YOLOv9 и YOLO11#
Быстрое развитие компьютерного зрения постоянно расширяет возможности обнаружения объектов в реальном времени. Среди ведущих архитектур выделяются YOLOv9 и Ultralytics YOLO11 — важные достижения, каждое из которых решает свои технические задачи. YOLOv9 предложила новые способы сохранения потока градиентов при обучении глубоких сетей, а YOLO11 усовершенствовала универсальный фреймворк Ultralytics, повысив эффективность, универсальность и удобство использования.
В этом техническом сравнении рассматриваются архитектуры, показатели производительности, требования к памяти и оптимальные сценарии развёртывания, чтобы ты мог выбрать подходящую модель для следующего проекта ИИ.
Хотя YOLOv9 и YOLO11 — эффективные модели, сейчас мы рекомендуем модель Ultralytics YOLO26. Она использует сквозную архитектуру без NMS, которая упрощает развёртывание, обеспечивает инференс на CPU до 43% быстрее (YOLO26n по сравнению с YOLO11n) и благодаря оптимизатору MuSGD ускоряет сходимость. Это лучший вариант для новых проектов, готовящихся к промышленной эксплуатации.
Технические характеристики и авторы#
Понимание происхождения моделей помогает разобраться в причинах выбора их архитектуры и зависимостях от фреймворков.
YOLOv9#
В YOLOv9 заметен сильный академический акцент на информационных узких местах глубокого обучения: приоритет отдаётся точности признаков с помощью пользовательских блоков сети.
- Авторы: Chien-Yao Wang и Hong-Yuan Mark Liao
- Организация: Институт информатики Академии Синика
- Дата: 21 февраля 2024 года
- arXiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
Ultralytics YOLO11#
YOLO11 с самого начала разрабатывалась для промышленной эксплуатации. При её создании стремились сбалансировать высокую точность, скорость развёртывания в реальных условиях и универсальность при решении нескольких задач.
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 27 сентября 2024 года
- GitHub: https://github.com/ultralytics/ultralytics
Архитектурные инновации#
Программируемая информация о градиентах в YOLOv9#
В YOLOv9 предложена концепция программируемой градиентной информации (PGI) и обобщённая эффективная сеть агрегации слоёв (GELAN). По мере углубления нейронные сети часто сталкиваются с информационными узкими местами: в процессе прямого распространения теряются важные детали. PGI решает эту проблему, обеспечивая надёжные обновления градиентов, которые сохраняют тонкую пространственную информацию, а GELAN повышает эффективность использования параметров. Поэтому YOLOv9 особенно хорошо справляется с задачами, требующими высокой точности признаков, но для постобработки использует стандартное подавление немаксимумов (NMS), которое может увеличить задержку на периферийных устройствах.
Высокая эффективность YOLO11#
YOLO11 развивает многолетние исследования YOLO, предлагая эффективную архитектуру. Она превосходит предыдущие версии, сокращая вычислительные затраты и улучшая извлечение признаков. YOLO11 по-прежнему использует стандартную постобработку NMS, но усовершенствованные головы детектора обеспечивают хороший баланс между задержкой и точностью. Кроме того, при обучении модели и инференсе YOLO11 использует меньше памяти, чем крупные модели на основе Transformer, которые часто медленнее обучаются и требуют большого объёма памяти CUDA.
Сравнение показателей производительности#
При сравнении этих моделей на стандартном наборе данных COCO обе показывают высокие результаты, но выявляются компромиссы между числом параметров и скоростью работы.
В таблице ниже сравниваются ключевые показатели производительности YOLO.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Анализ результатов#
- Скорость и эффективность оборудования: YOLO11 быстрее YOLOv9 на всех размерах, представленных в таблице. Например, YOLO11n выполняет инференс за 1.5 ms на GPU NVIDIA T4 с помощью TensorRT, что делает её подходящей для конвейеров с жёсткими ограничениями по времени.
