Ultralytics YOLOv8 YOLOv9: технический анализ современных методов обнаружения объектов

Область обнаружения объектов в реальном времени быстро развивается, и каждая новая версия расширяет границы возможного как на периферийных устройствах, так и на облачных серверах. Ultralytics YOLOv8, выпущенная в начале 2023 года, зарекомендовала себя как отраслевой стандарт универсальности и простоты использования. Год спустя YOLOv9 представила новые архитектурные концепции, основанные на программируемой градиентной информации (PGI), для устранения узких мест в глубоком обучении.

В этом подробном руководстве сравниваются эти два тяжеловеса, анализируются их архитектурные инновации, показатели производительности и идеальные сценарии развертывания, чтобы помочь вам выбрать подходящую модель для вашего проекта в области компьютерного зрения.

Резюме: какую модель выбрать?

Обе модели представляют собой важные вехи в истории компьютерного зрения, но в современной сфере искусственного интеллекта они удовлетворяют несколько разные потребности.

• Выберите Ultralytics YOLOv8 ,YOLOv8 : Вы отдаете приоритет готовой к производству экосистеме. YOLOv8 для реального применения и поддерживает широкий спектр задач (обнаружение, сегментация, поза, OBB, классификация) из коробки. Его бесшовная интеграция с Ultralytics значительно упрощает обучение, отслеживание и развертывание для инженерных команд.
• Выберите YOLOv9 , YOLOv9 : Вы являетесь исследователем или опытным разработчиком, сосредоточенным исключительно на максимизации mAP (средней средней точности) на стандартных тестах, таких как COCO. YOLOv9 теоретические пределы эффективности архитектуры CNN, предлагая отличное соотношение параметров и точности, хотя и часто с более сложной настройкой обучения.
• Выберите YOLO26 (рекомендуется), если: вы хотите получить лучшее из обоих миров — передовую точность и встроенную сквозную эффективность. Выпущенный в 2026 году, YOLO26 полностью устраняет необходимость в немаксимальном подавлении (NMS), обеспечивая на 43 % более быстрое CPU по сравнению с предыдущими поколениями при сохранении высочайшей точности.

Технические характеристики и авторство

Понимание происхождения этих моделей позволяет понять контекст архитектурных решений, лежащих в их основе.

Ultralytics YOLOv8

Авторы: Гленн Джочер, Аюш Чаурасия и Цзин Цю
Организация:Ultralytics
Дата выпуска: 10 января 2023 г.
Лицензия: AGPL-3.0 доступна версия Enterprise)
Ссылки:GitHub, Docs

Узнайте больше о YOLOv8

YOLOv9

Авторы: Чень-Яо Ван и Хун-Юань Марк Ляо
Организация: Институт информационных наук, Академия Синика, Тайвань
Дата выпуска: 21 февраля 2024 г.
Лицензия: GPL-3.0
Ссылки:Arxiv, GitHub

Узнайте больше о YOLOv9

Ориентиры производительности

При оценке моделей обнаружения объектов крайне важно найти оптимальный баланс между скоростью (задержкой вывода) и точностью (mAP). В таблице ниже представлено сравнение ключевых показателей на основе набора данных COCO .

Анализ: YOLOv9 впечатляющую эффективность, часто достигая более высокого mAP меньшим количеством параметров (см. YOLOv9t vs YOLOv8n). Однако Ultralytics YOLOv8 часто сохраняет превосходную скорость инференса на стандартных аппаратных конфигурациях и выигрывает благодаря зрелой экспортной конвейерной линии, которая оптимизирует задержку на различных платформах, таких как TensorRT и OpenVINO.

Архитектурные инновации

YOLOv8: унифицированная структура

YOLOv8 современную архитектуру без якорей. Ключевые особенности включают:

• Обнаружение без якорей: уменьшает количество прогнозов по коробкам, ускоряя не максимальное подавление (NMS).
• Мозаичное усиление: усовершенствованные методы обучения, которые повышают устойчивость к окклюзии.
• Модуль C2f: межэтапное частичное узкое место с двумя свертками, которое улучшает градиентный поток, заменяя старый модуль C3.
• Разделенная головка: разделяет задачи классификации и регрессии для повышения точности.

Настоящая сила YOLOv8 в его целостном дизайне. Это не просто модель обнаружения, а фреймворк, способный выполнять сегментацию экземпляров, оценку позы и обнаружение ориентированных ограничивающих прямоугольников (OBB) с помощью унифицированного API.

YOLOv9: Решение проблемы узкого места информации

YOLOv9 на решении проблемы потери информации при прохождении данных через глубокие сети.

