YOLOv9 против YOLO26#

Ландшафт обнаружения объектов в реальном времени значительно изменился за последние несколько лет. Поскольку специалисты по машинному обучению стремятся развертывать модели на различных типах аппаратного обеспечения, выбор правильной архитектуры имеет решающее значение. В этом подробном техническом руководстве мы сравниваем две важные вехи в области компьютерного зрения: YOLOv9, представленную в начале 2024 года с упором на оптимизацию путей градиента, и Ultralytics YOLO26 — новейший передовой фреймворк, выпущенный в начале 2026 года, который полностью переосмысляет инференс на периферийных устройствах и стабильность обучения.

Краткий обзор: Происхождение моделей и авторы#

Понимание происхождения этих моделей глубокого обучения дает ценный контекст относительно их архитектурных решений и целевой аудитории.

YOLOv9#

Созданная Чиен-Яо Вангом (Chien-Yao Wang) и Хонг-Юанем Марком Ляо (Hong-Yuan Mark Liao) из Института информационной науки Academia Sinica на Тайване, модель YOLOv9 была выпущена 21 февраля 2024 года. Модель уделяет большое внимание теоретическим концепциям глубокого обучения, в частности решению проблемы информационного «бутылочного горлышка» в глубоких сверточных нейронных сетях (CNN).

Узнай больше о YOLOv9

Ultralytics YOLO26#

Созданная Гленном Джохером (Glenn Jocher) и Цзин Цю (Jing Qiu) в компании Ultralytics, модель YOLO26 была выпущена 14 января 2026 года. Опираясь на грандиозный успех таких предшественников, как YOLO11 и YOLOv8, YOLO26 была разработана с нуля с упором на готовность к продакшену, периферийное развертывание и встроенную сквозную эффективность.

Узнай больше о YOLO26

Архитектурные инновации#

Обе модели привносят революционные изменения в то, как нейронные сети обрабатывают визуальные данные, но они подходят к решению проблемы с разных сторон.

Программируемая градиентная информация в YOLOv9#

Главный вклад YOLOv9 в эту область — внедрение программируемой градиентной информации (Programmable Gradient Information, PGI) и обобщенной эффективной сети агрегации слоев (Generalized Efficient Layer Aggregation Network, GELAN). По мере углубления нейронных сетей они часто страдают от потери информации в процессе прямого прохода. PGI гарантирует, что градиенты, используемые для обновления весов во время обратного распространения, остаются точными и надежными, что позволяет архитектуре GELAN достигать высокой точности с меньшим количеством параметров.

Однако YOLOv9 сильно полагается на традиционное подавление немаксимумов (NMS) для постобработки, что может стать узким местом по задержке при выводе в реальном времени.

Архитектура YOLO26, ориентированная на Edge-устройства#

YOLO26 применяет совершенно иной подход, оптимизируя весь конвейер от обучения до развертывания в реальном времени. Он развивает концепцию End-to-End NMS-Free Design, впервые предложенную в YOLOv10, и полностью исключает необходимость постпроцессинга NMS. Это обеспечивает невероятно низкую задержку, что делает модель отлично оптимизированной для периферийных устройств, таких как Raspberry Pi или NVIDIA Jetson.

Кроме того, в YOLO26 полностью удалена функция распределенной фокальной потери (DFL). Это структурное изменение упрощает экспорт модели в ONNX и обеспечивает значительно лучшую совместимость с маломощными микроконтроллерами.

Для фазы обучения в YOLO26 интегрирован новый оптимизатор MuSGD — гибрид стохастического градиентного спуска и Muon (вдохновленный методологиями обучения больших языковых моделей от Kimi K2 компании Moonshot AI). Это сокращает разрыв между инновациями в обучении больших языковых моделей (LLM) и компьютерным зрением, обеспечивая значительно более стабильное обучение и ускоренную сходимость.

Сравнение производительности и метрик#

При проведении бенчмарков на широко используемом наборе данных COCO обе модели демонстрируют исключительные возможности, однако экосистема Ultralytics выделяется своей практической скоростью инференса и эффективностью использования параметров.

Анализ результатов#

• Скорость и эффективность: поскольку YOLO26 использует архитектуру без NMS и упрощенные функции потерь, она обеспечивает ускорение инференса на CPU до 43% по сравнению с устаревшими архитектурами. Модель YOLO26n работает со впечатляющей скоростью 1.7 мс на GPU NVIDIA T4 с использованием TensorRT, что делает ее идеальным выбором для видеопотоков в реальном времени.
• Точность: Модель YOLO26x достигает непревзойденного показателя 57.5 mAP, превосходя самую большую модель YOLOv9e при сохранении более низкой задержки.
• Требования к памяти: модели Ultralytics славятся своей эффективностью. YOLO26 требует значительно меньше памяти CUDA во время обучения модели и инференса по сравнению со сложными визуальными моделями на основе Transformer, что позволяет использовать больший размер батча на оборудовании потребительского уровня.

