YOLOv9 и YOLOv5
Компьютерное зрение стремительно развивается, а обнаружение объектов лежит в основе множества промышленных и исследовательских приложений. Для выбора подходящей архитектуры нужно тщательно оценить среднюю точность (mAP), скорость инференса и накладные расходы на память. В этом сравнении рассматриваются две влиятельные модели: YOLOv9, известная архитектурными усовершенствованиями в сохранении информации о градиентах, и Ultralytics YOLOv5 — проверенная в боях и широко используемая модель, известная простотой применения и универсальностью развертывания.
Архитектурные инновации и техническое происхождение#
Понимание принципов работы этих моделей помогает разобраться в особенностях их производительности.
YOLOv9: программируемая информация о градиентах#
YOLOv9, разработанная исследователями Чиен-Яо Вангом и Хун-Юань Марком Ляо из Института информационных наук Академии Синика на Тайване, вышла 21 февраля 2024 года. Модель предлагает два новых подхода к решению проблемы информационного бутылочного горлышка, характерной для глубоких нейронных сетей: программируемую информацию о градиентах (PGI) и обобщенную эффективную сеть агрегации слоев (GELAN).
Благодаря PGI YOLOv9 сохраняет важную информацию в процессе прямого распространения, что позволяет надежнее обновлять градиенты. Архитектура GELAN тем временем максимально эффективно использует параметры, помогая модели добиваться высокой точности при низких вычислительных затратах. Технические подробности можно найти в официальной статье о YOLOv9 на arXiv или репозитории YOLOv9 на GitHub.
Ultralytics YOLOv5: промышленный стандарт#
Созданная Гленном Джочером и выпущенная Ultralytics 26 июня 2020 года, YOLOv5 сделала компьютерное зрение гораздо доступнее. Одна из первых моделей обнаружения объектов, изначально построенных на базе фреймворка PyTorch, она избавила разработчиков от сложностей старого фреймворка Darknet на C. В YOLOv5 используются основа на базе CSPNet и шейка PANet, что обеспечивает баланс скорости и точности.
Однако ее главное преимущество — интеграция в широкую экосистему Ultralytics. YOLOv5 оптимизирована для быстрого обучения и работы в условиях ограниченной памяти, что делает модель надежным решением для развертывания на периферийных устройствах.
При выборе моделей для периферийных устройств помни: модели Ultralytics YOLO обычно требуют значительно меньше памяти GPU и при обучении, и при инференсе, чем ресурсоёмкие архитектуры на базе Transformer.
Анализ производительности: скорость и точность#
При разработке конвейера компьютерного зрения необходимо найти баланс между точностью и задержкой. В таблице ниже представлены различия в производительности на стандартном наборе данных COCO.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Анализ компромиссов#
YOLOv9 обеспечивает более высокую точность: при каждом размере в таблице ее mAP выше, чем у YOLOv5. YOLOv9e достигает 55.6% mAP, используя слои GELAN для сохранения мелких деталей, поэтому она отлично подходит для медицинской визуализации и сценариев, требующих высокой точности при обнаружении мелких объектов.
В свою очередь, YOLOv5 обеспечивает более высокую скорость на GPU и гибкость в выборе оборудования. YOLOv5n (Nano) очень легкая: инференс занимает всего 1.12 мс на GPU T4 с помощью TensorRT. Если ты развертываешь модель на IoT-устройствах с ограниченными ресурсами, мобильных телефонах или Raspberry Pi, малый объем памяти, необходимый YOLOv5, делает ее надежным решением.
Преимущества экосистемы Ultralytics#
При выборе модели важно учитывать окружающую программную экосистему. YOLOv9 демонстрирует передовые результаты в исследованиях, а использование обеих моделей через современный Python API Ultralytics сокращает разрыв, предоставляя разработчикам унифицированную и упрощенную среду.
Простота использования и экспорт#
Ultralytics берет на себя сложные инженерные задачи. Например, автоматические аугментация данных и настройка гиперпараметров доступны сразу. Перенос моделей в промышленную среду тоже прост: встроенные команды экспорта позволяют преобразовать модели в форматы ONNX, OpenVINO или LiteRT.
Универсальность в решении задач#
Обе модели отлично справляются с обнаружением объектов, но современные модели Ultralytics созданы для решения самых разных задач компьютерного зрения. Широкий фреймворк изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB), позволяя разработчикам решать несколько задач компьютерного зрения, не переключаясь между кодовыми базами.
Сценарии использования и рекомендации#
Выбор между YOLOv9 и YOLOv5 зависит от требований конкретного проекта, ограничений развёртывания и предпочтений относительно 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 стоит выбрать YOLOv5#
YOLOv5 рекомендуется для следующих задач:
- Проверенные промышленные системы: Существующие развертывания, где важны долгий опыт стабильной работы YOLOv5, обширная документация и большое сообщество.
- Обучение при ограниченных ресурсах: среды с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и сниженные требования к памяти дают преимущество.
- Широкая поддержка форматов экспорта: Для проектов, требующих развертывания во множестве форматов, включая ONNX, TensorRT, CoreML и LiteRT.
Когда выбирать Ultralytics (YOLO26)#
Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:
- Развертывание на периферийных устройствах без NMS: приложения, которым нужен стабильный инференс с низкой задержкой без сложной постобработки методом подавления немаксимумов (NMS).
- Среды, работающие только на CPU: устройства без выделенного ускорения на GPU, на которых преимущество YOLO26n особенно заметно: инференс на CPU выполняется до 43% быстрее, чем у YOLO11n.
- Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.
Пример реализации#
С экосистемой Ultralytics переключиться между моделями YOLOv5 и YOLOv9 можно, просто изменив строку с именем весов.
from ultralytics import YOLO
# Загрузи предварительно обученную модель YOLOv9 (замени на «yolov5su.pt», чтобы использовать YOLOv5u)
model = YOLO("yolov9c.pt")
# Эффективное обучение модели на пользовательском наборе данных
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Выполни инференс на новых изображениях
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")
# Экспортируй в ONNX для развертывания
model.export(format="onnx")Знакомство с новыми архитектурами#
YOLOv5 и YOLOv9 — отличные модели с разными преимуществами, однако область компьютерного зрения продолжает развиваться. Если ты начинаешь новый проект, стоит также оценить новейшие модели Ultralytics.
- YOLO11: Усовершенствованная модель линейки YOLOv8, обеспечивающая превосходный баланс скорости и точности во всех задачах компьютерного зрения.
- YOLO26: Выпущенная в январе 2026 года YOLO26 рекомендуется для новых конвейеров. Она поддерживает опциональную сквозную архитектуру без NMS (
nms=False), которая устраняет узкие места постобработки NMS. Благодаря удалению DFL (Distribution Focal Loss), упрощающему экспорт и повышающему совместимость с периферийными устройствами и устройствами с низким энергопотреблением, YOLO26n обеспечивает инференс на CPU до 43% быстрее, чем YOLO11n. Оптимизатор MuSGD повышает стабильность обучения, а ProgLoss + STAL (прогрессивная функция потерь и назначение меток с учетом малых объектов) улучшает обнаружение мелких объектов в IoT, робототехнике и аэрофотосъемке — как при развертывании на периферийных устройствах, так и в облаке.
Для команд, работающих с большими наборами данных и сложными конвейерами развертывания, платформа Ultralytics предлагает обучение, отслеживание и развертывание этих моделей без написания кода.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.