Начать

YOLOv8 и YOLOv9

Развитие детекции объектов в реальном времени характеризуется постоянным стремлением к повышению точности, снижению задержки и более эффективному использованию оборудования. Важные вехи на этом пути — Ultralytics YOLOv8 и YOLOv9. Обе модели демонстрируют передовые возможности в области компьютерного зрения, но рассчитаны на разные требования к развертыванию, архитектурные подходы и экосистемы разработчиков.

В этом руководстве разбираются технические различия, архитектурные нововведения и практические аспекты развертывания, чтобы помочь тебе выбрать модель для следующего проекта в области искусственного интеллекта.

Происхождение моделей и основные принципы#

Прежде чем изучать метрики, полезно разобраться в истории появления каждой модели и основных целях ее разработки.

Ultralytics YOLOv8: универсальный стандарт экосистемы#

Команда Ultralytics разработала YOLOv8 не просто как отдельный детектор объектов, а как единый фреймворк для нескольких задач. В модели особое внимание уделено удобству разработки, небольшому потреблению памяти и широкой совместимости с оборудованием.

YOLOv9: программируемая информация о градиентах#

YOLOv9 независимо разработали исследователи из Академии Синика. В основе модели лежат архитектурные исследования, в частности изучение информационного узкого места в глубоких нейронных сетях.

  • Авторы: Chien-Yao Wang и Hong-Yuan Mark Liao
  • Организация: Институт информатики, Academia Sinica, Тайвань
  • Дата: 2024-02-21
  • arXiv: 2402.13616
  • GitHub: WongKinYiu/yolov9

Подробнее о YOLOv9

Корпоративное развертывание

Если ты планируешь крупномасштабное коммерческое развертывание, изучи платформу Ultralytics: она упрощает облачное обучение, управление наборами данных и настройку выделенных конечных точек API.

Подробный разбор архитектуры#

Архитектурные решения в глубоком обучении определяют, насколько эффективно модель обучается и быстро работает на целевом оборудовании, например на NVIDIA Jetson или CPU Intel.

Архитектура YOLOv8: C2f и разделенные головы#

В YOLOv8 появился модуль C2f (узкое место с частичным межэтапным соединением и двумя свертками), заменивший более ранний модуль C3. Это улучшает распространение градиента и позволяет сети изучать более содержательные представления признаков без чрезмерной нагрузки на память GPU.

В YOLOv8 также используется безанкорная архитектура с разделенной головой. Классификация и регрессия выполняются по отдельным ветвям, благодаря чему модель быстрее сходится при обучении и лучше обобщает данные из разнообразных пользовательских наборов данных.

Архитектура YOLOv9: PGI и GELAN#

В YOLOv9 представлены программируемая информация о градиентах (PGI) и обобщенная эффективная сеть агрегации слоев (GELAN). PGI предотвращает потерю важных данных при прохождении через слои сети и обеспечивает надежные градиенты для обновления весов. GELAN повышает эффективность использования параметров, позволяя модели достигать высокой точности при умеренных затратах FLOPs.

Однако вспомогательные обратимые ветви YOLOv9, используемые только при обучении, могут усложнить настройку обучающего кода по сравнению со стандартными конвейерами.

Показатели производительности и результаты тестирования#

В таблице ниже сравниваются модели разных размеров. Производительность измеряется на наборе данных MS COCO — стандартном бенчмарке для детекции объектов.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Примечание: лучшие значения в каждом столбце выделены полужирным.

Анализ компромиссов#

YOLOv9 достигает более высокой точности (mAP) при сопоставимых размерах и использует меньше параметров в каждом варианте. Однако Ultralytics YOLOv8 быстрее выполняет инференс на GPU: например, YOLOv8n обрабатывает данные за 1.47 мс, а YOLOv9t — за 2.3 мс при компиляции с помощью TensorRT; кроме того, YOLOv8 легко экспортируется в форматы вроде ONNX. Для приложений, которым нужна высокая частота кадров (FPS) на ограниченном периферийном оборудовании, например Raspberry Pi или старых мобильных чипах, варианты YOLOv8 n и s обеспечивают практичный баланс производительности.

Эффективность обучения и интеграция в экосистему#

При выборе модели важно смотреть не только на таблицы точности: удобство разработки не менее значимо.

Преимущества Ultralytics: простота использования#

Для обучения YOLOv9 часто приходится клонировать сложные репозитории GitHub, тщательно настраивать окружения PyTorch и вручную задавать веса вспомогательных функций потерь.

В отличие от нее, Ultralytics YOLOv8 использует оптимизированный Python API. Он разработан с учетом простоты использования и изначально поддерживает аугментацию данных, журналирование с помощью таких инструментов, как Weights & Biases и Comet ML, а также обучение на нескольких GPU.

from ultralytics import YOLO

# Загрузи предварительно обученную малую модель YOLOv8
model = YOLO("yolov8s.pt")

# Эффективно обучи модель на пользовательских данных
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Экспортируй модель для развертывания на периферийных устройствах
model.export(format="engine", quantize=16)  # Экспорт в TensorRT

Единый API сокращает путь от прототипа до production. Кроме того, при обучении YOLOv8 обычно требует меньше памяти CUDA, позволяя разработчикам использовать больший размер пакета на потребительском оборудовании.

