Начать

YOLOv9 и YOLO26

За последние несколько лет в области обнаружения объектов в реальном времени произошли значительные изменения. Разработчикам, которые планируют запускать модели на разных аппаратных платформах, важно правильно выбрать архитектуру. В этом техническом руководстве сравниваются две важные вехи компьютерного зрения: YOLOv9, представленная в начале 2024 года и ориентированная на оптимизацию путей градиента, и Ultralytics YOLO26 — последняя модель Ultralytics, выпущенная в январе 2026 года и ориентированная на инференс на периферийных устройствах и стабильность обучения.

Краткий обзор: происхождение моделей и авторство#

Понимание происхождения моделей глубокого обучения помогает разобраться в причинах выбора их архитектуры и целевой аудитории.

YOLOv9#

YOLOv9 разработали Чиен-Яо Ванг и Хун-Юань Марк Ляо из Института информатики Academia Sinica на Тайване. Модель выпустили 21 февраля 2024 года. Основное внимание в ней уделено теоретическим концепциям глубокого обучения, в частности проблеме информационного бутылочного горлышка в глубоких сверточных нейронных сетях (CNN).

Подробнее о YOLOv9

Ultralytics YOLO26#

YOLO26, созданная Гленном Джочером и Цзин Цю из Ultralytics, была выпущена 14 января 2026 года. Развивая идеи предшественников, таких как YOLO11 и YOLOv8, YOLO26 с нуля проектировалась с прицелом на готовность к промышленной эксплуатации, развёртывание на периферийных устройствах и встроенную сквозную эффективность.

Попробуй YOLO26 уже сегодня

Хочешь обновить свой конвейер компьютерного зрения? С помощью платформы Ultralytics ты легко обучишь и развернешь модели YOLO26 в облаке без единой строчки кода.

Архитектурные инновации#

Обе модели значительно изменяют способы обработки визуальных данных нейронными сетями, но решают эту задачу по-разному.

Программируемая информация о градиентах в YOLOv9#

Главный вклад YOLOv9 в эту область — внедрение программируемой градиентной информации (PGI) и обобщённой эффективной сети агрегации слоёв (GELAN). По мере углубления нейронные сети часто теряют информацию в процессе прямого распространения. PGI обеспечивает точность и надёжность градиентов, используемых для обновления весов при обратном распространении, благодаря чему архитектура GELAN достигает высокой точности с меньшим числом параметров.

Однако для постобработки YOLOv9 использует традиционное подавление немаксимумов (NMS), которое может стать узким местом и увеличить задержку при инференсе в реальных условиях.

Архитектура YOLO26 с приоритетом периферийных устройств#

YOLO26 использует другой подход: архитектура с приоритетом периферийных устройств оптимизирует весь конвейер — от обучения до развертывания в реальном времени. Она основана на сквозной архитектуре без NMS, внедренной в модели YOLO с выходом YOLOv10, и устраняет необходимость в постобработке с помощью NMS. Это уменьшает задержку и делает модель подходящей для периферийных устройств, таких как Raspberry Pi и NVIDIA Jetson.

В YOLO26 также удалена Distribution Focal Loss (DFL). Это структурное изменение упрощает экспорт модели в ONNX и повышает совместимость с маломощными периферийными устройствами.

Для обучения в YOLO26 используется оптимизатор MuSGD — гибрид стохастического градиентного спуска и Muon, вдохновлённый методами обучения LLM модели Kimi K2 от Moonshot AI. Благодаря этому инновации из обучения больших языковых моделей (LLM) применяются в компьютерном зрении, обеспечивая более стабильное обучение и быструю сходимость.

Сравнение производительности и метрик#

На широко используемом наборе данных COCO обе модели показывают высокие результаты, но YOLO26 превосходит YOLOv9 по точности и скорости инференса на T4 при любом размере модели, сохраняя сопоставимое число параметров.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Анализ результатов#

  • Скорость и эффективность: Благодаря архитектуре без NMS и упрощённой голове детектора YOLO26n обеспечивает инференс на CPU до 43% быстрее, чем YOLO11n. На GPU NVIDIA T4 модель YOLO26n выполняет инференс за 1.7 ms с помощью TensorRT, что делает её отличным выбором для потокового видео в реальном времени.
  • Точность: Модель YOLO26x достигает 57.5 mAP, превосходя крупнейшую модель YOLOv9e при меньшей задержке.
  • Требования к памяти: Модели Ultralytics известны своей эффективностью. Для обучения модели и инференса YOLO26 требуется значительно меньше памяти CUDA, чем сложным моделям компьютерного зрения на основе Transformer, поэтому разработчики могут использовать большие размеры пакетов на потребительском оборудовании.

