандарт универсальности

С момента выпуска, YOLOv5 стала одной из самых популярных моделей искусственного интеллекта зрения во всем мире. Разработанная компанией Ultralytics, она ставит во главу угла инженерное совершенство, простоту использования и реальную производительность. Она обеспечивает баланс между скоростью и точностью, а также удобство использования благодаря надежной экосистеме.

Технические детали:

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

Архитектура и Дизайн

YOLOv5 использует магистраль CSPDarknet в сочетании с горловиной PANet для эффективного извлечения и агрегирования признаков. Его головка обнаружения, основанная на якорях, оптимизирована по скорости, что делает ее пригодной для широкого спектра аппаратных средств. В отличие от чисто академических моделей, YOLOv5 был разработан с учетом особенностей развертывания, предлагая встроенную поддержку для iOS, Androidи edge-устройств.

Основные сильные стороны

• Хорошо поддерживаемая экосистема: YOLOv5 - это результат многолетней активной разработки, включающей обширную документацию, поддержку сообщества и интеграцию с такими инструментами, как Ultralytics HUB.
• Эффективность обучения: Она отличается быстрым временем обучения и меньшими требованиями к памяти по сравнению с архитектурами на основе трансформаторов, что делает ее доступной на стандартных потребительских графических процессорах.
• Универсальность: Помимо обнаружения, YOLOv5 поддерживает сегментацию экземпляров и классификацию изображений, позволяя разработчикам решать множество задач технического зрения с помощью одного фреймворка.
• Готовность к развертыванию: Встроенные возможности 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 информационных наук, Академия Синика, Тайвань
• Дата: 21.02.2024
• Arxiv:https://arxiv.org/abs/2402.13616
• GitHub:https://github.com/WongKinYiu/yolov9
• Документы:https://docs.ultralytics.com/models/yolov9/

Архитектура и инновации

В YOLOv9 реализованы 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 агрегирования слоев (GELAN): Облегченная архитектура сети, которая оптимизирует эффективность параметров, позволяя модели достигать более высокой точности с меньшим количеством параметров, чем некоторые предшественники.

Основные сильные стороны

• Высокая точность: YOLOv9 устанавливает впечатляющие показатели точности обнаружения объектов, особенно в больших конфигурацияхYOLOv9).
• Эффективность использования параметров: Архитектура GELAN гарантирует, что модель эффективно использует параметры, обеспечивая высокое соотношение точности и веса.
• Теоретический прогресс: Рассматриваются фундаментальные вопросы глубокого обучения, связанные с сохранением информации в глубоких слоях.

Узнайте больше о YOLOv9

Сравнение производительности

При сравнении этих двух моделей компромисс обычно лежит между скоростью и абсолютной точностью. YOLOv9 достигает более высоких показателей ^mAPval на наборе данных COCO , демонстрируя эффективность PGI и GELAN. Однако, Ultralytics YOLOv5 остается грозным конкурентом в скорости вычислений, особенно на процессорах и пограничных устройствах, где оптимизированная архитектура дает о себе знать.

Обучение и ресурсы

Для разработчиков эффективность обучения часто так же важна, как и скорость получения выводов. Ultralytics YOLOv5 известна своей простотой "обучись и работай". Она обычно требует меньше памяти во время обучения по сравнению с новыми, более сложными архитектурами, особенно моделями на основе трансформаторов (такими как RT-DETR). Такой низкий барьер для входа позволяет пользователям обучать пользовательские модели на скромных аппаратных установках.

YOLOv9, хотя и эффективен по параметрам, может быть более ресурсоемким в обучении из-за сложности вспомогательных ветвей, используемых для PGI, которые удаляются при выводе, но увеличивают накладные расходы при обучении.

Пример кода: Унифицированный интерфейс

Одно из главных преимуществ экосистемы Ultralytics - унифицированный Python API. Вы можете переключаться между YOLOv5 и YOLOv9 с помощью одной строки кода, что делает невероятно простым бенчмаркинг обоих 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 стоит выбрать Ultralytics YOLOv5

• Пограничное развертывание: Идеально подходит для Raspberry Pi, мобильных приложений и встраиваемых систем, где важна каждая миллисекунда задержки.
• Быстрое создание прототипов: Простота использования, обширные руководства и поддержка сообщества обеспечивают невероятно быстрые циклы разработки.
• Многозадачные требования: Если в вашем проекте наряду с обнаружением требуется сегментация или классификация, YOLOv5 предлагает унифицированное решение.
• Ограниченность ресурсов: Проекты с ограниченным объемом памяти GPU для обучения выиграют от эффективности YOLOv5.

Когда выбирать YOLOv9

• Максимальная точность: Критически важна для таких приложений, как медицинская визуализация или высокоточный промышленный контроль, где пропуск обнаружения обходится дорого.
• Академические исследования: Отлично подходит для исследователей, изучающих последние достижения в области градиентных информационных потоков и проектирования сетевой архитектуры.
• Мощное оборудование: лучше всего использовать при наличии достаточных вычислительных ресурсов для обучения и выводов, чтобы использовать весь потенциал.

Заключение

Обе модели представляют собой передовые разработки в области компьютерного зрения. Ultralytics YOLOv5 остается прагматичным выбором для большинства разработчиков, предлагая непревзойденное сочетание скорости, надежности и поддержки экосистемы. Это проверенная в боях "рабочая лошадка" для реального применения. YOLOv9с другой стороны, предлагает взгляд в будущее архитектурной эффективности, обеспечивая точность высшего уровня для тех, кто в ней нуждается.

Для тех, кто ищет абсолютную новизну в производительности и универсальности, мы также рекомендуем обратить внимание на YOLO11который, опираясь на сильные стороны YOLOv5 и YOLOv8 , обеспечивает самые современные результаты по всем параметрам.

Изучите другие модели

Если вы заинтересованы в дальнейших исследованиях, ознакомьтесь с этими смежными моделями в экосистеме Ultralytics :

• YOLO11: новейшая модель SOTA, обеспечивающая превосходную производительность и универсальность.
• YOLOv8: мощная модель без привязки, поддерживающая обнаружение, сегментацию, позирование и OBB.
• RT-DETR: трансформаторный детектор реального времени для высокоточных приложений.

Комментарии