Начать

YOLOv9 и YOLOv8

За последние годы ландшафт компьютерного зрения в реальном времени быстро изменился: каждая новая модель расширяет возможности периферийных устройств и облачных серверов. Сравнивая новую архитектуру YOLOv9 с популярной платформой Ultralytics YOLOv8, разработчики часто выбирают между новыми исследованиями градиентных путей и проверенной в боях экосистемой, готовой к промышленному использованию.

В этом руководстве сравниваются две модели: анализируются их архитектурные новшества, показатели производительности и оптимальные сценарии развертывания, чтобы помочь тебе выбрать подходящую модель для следующего проекта в области искусственного интеллекта.

Технические характеристики и авторы#

Знание истории создания этих моделей помогает лучше понять причины, повлиявшие на выбор архитектурных решений.

YOLOv9 Модель YOLOv9, созданная Чиен-Яо Вангом и Хун-Юань Марком Ляо из Института информационных наук Академии Синика на Тайване, вышла 21 февраля 2024 года. Основная цель исследования — устранить информационное бутылочное горлышко в глубоких нейронных сетях. Ознакомься с оригинальной научной статьей о YOLOv9 на arXiv или посмотри исходный код в официальном репозитории YOLOv9 на GitHub.

Подробнее о YOLOv9

Ultralytics YOLOv8 Модель YOLOv8, разработанная Гленном Джочером, Аюшом Чаурасией и Цзин Цю из Ultralytics, вышла 10 января 2023 года. Она стала отраслевым стандартом благодаря универсальности и единому API для широкого спектра задач компьютерного зрения. Исходный код поддерживается в основном репозитории Ultralytics на GitHub, что обеспечивает постоянное обновление и долгосрочную стабильность.

Архитектурные инновации#

YOLOv9: программируемая информация о градиентах#

Главная особенность YOLOv9 — внедрение программируемой информации о градиентах (PGI) и обобщенной эффективной сети агрегации слоев (GELAN). По мере углубления сверточных нейронных сетей в процессе прямого распространения обычно теряется важная информация о признаках. PGI устраняет это информационное бутылочное горлышко, сохраняя точные градиенты, используемые для обновления весов, и обеспечивая надежное извлечение признаков. Эта архитектура максимально эффективно использует параметры, позволяя YOLOv9 достигать высокой точности при меньшем количестве операций с плавающей запятой (FLOPs).

YOLOv8: универсальная рабочая модель#

В YOLOv8 появился упрощенный механизм обнаружения без якорей, который сокращает число предсказаний рамок и ускоряет подавление немаксимумов (NMS) на этапе постобработки. Модуль C2f (узкое место с частичными связями между этапами и двумя свертками) улучшает распространение градиентов по сети по сравнению с более старыми моделями. Что еще важнее, YOLOv8 изначально создавалась с расчетом на универсальность и поддерживает обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и извлечение ориентированных ограничивающих рамок (OBB).

Интеграция в экосистему

Несмотря на высокие показатели обнаружения, YOLOv9 бывает сложно встроить в сложные конвейеры. Использование YOLOv9 через фреймворк Ultralytics устраняет эту проблему и дает доступ к инструментам экспорта и развертывания Ultralytics.

Баланс производительности и бенчмарки#

При развертывании моделей компьютерного зрения важнее всего найти баланс между скоростью и точностью. Ниже приведено подробное сравнение размеров моделей, задержки и средней точности (mAP), рассчитанной на стандартном наборе данных COCO.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

По метрикам видно, что YOLOv9 обеспечивает высокое соотношение числа параметров к точности: при каждом размере ее mAP выше, чем у YOLOv8. Модель YOLOv9c достигает 53.0% mAP всего с 25.5M параметров. Однако на GPU YOLOv8 быстрее при большинстве размеров: вариант YOLOv8n выполняется за 1.47 мс в конфигурации с NVIDIA TensorRT.

Преимущества экосистемы Ultralytics#

При выборе архитектуры важно учитывать простоту использования и окружающую программную экосистему. Управление зависимостями, написание собственных загрузчиков данных и создание сложных скриптов экспорта могут замедлить разработку. Интегрированная экосистема Ultralytics берет эти задачи на себя.

Выбрав YOLOv8 или YOLOv9 (модель полностью поддерживается библиотекой Ultralytics), ты получаешь единый API, автоматические методы аугментации данных и упрощенный экспорт в формат ONNX. Архитектуры Ultralytics также эффективно обучаются и не требуют больших объемов памяти CUDA, характерных для крупных моделей на основе Transformer.

