YOLOv9 против YOLOv5#
Область компьютерного зрения переживает колоссальный рост, причем обнаружение объектов выступает основой для бесчисленных промышленных и исследовательских приложений. Выбор правильной архитектуры часто требует тщательной оценки среднего значения точности (mAP), скорости инференса и накладных расходов памяти. В этом сравнении мы исследуем две очень влиятельные модели: YOLOv9, известную своими архитектурными прорывами в сохранении градиентной информации, и Ultralytics YOLOv5, проверенный в боях отраслевой стандарт, известный своей невероятной простотой использования и непревзойденной универсальностью развертывания.
Архитектурные инновации и техническое происхождение#
Понимание базовых механизмов работы этих двух моделей дает критически важный контекст для оценки их профилей производительности.
YOLOv9: программируемая градиентная информация#
Разработанная исследователями Чиен-Яо Ваном и Хонг-Юань Марком Ляо из Института информационных наук Academia Sinica на Тайване, YOLOv9 была выпущена 21 февраля 2024 года. Модель представляет две прорывные концепции для устранения «узкого места» информации, типичного для глубоких нейронных сетей: программируемую градиентную информацию (PGI) и обобщенную сеть агрегации эффективных слоев (GELAN).
Используя PGI, YOLOv9 гарантирует сохранение жизненно важной информации на протяжении всего процесса прямой передачи, что приводит к высокоточным обновлениям градиента. Между тем, архитектура GELAN максимизирует эффективность параметров, позволяя модели достигать передовой точности с удивительно низкими вычислительными накладными расходами. Ты можешь изучить технические детали в официальной статье YOLOv9 на Arxiv или посмотреть репозиторий YOLOv9 на GitHub.
Ultralytics YOLOv5: производственный стандарт#
Созданная Гленном Джочером и выпущенная Ultralytics 26 июня 2020 года, YOLOv5 произвела революцию в доступности компьютерного зрения. Будучи одной из первых моделей обнаружения объектов, созданных нативно на фреймворке PyTorch, она обошла сложности старого C-фреймворка Darknet. YOLOv5 использует высокооптимизированный бэкбон CSPNet и шею PANet, уделяя первостепенное внимание плавному балансу между скоростью и точностью.
Однако ее главным достижением является интеграция в более широкую экосистему Ultralytics. YOLOv5 сильно оптимизирована для быстрой эффективности обучения и сред с низким объемом памяти, что делает ее невероятно стабильной для развертывания на периферийных устройствах.
При оценке моделей для периферийных устройств помни, что модели Ultralytics YOLO обычно требуют значительно меньше памяти GPU как во время обучения, так и во время инференса по сравнению с тяжелыми архитектурами на базе Transformer.
Анализ производительности: скорость против точности#
При проектировании конвейера компьютерного зрения разработчики должны сопоставить компромиссы между точностью и задержкой. Следующая таблица иллюстрирует различия в производительности на стандартном наборе данных COCO.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (М) | FLOPs (Б) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
Анализ компромиссов#
YOLOv9 устанавливает абсолютное доминирование в сырой точности. Модель YOLOv9e раздвигает границы mAP до 55.6%, используя свои слои GELAN для сохранения мелкозернистых деталей. Это делает ее исключительным выбором для медицинской визуализации или сценариев, требующих строгой точности на мелких объектах.
И наоборот, YOLOv5 блистает своей сырой скоростью развертывания и гибкостью оборудования. YOLOv5n (Nano) отличается невероятной легкостью, выполняя инференсы всего за 1.12 мс на GPU T4 через TensorRT. Если ты выполняешь развертывание на ограниченных IoT-устройствах, мобильных телефонах или Raspberry Pi, объем памяти YOLOv5 делает ее чрезвычайно надежной.
Преимущества экосистемы Ultralytics#
Серьезным соображением при выборе модели является окружающая экосистема программного обеспечения. Хотя YOLOv9 предоставляет исследовательские бенчмарки высшего уровня, использование обеих моделей через современный API Python от Ultralytics сглаживает разницу, предлагая разработчикам унифицированный и оптимизированный опыт.
Простота использования и экспорт#
Ultralytics абстрагирует сложные инженерные препятствия. Такие функции, как автоматическая аугментация данных и настройка гиперпараметров, обрабатываются «из коробки». Перенос моделей в производство так же тривиален благодаря встроенным командам экспорта для конвертации моделей в форматы ONNX, OpenVINO или TFLite.
Универсальность задач#
Хотя обе модели превосходны в обнаружении объектов, современные модели Ultralytics созданы для решения различных задач компьютерного зрения. Более широкий фреймворк обеспечивает нативную поддержку классификации изображений, сегментации экземпляров, оценки позы и ориентированных ограничивающих рамок (OBB), позволяя разработчикам решать несколько задач компьютерного зрения без переключения кодовых баз.
Сценарии использования и рекомендации#
Выбор между YOLOv9 и YOLOv5 зависит от твоих конкретных требований к проекту, 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 YOLOv5#
YOLOv5 рекомендуется для:
- Проверенных производственных систем: существующих развертываний, где ценятся долгая история стабильности YOLOv5, обширная документация и огромная поддержка сообщества.
- Обучения с ограниченными ресурсами: сред с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и более низкие требования к памяти являются преимуществом.
- Широкая поддержка форматов экспорта: Проекты, требующие развертывания во многих форматах, включая ONNX, TensorRT, CoreML и TFLite.
Когда выбирать Ultralytics (YOLO26)#
Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для разработчика:
- 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.
Пример реализации#
Прелесть экосистемы Ultralytics в том, что ты можешь переключаться между моделью YOLOv5 и YOLOv9, просто изменив строку весов.
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 более новых архитектур#
Хотя YOLOv5 и YOLOv9 — отличные модели с уникальными преимуществами, область продолжает развиваться. Пользователям, изучающим новые проекты, также стоит оценить последние итерации от Ultralytics.
- YOLO11: Мощная, усовершенствованная эволюция линейки YOLOv8, предлагающая отличный баланс скорости и точности для всех задач компьютерного зрения.
- YOLO26: Выпущенная в 2026 году, YOLO26 является абсолютной рекомендацией для современных конвейеров. Она представляет сквозной дизайн без NMS, полностью устраняя узкие места постобработки. Благодаря удалению DFL (Distribution Focal Loss удален для упрощенного экспорта и лучшей совместимости с периферийными/маломощными устройствами) она достигает до 43% более быстрого инференса на CPU. Стабильность обучения усилена с помощью нового оптимизатора MuSGD, а ProgLoss + STAL обеспечивает улучшенные функции потерь с заметными улучшениями в распознавании мелких объектов, что критически важно для IoT, робототехники и аэрофотоснимков, делая ее самой надежной архитектурой как для периферийного, так и для облачного развертывания.
Для команд, управляющих крупными наборами данных и сложными конвейерами развертывания, использование платформы Ultralytics предлагает решение без кода для обучения, отслеживания и легкого развертывания этих передовых моделей.