YOLOv9 и YOLOv5#

Область компьютерного зрения стремительно развивается, а обнаружение объектов лежит в основе множества 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 весьма влиятельные модели: YOLOv9, известную архитектурными прорывами в сохранении информации о градиентах, и Ultralytics YOLOv5 — проверенный временем отраслевой стандарт, который отличается исключительной простотой использования и непревзойдённой универсальностью при развёртывании.

Архитектурные инновации и техническое происхождение#

Понимание принципов работы этих моделей помогает разобраться в особенностях их производительности.

YOLOv9: программируемая информация о градиентах#

YOLOv9 разработали исследователи Чиен-Яо Ван и Хун-Юань Марк Ляо из Института информатики Академии Синика на Тайване. Модель выпустили 21 февраля 2024 года. В ней представлены две революционные концепции, призванные решить проблему узкого места, связанного с потерей информации в глубоких нейронных сетях: программируемая информация о градиентах (PGI) и обобщённая эффективная сеть агрегации слоёв (GELAN).

Используя PGI, YOLOv9 сохраняет важную информацию на протяжении прямого прохода, что позволяет значительно повысить точность обновления градиентов. Архитектура GELAN, в свою очередь, повышает эффективность использования параметров и помогает модели достигать передовой точности при удивительно низких вычислительных затратах. Подробнее о технических особенностях можно узнать в официальной статье YOLOv9 на Arxiv или в репозитории YOLOv9 на GitHub.

Подробнее о YOLOv9

Ultralytics YOLOv5: промышленный стандарт#

YOLOv5 создал Гленн Джочер, а компания Ultralytics выпустила её 26 июня 2020 года, сделав компьютерное зрение доступнее. Будучи одной из первых моделей обнаружения объектов, изначально созданных на платформе PyTorch, она избавила пользователей от сложностей устаревшего языка C во фреймворке Darknet. В YOLOv5 используются тщательно оптимизированная основа CSPNet и шея PANet, что позволяет эффективно сочетать скорость и точность.

Однако главное достижение модели — её интеграция в широкую экосистему Ultralytics. YOLOv5 тщательно оптимизирована для высокой эффективности обучения и работы в условиях ограниченной памяти, что делает её исключительно надёжной при развёртывании на периферийных устройствах.

Анализ производительности: скорость и точность#

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

Анализ компромиссов#

YOLOv9 безоговорочно лидирует по точности. YOLOv9e повышает mAP до 55,6%, используя слои GELAN для сохранения мелких деталей. Благодаря этому модель отлично подходит для медицинской визуализации и сценариев, где требуется высокая точность обнаружения небольших объектов.

YOLOv5, напротив, выделяется высокой скоростью развёртывания и широкой аппаратной совместимостью. YOLOv5n (Nano) славится малым размером и выполняет инференс всего за 1,12 мс на GPU T4 с помощью TensorRT. Если ты развёртываешь модель на устройствах IoT с ограниченными ресурсами, мобильных телефонах или Raspberry Pi, небольшой объём памяти, занимаемый YOLOv5, обеспечивает исключительную надёжность.

Преимущества экосистемы Ultralytics#

При выборе модели важно учитывать и сопутствующую программную экосистему. YOLOv9 показывает отличные результаты в исследовательских тестах, однако использование обеих моделей через современный Python API Ultralytics сокращает разрыв между ними и обеспечивает разработчикам единый, упрощённый рабочий процесс.

Простота использования и экспорт#

Ultralytics упрощает сложные инженерные задачи. Такие функции, как автоматическая аугментация данных и настройка гиперпараметров, доступны сразу. Перенести модели в производственную среду так же просто: встроенные команды экспорта преобразуют модели в форматы ONNX, OpenVINO и LiteRT.

Универсальность в решении задач#

Обе модели отлично справляются с обнаружением объектов, однако современные модели Ultralytics рассчитаны на решение самых разных задач компьютерного зрения. Платформа изначально поддерживает классификацию изображений, сегментацию экземпляров, оценку позы и ориентированные ограничивающие рамки (OBB). Это позволяет разработчикам решать разные задачи компьютерного зрения, не переходя на другие кодовые базы.

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 производственные системы: существующие развертывания, где ценятся длительная история стабильной работы YOLOv5, подробная документация и поддержка большого сообщества.
• 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: проекты, требующие 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 необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
• Среды только с CPU: Устройства без выделенного ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Пример реализации#

Преимущество экосистемы Ultralytics в том, что для переключения между моделями YOLOv5 и YOLOv9 достаточно изменить 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")

# Экспорт в ONNX для беспроблемного 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: Мощная, усовершенствованная модель из линейки YOLOv8, обеспечивающая превосходный баланс скорости и точности для всех задач компьютерного зрения.
• YOLO26: Выпущенная в 2026 году YOLO26 — оптимальный выбор для современных конвейеров. В модели предусмотрена опциональная сквозная архитектура без NMS (nms=False), которая устраняет узкие места постобработки NMS. Благодаря удалению DFL (Distribution Focal Loss удалена, что упрощает экспорт и повышает совместимость с периферийными устройствами и маломощным оборудованием) скорость инференса на CPU повышается до 43%. Новый оптимизатор MuSGD значительно повышает стабильность обучения, а ProgLoss + STAL (прогрессивная функция потерь и назначение меток с учётом небольших объектов) заметно улучшают распознавание мелких объектов, что важно для IoT, робототехники и аэросъёмки. Благодаря этому модель отлично подходит для развёртывания и на периферийных устройствах, и в облаке.

Командам, работающим с большими наборами данных и сложными конвейерами развёртывания, платформа Ultralytics предлагает решение без кода для удобного обучения, отслеживания и развёртывания этих передовых моделей.