- Требования к вычислительным ресурсам: Как правило, моделям YOLO11 требуется меньше FLOP (например, 68,1B для YOLO11m против 76,8B для YOLOv9m), поэтому они потребляют меньше энергии на периферийных устройствах с батарейным питанием, таких как Raspberry Pi, и мобильном оборудовании.
- Сопоставимая точность: Хотя YOLOv9e немного превосходит YOLO11x по абсолютному значению mAP (55.6 против 54.7), YOLO11 достигает максимальной точности при значительно меньшей задержке (11.3ms против 16.77ms), обеспечивая более выгодный баланс производительности для реального применения.
Экосистема и простота использования#
Хотя численные показатели важны, успех проекта часто зависит от экосистемы фреймворка. Именно здесь выделяется Ultralytics.
Исходный репозиторий YOLOv9 — узкоспециализированная реализация для исследований. Однако платформа Ultralytics и соответствующий пакет с открытым исходным кодом предлагают удобный пользовательский интерфейс, простой API и обширную документацию, сокращая время выхода на рынок.
Универсальность при решении разных задач#
YOLOv9 в основном предназначена для обнаружения ограничивающих рамок. В отличие от неё, YOLO11 — это унифицированная модель для решения нескольких задач, которая изначально поддерживает:
- Сегментация экземпляров
- Классификация изображений
- Оценка позы
- Ориентированные ограничивающие рамки (OBB)
Развёртывание#
Экосистема Ultralytics позволяет разработчикам экспортировать модели во множество форматов одной строкой кода на Python. Независимо от того, нужен ли тебе ONNX, OpenVINO, LiteRT или CoreML, переход от обучения к промышленной эксплуатации прост.
from ultralytics import YOLO
# Загрузи высокоэффективную модель YOLO11
model = YOLO("yolo11n.pt")
# Быстро обучи модель на собственном наборе данных с минимальным потреблением памяти
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Экспортируй обученную модель в OpenVINO для ускорения вычислений на CPU Intel
model.export(format="openvino")Оптимальные сценарии применения#
Когда использовать YOLOv9#
YOLOv9 полезна в исследовательской среде и сценариях, где важна высокая точность признаков, а задержка оборудования не является главным ограничением. Архитектура GELAN может применяться для анализа медицинских изображений, где критически важно обнаруживать мельчайшие различия между пикселями.
Почему стоит выбрать YOLO11#
Разработчикам, инженерам и производственным командам, выбирающим между этими моделями, мы рекомендуем YOLO11. Она особенно хорошо подходит для сред, где требуется высокоскоростное и масштабируемое развёртывание:
- Аналитика для умной розницы: отслеживание товаров и покупателей с помощью стандартных процессоров Intel.
- Автономные дроны: Архитектуры с малым числом FLOP экономят заряд батареи, сохраняя высокую эффективность обнаружения мелких объектов.
- Проекты с меняющимися требованиями: рабочие процессы, которые начинаются с обнаружения объектов, но со временем требуют оценки позы или сегментации.
Что дальше: следующая ступень развития#
Для своего поколения YOLO11 была передовой моделью, но компьютерное зрение продолжает развиваться. Для новых проектов рассмотри YOLO26 — текущую рекомендованную модель Ultralytics.
Развивая сквозную архитектуру без NMS, впервые предложенную в YOLOv10, YOLO26 добавляет оптимизатор MuSGD — гибрид SGD и Muon, обеспечивающий более стабильное обучение. Удаление Distribution Focal Loss (DFL) упрощает экспорт, а ProgLoss и STAL (Progressive Loss и назначение меток с учётом малых объектов) улучшают обнаружение небольших объектов. В результате YOLO26n обеспечивает инференс на CPU до 43% быстрее YOLO11n. Благодаря унифицированному API Ultralytics команды могут перейти со старых моделей, например Ultralytics YOLOv8, на YOLO26 или YOLO11 с минимальными изменениями кода.