YOLOv9 против YOLOv8#

Среда компьютерного зрения в реальном времени заметно эволюционировала за последние несколько лет: каждая новая модель расширяет теоретические границы возможностей как на периферийных устройствах, так и на облачных серверах. Сравнивая более новую архитектуру YOLOv9 с крайне популярным фреймворком Ultralytics YOLOv8, разработчики часто сталкиваются с выбором между передовыми теоретическими путями градиента и проверенной в боях экосистемой, готовой к продакшену.

Это подробное руководство сопоставляет этих двух тяжеловесов, анализируя их архитектурные инновации, метрики производительности и идеальные сценарии развертывания, чтобы помочь тебе выбрать подходящую модель для твоего следующего проекта в области искусственного интеллекта.

Технические характеристики и авторство#

Понимание происхождения этих моделей дает важный контекст для их соответствующих проектных решений.

YOLOv9 Созданная Чиен-Яо Вангом (Chien-Yao Wang) и Хун-Юанем Марком Ляо (Hong-Yuan Mark Liao) в Институте информационной науки Академии Синика на Тайване, модель YOLOv9 была выпущена 21 февраля 2024 года. Основные исследования направлены на решение проблемы информационного узкого места в глубоких нейронных сетях. Ты можешь изучить оригинальную научную статью о YOLOv9 на Arxiv или посмотреть исходный код в официальном репозитории YOLOv9 на GitHub.

Узнай больше о YOLOv9

Ultralytics YOLOv8 Разработанная Гленном Джохером (Glenn Jocher), Аюшем Чаурасией (Ayush Chaurasia) и Цзин Цю (Jing Qiu) в Ultralytics, модель YOLOv8 была запущена 10 января 2023 года. Она зарекомендовала себя как отраслевой стандарт универсальности, предлагая единый API для огромного разнообразия задач компьютерного зрения. Исходный код поддерживается в основном репозитории Ultralytics на GitHub, что обеспечивает непрерывные обновления и долгосрочную стабильность.

Узнай больше о YOLOv8

Архитектурные инновации#

YOLOv9: программируемая градиентная информация#

Определяющей особенностью YOLOv9 является внедрение Программируемой градиентной информации (PGI) и сети обобщенного эффективного агрегирования слоев (GELAN). По мере того как сверточные нейронные сети становятся глубже, они обычно теряют критически важную информацию о признаках в процессе прямого прохода. PGI решает эту проблему «информационного узкого места», сохраняя точные градиенты, используемые для обновления весов, что обеспечивает надежное извлечение признаков. Эта архитектура максимизирует эффективность параметров, позволяя YOLOv9 достигать высокой точности при меньшем количестве операций с плавающей запятой (FLOPs).

YOLOv8: Универсальная рабочая лошадка#

В YOLOv8 появился оптимизированный механизм детектирования без привязок (anchor-free), который сокращает количество предсказаний ограничивающих прямоугольников и ускоряет алгоритм Non-Maximum Suppression (NMS) на этапе постобработки. Модуль C2f (Cross-Stage Partial Bottleneck with two convolutions) улучшает распространение градиента по всей сети по сравнению со старыми моделями. Что еще важнее, YOLOv8 создавалась с расчетом на универсальность и «из коробки» нативно поддерживает детекцию объектов, сегментацию экземпляров, оценку позы, классификацию изображений и выделение ориентированных ограничивающих прямоугольников (OBB).

Баланс производительности и бенчмарки#

Баланс между скоростью и точностью — важнейший фактор при развертывании моделей компьютерного зрения. Ниже приведено подробное сравнение размеров моделей, задержки и среднего значения средней точности (mAP), оцененных на стандартном наборе данных COCO.

Анализируя метрики, YOLOv9 демонстрирует впечатляющее соотношение параметров и точности. Модель YOLOv9c достигает впечатляющего показателя mAP в 53,0% при использовании всего 25,3 млн параметров. Тем не менее, YOLOv8 сохраняет значительное преимущество в требованиях к памяти и скорости инференса на аппаратных ускорителях: вариант YOLOv8n показывает результат 1,47 мс в конфигурации с NVIDIA TensorRT.

