YOLOv9 против YOLOv5#

Область компьютерного зрения демонстрирует стремительный рост, а обнаружение объектов служит основой для бесчисленных промышленных и исследовательских приложений. Выбор подходящей архитектуры часто требует тщательной оценки средней точности (mAP), скорости инференса и потребления памяти. В этом сравнении мы рассмотрим две чрезвычайно влиятельные модели: YOLOv9, известную архитектурными прорывами в сохранении градиентной информации, и Ultralytics YOLOv5 — проверенный временем отраслевой стандарт, известный невероятной простотой использования и непревзойдённой универсальностью развёртывания.

Архитектурные инновации и техническое происхождение#

Понимание внутренних механизмов этих двух моделей даёт важный контекст для оценки особенностей их производительности.

YOLOv9: программируемая информация о градиентах#

YOLOv9, разработанная исследователями Чиен-Яо Вангом и Хун-Юань Марком Ляо из Института информатики Академии Синика на Тайване, была выпущена 21 февраля 2024 года. Модель внедряет две революционные концепции для решения проблемы информационного узкого места, характерной для глубоких нейронных сетей: программируемую градиентную информацию (PGI) и обобщённую эффективную сеть агрегации слоёв (GELAN).

Используя PGI, YOLOv9 обеспечивает сохранение жизненно важной информации на протяжении всего прямого прохода, что приводит к высокоточным обновлениям градиентов. В то же время архитектура GELAN максимально повышает эффективность использования параметров, позволяя модели достигать передовой точности при удивительно низких вычислительных затратах. Технические подробности можно изучить в официальной статье YOLOv9 на Arxiv или в репозитории YOLOv9 на GitHub.

Узнай больше о YOLOv9

Ultralytics YOLOv5: производственный стандарт#

Автором YOLOv5 является Гленн Йохер; Ultralytics выпустила модель 26 июня 2020 года, что произвело революцию в доступности компьютерного зрения. Будучи одной из первых моделей обнаружения объектов, изначально созданных на фреймворке PyTorch, она избавилась от сложностей старого C-фреймворка Darknet. YOLOv5 использует высокооптимизированный бэкбон CSPNet и шейю PANet, обеспечивая плавный баланс между скоростью и точностью.

Однако главным достижением стала интеграция модели в более широкую экосистему Ultralytics. YOLOv5 тщательно оптимизирована для быстрой эффективности обучения и работы в средах с небольшим объёмом памяти, что делает её исключительно стабильной при развёртывании на периферийных устройствах.

Анализ производительности: скорость против точности#

При проектировании конвейера компьютерного зрения разработчикам необходимо учитывать компромисс между точностью и задержкой. В следующей таблице показаны различия в производительности на стандартном наборе данных COCO.

Анализ компромиссов#

YOLOv9 демонстрирует абсолютное превосходство по необработанной точности. YOLOv9e поднимает mAP до 55,6 %, используя свои слои GELAN для сохранения мелких деталей. Это делает модель исключительным выбором для медицинской визуализации и сценариев, требующих высокой точности при работе с небольшими объектами.

В свою очередь, YOLOv5 превосходит другие модели по необработанной скорости развёртывания и гибкости оборудования. YOLOv5n (Nano) отличается чрезвычайной лёгкостью и выполняет инференс всего за 1,12 мс на GPU T4 с использованием TensorRT. Если ты разворачиваешь модель на устройствах IoT с ограниченными ресурсами, мобильных телефонах или Raspberry Pi, небольшой объём памяти YOLOv5 делает её исключительно надёжной.

Преимущества экосистемы Ultralytics#

Важный фактор при выборе модели — окружающая программная экосистема. Хотя YOLOv9 предоставляет передовые исследовательские результаты, использование обеих моделей через современный Ultralytics Python API устраняет разрыв и обеспечивает разработчикам единый и удобный рабочий процесс.

Простота использования и экспорт#

Ultralytics абстрагирует сложные инженерные задачи. Такие функции, как автоматическое расширение данных и настройка гиперпараметров, доступны из коробки. Перевод моделей в production столь же прост: встроенные команды экспорта преобразуют модели в форматы ONNX, OpenVINO или TFLite.

Универсальность задач#

Хотя обе модели отлично справляются с задачей обнаружения объектов, современные модели Ultralytics созданы для решения самых разных задач компьютерного зрения. Более широкий фреймворк обеспечивает встроенную поддержку классификации изображений, сегментации экземпляров, оценки позы и ориентированных ограничивающих рамок (OBB), позволяя разработчикам решать несколько задач компьютерного зрения без смены кодовой базы.

Варианты применения и рекомендации#

Выбор между YOLOv9 и YOLOv5 зависит от конкретных требований проекта, ограничений развёртывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOv9#

YOLOv9 — хороший выбор для:

• Исследований информационного узкого места: академических проектов, изучающих архитектуры Programmable Gradient Information (PGI) и Generalized Efficient Layer Aggregation Network (GELAN).
• Исследований оптимизации потока градиентов: работ, посвященных пониманию и устранению потери информации в слоях глубоких сетей во время обучения.
• Сравнительного тестирования обнаружения с высокой точностью: сценариев, где высокие результаты YOLOv9 на тесте COCO нужны как эталон для архитектурных сравнений.

Когда стоит выбрать YOLOv5#

YOLOv5 рекомендуется для:

• Проверенных производственных систем: существующих развертываний, где важны длительная история стабильной работы YOLOv5, обширная документация и огромная поддержка сообщества.
• Обучения при ограниченных ресурсах: сред с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и более низкие требования к памяти дают преимущества.
• Широкой поддержки форматов экспорта: проектов, требующих развертывания во множестве форматов, включая ONNX, TensorRT, CoreML и TFLite.

Когда выбирать Ultralytics (YOLO26)#

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

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Пример реализации#

Преимущество экосистемы Ultralytics в том, что ты можешь переключаться между моделью YOLOv5 и моделью YOLOv9, просто изменив строку с весами.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model (swap to "yolov5s.pt" to use YOLOv5)
model = YOLO("yolov9c.pt")

# Train the model efficiently on a custom dataset
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on new images
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")

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

Изучение новых архитектур#

Хотя YOLOv5 и YOLOv9 — превосходные модели с различными преимуществами, область продолжает развиваться. Пользователям, начинающим новые проекты, также стоит оценить последние итерации от Ultralytics.

• YOLO11: мощная усовершенствованная модель, развивающая направление YOLOv8 и обеспечивающая превосходный баланс скорости и точности во всех задачах компьютерного зрения.
• YOLO26: выпущенная в 2026 году, YOLO26 — оптимальный выбор для современных конвейеров. Она внедряет сквозную архитектуру без NMS, полностью устраняя узкие места постобработки. Благодаря удалению DFL (Distribution Focal Loss удалена для упрощения экспорта и повышения совместимости с периферийными устройствами и устройствами с низким энергопотреблением) модель обеспечивает до 43 % более быстрый инференс на CPU. Стабильность обучения значительно повышается благодаря новому оптимизатору MuSGD, а ProgLoss + STAL обеспечивают улучшенные функции потерь с заметным повышением качества распознавания небольших объектов, что особенно важно для IoT, робототехники и аэрофотосъёмки, делая эту архитектуру наиболее надёжной как для периферийных, так и для облачных развёртываний.

Для команд, работающих с большими наборами данных и сложными конвейерами развёртывания, Ultralytics Platform предлагает решение без кода для удобного обучения, отслеживания и развёртывания этих передовых моделей.