• Программируемая информация о градиенте (PGI): вспомогательная система контроля, которая обеспечивает сохранение информации о градиенте для глубоких слоев, генерируя надежные градиенты для обновления весов сети.
• GELAN (Generalized Efficient Layer Aggregation Network): новая архитектура, оптимизирующая эффективность параметров и вычислительные затраты. Она сочетает в себе преимущества CSPNet и ELAN, позволяя максимизировать поток информации при минимальных затратах FLOP.

Несмотря на теоретическую продвинутость, внедрение PGI усложняет цикл обучения, что может затруднить настройку по сравнению с оптимизированной системой. yolo train команда, найденная в Ultralytics .

Экосистема и простота использования

Именно здесь различие становится наиболее важным для разработчиков.

Ultralytics YOLOv8 выгоды от огромной, активной экосистемы. ultralytics Python позволяет за считанные минуты перейти от установки к обучению. Он включает в себя встроенную поддержку управления наборами данных через Ultralytics Platform, что позволяет командам легко визуализировать наборы данных и track .

from ultralytics import YOLO

# Load a model (YOLOv8 or the newer YOLO26)
model = YOLO("yolov8n.pt")

# Train on a custom dataset with one line
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX for deployment
model.export(format="onnx")

YOLOv9, несмотря на свою мощность, часто требует более традиционного подхода к исследовательскому репозиторию. Пользователям может потребоваться клонировать определенные репозитории GitHub и ориентироваться в сложных конфигурационных файлах. Несмотря на наличие интеграции в Ultralytics , основной опыт разработки YOLOv8 более тщательно YOLOv8 для коммерческого внедрения.

Эффективность обучения и память

Существенным преимуществом YOLO Ultralytics YOLO является их эффективность использования памяти. Модели, такие как YOLOv8 новая YOLO26 оптимизированы таким образом, что требуют меньше CUDA во время обучения по сравнению с архитектурами, интенсивно использующими трансформеры, или более старыми YOLO .

• Более быстрая конвергенция: Ultralytics высококачественные предварительно обученные веса, которые позволяют быстро осуществлять перенос обучения, часто достигая пригодных для использования результатов за меньшее количество эпох.
• Обучение с низкими ресурсами: эффективные архитектуры позволяют проводить обучение на потребительских графических процессорах, что делает доступ к передовым технологиям искусственного интеллекта более доступным для студентов и стартапов.

Приложения в реальном мире

Умное управление дорожным движением в городах

YOLOv8 превосходит другие системы благодаря своей возможностей отслеживания объектов . Комбинируя обнаружение с такими трекерами, как BoT-SORT или ByteTrack, города могут отслеживать транспортный поток и detect в режиме реального времени. Низкая задержка YOLOv8n обрабатывать несколько видеопотоков на одном пограничном сервере.

Сельскохозяйственная робототехника

Для обнаружения сельскохозяйственных культур или сорняков возможности сегментации YOLOv8 неоценимыми. Однако для идентификации очень мелких вредителей или ранних признаков заболеваний функции ProgLoss + STAL в более новой версии YOLO26 предлагают превосходные возможности распознавания мелких объектов, что делает их предпочтительным выбором для современных агротехнологий.

Промышленный контроль качества

Производственные линии требуют чрезвычайно высокой точности. YOLOv9GELAN обеспечивает отличное сохранение характеристик, что может быть полезно для обнаружения мелких дефектов в сложных текстурах. Напротив, для высокоскоростных сборочных линий, сквозная конструкция YOLO26 NMS гарантирует, что проверка не станет узким местом, обрабатывая предметы быстрее, чем традиционные методы.

Заключение

YOLOv8 YOLOv9 исключительные инструменты. YOLOv9 расширяет границы теоретической эффективности, предлагая впечатляющую точность с меньшим количеством параметров. Это отличный выбор для академических исследований и сценариев, где каждый процентный пункт mAP решающее значение.

Однако для подавляющего большинства разработчиков и предприятий Ultralytics YOLOv8 (и его преемник YOLO26) остается лучшим выбором. Его непревзойденная простота использования, надежная документация и универсальная поддержка задач снижают сложность разработки ИИ. Возможность беспрепятственного развертывания на различном оборудовании с помощью конвейераUltralytics гарантирует, что ваша модель принесет пользу в реальном мире, а не только в таблице тестов.

Тем, кто готов принять будущее, мы настоятельно рекомендуем изучить YOLO26. Благодаря удалению DFL, оптимизатору MuSGD и собственной архитектуре NMS, он представляет собой вершину эффективности и производительности на 2026 год.

Краткое сравнение

Дополнительная литература

• YOLOv8
• YOLOv9
• YOLO26: Новый стандарт
• Руководство по показателям YOLO

Комментарии