Универсальность в решении задач#

YOLOv9 — отличный детектор ограничивающих рамок, но в реальных задачах компьютерного зрения часто требуется больше. YOLOv8 изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB). Использование единого фреймворка для нескольких задач снижает сложность программного обеспечения и затраты на его обслуживание.

Перспективы

Если ты начинаешь новый проект, стоит также оценить Ultralytics YOLO11 или YOLO26 — текущую рекомендуемую модель с опциональным сквозным инференсом без NMS.

Примеры применения в реальных условиях#

Как эти модели проявляют себя в промышленной эксплуатации?

Автономные дроны и робототехника#

Для робототехники, где нужно быстро уклоняться от препятствий, предпочтительна YOLOv8. Низкая задержка YOLOv8n помогает автономным системам реагировать на окружающую среду в реальном времени и избегать столкновений. Встроенный экспорт в OpenVINO и CoreML упрощает развертывание на маломощных чипах, типичных для коммерческих дронов.

Обнаружение дефектов высокого разрешения#

В специализированных производственных условиях, где критически важно обнаруживать микроскопические дефекты, а обработка данных в автономном режиме допустима, эффективным решением может стать YOLOv9. Архитектура PGI помогает сети сохранять мелкие визуальные детали, необходимые для обнаружения микротрещин и дефектов пайки на печатных платах.

Умная розничная торговля и аналитика безопасности#

Для отслеживания покупателей в торговых залах или управления системами автоматизированной оплаты оптимальный баланс предлагает YOLOv8. Модель одновременно выполняет детекцию и отслеживание нескольких объектов с помощью стандартных алгоритмов, таких как BoT-SORT, что делает ее надежным решением для розничных систем с несколькими камерами.

Сценарии использования и рекомендации#

Выбор между YOLOv8 и YOLOv9 зависит от требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда выбрать YOLOv8#

YOLOv8 — хороший выбор для:

  • Универсальное развертывание для нескольких задач: проекты, которым нужна проверенная модель для обнаружения, сегментации, классификации и оценки позы в экосистеме Ultralytics.
  • Уже работающие системы: существующие промышленные среды, построенные на архитектуре YOLOv8 и использующие стабильные, тщательно проверенные конвейеры развертывания.
  • Широкая поддержка сообщества и экосистемы: приложения, которым помогают многочисленные руководства по YOLOv8, сторонние интеграции и активное сообщество.

Когда выбирать YOLOv9#

YOLOv9 рекомендуется для таких задач:

  • Исследование информационного узкого места: Академические проекты, изучающие архитектуры программируемой информации о градиентах (PGI) и обобщённой эффективной сети агрегации слоёв (GELAN).
  • Исследования оптимизации потока градиентов: Работы, посвящённые изучению и устранению потери информации в глубоких слоях сети во время обучения.
  • Сравнительное тестирование точного детектирования: Сценарии, в которых высокая результативность YOLOv9 на тестах COCO нужна в качестве ориентира для сравнения архитектур.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

  • Развертывание на периферийных устройствах без NMS: приложения, которым нужен стабильный инференс с низкой задержкой без сложной постобработки методом подавления немаксимумов (NMS).
  • Среды, работающие только на CPU: устройства без выделенного ускорения на GPU, на которых преимущество YOLO26n особенно заметно: инференс на CPU выполняется до 43% быстрее, чем у YOLO11n.
  • Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Следующий этап развития: YOLO26#

YOLOv8 и YOLOv9 — функциональные модели, но область ИИ быстро развивается. Для новых проектов YOLO26, выпущенная в январе 2026 года, развивает сильные стороны предыдущих поколений.

В YOLO26 предусмотрена опциональная сквозная архитектура без NMS (nms=False), которая устраняет постобработку с NMS, упрощая развертывание и делая задержку предсказуемее. Благодаря оптимизатору MuSGD, ProgLoss + STAL (прогрессивной функции потерь и назначению меток с учетом малых объектов) и отказу от DFL (Distribution Focal Loss исключена для упрощения экспорта и улучшения совместимости с периферийными и маломощными устройствами) YOLO26n обеспечивает инференс на CPU до 43% быстрее, чем YOLO11n, и при этом лучше обнаруживает небольшие объекты. YOLO26 — рекомендуемая отправная точка для проектов периферийных вычислений.

Итак, хотя YOLOv9 предлагает ценные архитектурные решения и превосходную максимальную точность, Ultralytics YOLOv8 остается практичным, хорошо поддерживаемым и универсальным выбором для большинства инженеров по компьютерному зрению, которым нужно быстро выпускать надежное программное обеспечение.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.