Преимущества экосистемы Ultralytics#

Важным фактором при выборе архитектуры является простота использования и окружающая программная экосистема. Управление зависимостями, написание пользовательских загрузчиков данных и работа со сложными скриптами экспорта могут затормозить разработку. Интегрированная экосистема Ultralytics абстрагирует эти сложности.

Независимо от того, выберешь ли ты YOLOv8 или YOLOv9 (которая полностью поддерживается в библиотеке Ultralytics), ты получаешь единый API, автоматические методы аугментации данных и оптимизированный экспорт в формат ONNX. Кроме того, архитектуры Ultralytics обычно отличаются высокой эффективностью обучения, позволяя избежать огромного раздувания памяти CUDA, которое часто свойственно большим моделям на базе трансформаторов.

Пример кода обучения#

Обучение любой из этих моделей с использованием Python API выполняется просто и требует лишь нескольких строк кода.

from ultralytics import YOLO

# Load the preferred model (swap 'yolov9c.pt' with 'yolov8n.pt' as needed)
model = YOLO("yolov8n.pt")

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

# Validate the model's performance metrics
metrics = model.val()

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

Сценарии использования и рекомендации#

Выбор между YOLOv9 и YOLOv8 зависит от специфических требований твоего проекта, 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 выбирать YOLOv8#

YOLOv8 рекомендуется для:

• Универсальное многозадачное развертывание: Проекты, требующие проверенной модели для обнаружения, сегментации, классификации и оценки позы в экосистеме Ultralytics.
• Устоявшихся производственных систем: существующих производственных сред, уже построенных на архитектуре YOLOv8 со стабильными и хорошо протестированными пайплайнами развертывания.
• Широкой поддержки сообщества и экосистемы: приложений, которым нужны обширные руководства по YOLOv8, сторонние интеграции и активные ресурсы сообщества.

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.

Взгляд в будущее: появление YOLO26#

Хотя YOLOv8 и YOLOv9 невероятно функциональны, сфера компьютерного зрения развивается быстро. Для современных развертываний мы настоятельно рекомендуем использовать Ultralytics YOLO26, выпущенную в январе 2026 года.

YOLO26 представляет собой сдвиг парадигмы в работе детекторов объектов в продакшене. Она отличается нативным дизайном без NMS (End-to-End NMS-Free), что эффективно устраняет задержки и недетерминированное поведение пост-обработки. Для лучшей поддержки граничных и маломощных устройств YOLO26 включает полное удаление DFL (Distribution Focal Loss), что делает мобильный экспорт значительно проще.

Кроме того, YOLO26 использует прорывной оптимизатор MuSGD, гибрид SGD и Muon, который обеспечивает стабильность обучения уровня LLM для задач компьютерного зрения, что приводит к значительно более быстрой сходимости. Благодаря увеличению скорости вывода на CPU до 43% и интеграции ProgLoss + STAL для значительного улучшения распознавания мелких объектов, YOLO26 является бесспорным выбором для новых корпоративных инициатив.

Узнай больше о YOLO26

Реальные применения и варианты использования#

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

• Здравоохранение и медицинская визуализация: Когда на счету каждый пиксель (например, в системах обнаружения опухолей), архитектура GELAN в YOLOv9 исключительно хорошо сохраняет мелкие детали, уменьшая количество ложноотрицательных результатов при критически важных диагнозах.
• Ритейл и аналитика запасов: Для умных супермаркетов, отслеживающих плотно заполненные полки, YOLOv9 обеспечивает необходимый показатель mAP для надежного разделения перекрывающихся объектов.
• Умные города и мониторинг трафика: В динамичной среде логистики и управления дорожным движением сверхнизкая задержка и проверенная надежность YOLOv8 делают ее идеальной для одновременного отслеживания транспортных средств с нескольких потоков камер.
• Периферийные развертывания: Если ты развертываешь модель на ограниченных устройствах вроде Raspberry Pi или мобильном железе, оптимизированные блоки C2f в YOLOv8 (и оптимизации под CPU в YOLO26) обеспечивают гораздо более плавный и энергоэффективный пайплайн инференса.