Экосистема, простота использования и универсальность#

Одно из главных преимуществ экосистемы Ultralytics — удобство работы. Исследователям, использующим кодовую базу YOLOv9 на GitHub, приходится разбираться в сложной настройке среды и писать скрипты вручную. YOLO26 же полностью интегрирована в интуитивно понятный API Ultralytics для Python.

Пример упрощенного API#

Чтобы обучить модель YOLO26, достаточно нескольких строк кода на Python:

from ultralytics import YOLO

# Загрузи новейшую встроенную сквозную модель YOLO26
model = YOLO("yolo26s.pt")

# Обучи модель; optimizer="auto" выбирает MuSGD для длительных запусков (>10k итераций)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Экспортируй модель напрямую в формат ONNX одной командой
model.export(format="onnx")

Универсальность в решении задач#

В отличие от YOLOv9, которая предназначена преимущественно для стандартного обнаружения объектов, YOLO26 изначально поддерживает все семь задач компьютерного зрения Ultralytics, включая семантическую сегментацию и оценку глубины. Архитектура содержит специальные улучшения для разных приложений:

  • Сегментация экземпляров: Добавлены функция потерь для семантической сегментации и многомасштабный модуль прототипов, обеспечивающие более качественные маски.
  • Классификация изображений: Надежная классификация целых изображений по стандартам ImageNet.
  • Оценка позы: Для более точной локализации ключевых точек используется оценка остаточного логарифмического правдоподобия (RLE).
  • Ориентированные ограничивающие рамки (OBB): Используется специальная функция потерь для угла, устраняющая проблемы на границах при обнаружении повёрнутых объектов на аэрофотоснимках.
Интегрированная экосистема

Все модели YOLO26 интегрированы с платформой Ultralytics, которая предлагает встроенную разметку наборов данных, облачное обучение и конвейеры развёртывания.

Применение в реальных условиях#

Выбор между этими моделями часто зависит от среды, в которой их будут развертывать.

IoT и периферийная робототехника#

Для робототехники, автономных дронов и устройств умного дома с IoT YOLO26 — более удачный выбор. ProgLoss + STAL улучшают обнаружение мелких объектов, что критически важно для мониторинга сельскохозяйственных угодий с помощью дронов на большой высоте. Благодаря инференсу на CPU, который у YOLO26n выполняется до 43% быстрее, чем у YOLO11n, и архитектуре без NMS YOLO26 стабильно работает на оборудовании без выделенных GPU.

Академические исследования и анализ градиентов#

YOLOv9 по-прежнему пользуется уважением в академических кругах. Исследователи, изучающие теоретические пределы распространения градиентов, и те, кто хочет создавать собственные слои PyTorch на основе концепции PGI, могут использовать кодовую базу YOLOv9 как хорошую основу для изучения теории глубокого обучения.

Высокоскоростные производственные конвейеры#

В промышленных задачах, например при автоматизированном обнаружении дефектов на высокоскоростных конвейерах, высокая скорость моделей YOLO26 с TensorRT помогает избежать пропуска кадров и максимально увеличить пропускную способность систем контроля качества.

Сценарии использования и рекомендации#

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

Когда выбирать YOLOv9#

YOLOv9 — хороший выбор для:

  • 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 YOLO26#

YOLO26 рекомендуется для:

  • Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды только с CPU: Устройства без выделенного ускорения GPU, где инференс YOLO26 на CPU — до 43% быстрее (YOLO26n против YOLO11n), что даёт решающее преимущество.
  • Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Заключение#

Обе модели стали важным шагом вперёд для сообщества открытого исходного кода. YOLOv9 привнесла важные теоретические улучшения в распространение градиентов, которые продолжают влиять на новые архитектуры. Однако разработчикам, стартапам и корпоративным командам, которым нужен баланс скорости, точности и простоты развёртывания, мы однозначно рекомендуем Ultralytics YOLO26.

Благодаря инференсу без NMS, оптимизатору MuSGD и инструментам для обнаружения объектов, сегментации, оценки позы и других задач YOLO26 даёт проектам компьютерного зрения надёжную основу с качественной поддержкой.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.