Пример кода для обучения#

Обучать любую из моделей через Python API просто: для этого достаточно нескольких строк кода.

from ultralytics import YOLO

# Загрузи нужную модель (при необходимости замени «yolov9c.pt» на «yolov8n.pt»)
model = YOLO("yolov8n.pt")

# Обучи модель на собственном датасете
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Оцени метрики производительности модели
metrics = model.val()

# Экспортируй модель в ONNX для развёртывания в production
model.export(format="onnx")

Сценарии использования и рекомендации#

Выбор между YOLOv9 и YOLOv8 зависит от конкретных требований 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 выбрать YOLOv8#

YOLOv8 подойдет для:

  • Универсальное развёртывание для нескольких задач: Проекты, которым нужна проверенная модель для обнаружения объектов, сегментации, классификации и оценки позы в экосистеме Ultralytics.
  • Уже работающие системы: существующие промышленные среды, построенные на архитектуре YOLOv8 и использующие стабильные, тщательно проверенные конвейеры развертывания.
  • Широкая поддержка сообщества и экосистемы: приложения, которым помогают многочисленные руководства по YOLOv8, сторонние интеграции и активное сообщество.

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 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.

Взгляд в будущее: появление YOLO26#

И YOLOv8, и YOLOv9 — эффективные модели, но область компьютерного зрения развивается стремительно. Для современных развертываний Ultralytics рекомендует Ultralytics YOLO26, выпущенную в январе 2026 года.

YOLO26 меняет подход к работе детекторов объектов в промышленной среде. Модель поддерживает встроенную сквозную архитектуру без NMS (опционально через nms=False), устраняющую задержку и нестабильность постобработки NMS. Для лучшей поддержки периферийного оборудования и устройств с низким энергопотреблением в YOLO26 убран DFL (Distribution Focal Loss), что упрощает экспорт для мобильных устройств.

Для обучения YOLO26 использует оптимизатор MuSGD — гибрид SGD и Muon, который переносит стабильность обучения из LLM в задачи компьютерного зрения и ускоряет сходимость. Благодаря инференсу на CPU до 43% быстрее (YOLO26n по сравнению с YOLO11n) и ProgLoss + STAL (прогрессивная функция потерь и назначение меток с учетом малых объектов), улучшающим обнаружение мелких объектов, YOLO26 рекомендуется для новых корпоративных проектов.

Альтернативные архитектуры

В зависимости от ограничений оборудования тебе может быть интересно сравнить эти модели с Ultralytics YOLO11, подходящей для сбалансированных задач общего назначения, или изучить модели на основе Transformer, например RT-DETR, для специализированных исследований, требующих высокой точности.

Примеры применения в реальных условиях#

Выбор между YOLOv8 и YOLOv9 во многом зависит от ограничений проекта и целевого оборудования.

  • Здравоохранение и медицинская визуализация: Когда важен каждый пиксель, например в системах обнаружения опухолей, архитектура GELAN в YOLOv9 помогает сохранять мелкие детали, что может снизить число ложноотрицательных результатов при постановке критически важных диагнозов.
  • Розничная торговля и аналитика запасов: Для интеллектуальных систем супермаркетов, отслеживающих товары на плотно заставленных полках, YOLOv9 обеспечивает необходимый уровень mAP для надёжного разделения перекрывающихся объектов.
  • Умные города и мониторинг дорожного движения: При высокой интенсивности логистики и управления дорожным движением низкая задержка и проверенная надежность YOLOv8 делают модель оптимальным решением для одновременного отслеживания автомобилей по потокам с нескольких камер.
  • Развертывание на периферийных устройствах: Если ты развертываешь модель на устройствах с ограниченными ресурсами, например Raspberry Pi или мобильном оборудовании, эффективные блоки C2f в YOLOv8 (и оптимизации CPU в YOLO26) обеспечат более плавный инференс с экономным расходом батареи.
Участники

Комментарии1

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. finfindaraGitHub(изменено)

    Great comparison! YOLOv9 introduces notable improvements in detection accuracy and model optimization, particularly for smaller and densely packed objects. However, this YOLOv8 comparison shows that v8 still delivers a strong balance of speed, flexibility, and ease of deployment — making it a solid choice for many real-time applications. Both models have their strengths depending on the specific use case.