Экосистема, простота использования и универсальность#

Истинная сила экосистемы Ultralytics заключается в удобстве использования. В то время как исследователям, использующим репозиторий GitHub YOLOv9, приходится справляться со сложной настройкой окружения и ручным написанием скриптов, YOLO26 полностью интегрирована в интуитивно понятный Python API от Ultralytics.

Упрощенный пример API#

Для обучения современной модели YOLO26 требуется всего несколько строк кода на Python:

from ultralytics import YOLO

# Load the latest native end-to-end YOLO26 model
model = YOLO("yolo26s.pt")

# Train the model effortlessly with the default MuSGD optimizer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export natively to ONNX format in a single command
model.export(format="onnx")

Непревзойденная универсальность задач#

В отличие от YOLOv9, которая в основном ориентирована на стандартное обнаружение объектов, YOLO26 из коробки поддерживает широкий спектр задач компьютерного зрения. Архитектура включает специальные улучшения для различных сфер применения:

• Сегментация экземпляров: включает специализированную потерю семантической сегментации и многомасштабные прототипы для безупречных масок на уровне пикселей.
• Оценка позы: интегрирует остаточную оценку логарифма правдоподобия (RLE) для отслеживания ключевых точек скелета с экстремальной точностью.
• Ориентированные ограничивающие рамки (OBB): включает специализированную функцию угловых потерь, разработанную специально для решения проблем с границами при обнаружении повернутых объектов на аэрофотоснимках.
• Классификация изображений: надежная категоризация целых изображений на основе стандартов ImageNet.

Применение в реальных условиях#

Выбор между этими моделями часто сводится к среде, в которой они будут развернуты.

IoT и периферийная робототехника#

Для робототехники, автономных дронов и устройств умного дома IoT YOLO26 является бесспорным лидером. Интеграция ProgLoss + STAL приносит заметные улучшения в распознавание мелких объектов, что критически важно для сельскохозяйственного мониторинга с высотных дронов. В сочетании с ускоренным на 43% инференсом на CPU и дизайном без NMS, YOLO26 способна плавно работать на оборудовании без выделенных GPU.

Академические исследования и градиентный анализ#

YOLOv9 остается весьма уважаемой моделью в академических кругах. Исследователи, изучающие теоретические границы потока градиентов или желающие создать пользовательские слои PyTorch на основе концепции PGI, найдут кодовую базу YOLOv9 отличной основой для исследования теории глубокого обучения.

Высокоскоростные производственные линии#

В промышленных условиях, таких как автоматизированное обнаружение дефектов на высокоскоростных конвейерных лентах, молниеносная скорость TensorRT у моделей YOLO26 гарантирует отсутствие пропущенных кадров, максимизируя пропускную способность систем контроля качества.

Сценарии использования и рекомендации#

Выбор между YOLOv9 и YOLO26 зависит от требований твоего конкретного проекта, ограничений развертывания и предпочтений в экосистеме.

Когда стоит выбрать YOLOv9#

YOLOv9 — отличный выбор для:

• Исследований информационных узких мест: Академические проекты по изучению архитектур Programmable Gradient Information (PGI) и Generalized Efficient Layer Aggregation Network (GELAN).
• Изучения оптимизации потока градиентов: Исследования, направленные на понимание и смягчение потери информации в глубоких слоях сети во время обучения.
• Бенчмаркинга обнаружения высокой точности: Сценарии, где высокие показатели производительности YOLOv9 в бенчмарке COCO необходимы в качестве точки отсчета для архитектурных сравнений.

Когда стоит выбрать YOLO26#

YOLO26 рекомендуется для:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Заключение#

Обе модели представляют собой невероятный шаг вперед для сообщества с открытым исходным кодом. YOLOv9 внесла жизненно важные теоретические улучшения в градиентный поток, которые будут вдохновлять архитектуры в течение многих лет. Однако для современных разработчиков, стартапов и корпоративных команд, ищущих идеальный баланс скорости, точности и легкости развертывания, Ultralytics YOLO26 является очевидной рекомендацией.

Устраняя NMS, внедряя мощный оптимизатор MuSGD и предоставляя непревзойденный набор инструментов для задач обнаружения, сегментации и оценки позы, YOLO26 гарантирует, что твои проекты в области компьютерного зрения будут построены на самой надежной и перспективной платформе из доступных сегодня.