YOLOv9 и YOLOv8#

За последние несколько лет компьютерное зрение в реальном времени заметно продвинулось: каждая новая модель расширяет теоретические границы возможного как на периферийных устройствах, так и на облачных серверах. Сравнивая новую архитектуру YOLOv9 с популярным фреймворком Ultralytics YOLOv8, разработчики часто выбирают между передовыми теоретическими подходами к градиентам и проверенной в боевых условиях экосистемой, готовой к использованию в production.

В этом подробном руководстве сравниваются эти две мощные модели: рассматриваются их архитектурные новшества, показатели производительности и оптимальные сценарии развёртывания, чтобы помочь тебе выбрать 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 YOLOv9 разработали Чиен-Яо Ван и Хун-Юань Марк Ляо из Института информационных наук Академии Синика на Тайване. Модель выпустили 21 февраля 2024 года. Основное направление исследования — решение проблемы информационного узкого места в глубоких нейронных сетях. Оригинальную научную статью о YOLOv9 можно найти на arXiv, а исходный код — в официальном репозитории YOLOv9 на GitHub.

Подробнее о YOLOv9

Ultralytics YOLOv8 YOLOv8 разработали Гленн Джочер, Аюш Чаурасия и Цзин Цю из Ultralytics. Модель вышла 10 января 2023 года и 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#

Главное новшество YOLOv9 — внедрение программируемой информации о градиентах (PGI) и обобщённой эффективной сети агрегации слоёв (GELAN). По мере углубления свёрточные нейронные сети обычно теряют важные признаки в процессе прямого прохода. PGI устраняет это информационное узкое место, сохраняя точные градиенты, используемые для обновления весов, и тем самым обеспечивая надёжное извлечение признаков. Такая архитектура максимально повышает эффективность использования параметров, позволяя YOLOv9 достигать высокой точности при меньшем количестве операций с плавающей запятой (FLOPs).

YOLOv8: универсальная рабочая модель#

В YOLOv8 появился упрощённый механизм обнаружения без якорей: он сокращает количество предсказаний рамок и ускоряет подавление немаксимумов (NMS) при постобработке. Модуль C2f (узкое место с частичными связями между стадиями и двумя свёртками) улучшает распространение градиентов по сети по сравнению с более ранними моделями. Что ещё важнее, YOLOv8 разрабатывали с расчётом на универсальность: модель изначально поддерживает обнаружение объектов, сегментацию экземпляров, оценку позы, классификацию изображений и извлечение ориентированных ограничивающих рамок (OBB).

Баланс производительности и бенчмарки#

При развёртывании моделей компьютерного зрения важнее всего найти баланс между скоростью и точностью. Ниже приведено подробное сравнение размеров моделей, задержки и средней точности, измеренной на стандартном наборе данных COCO.

При анализе метрик YOLOv9 демонстрирует впечатляющее соотношение количества параметров и точности. Модель YOLOv9c достигает впечатляющих 53,0% mAP, используя всего 25,5 млн параметров. Однако YOLOv8 заметно выигрывает по требованиям к памяти и скорости инференса на аппаратных ускорителях: вариант YOLOv8n выполняет инференс за 1,47 мс в конфигурации с NVIDIA TensorRT.

Преимущества экосистемы Ultralytics#

Выбирая архитектуру, важно учитывать простоту использования и доступную программную экосистему. Управление зависимостями, написание собственных загрузчиков данных и работа со сложными скриптами экспорта могут замедлить разработку. Интегрированная экосистема Ultralytics избавляет от этих сложностей.

Какую бы модель ты ни выбрал — YOLOv8 или YOLOv9 (она полностью поддерживается библиотекой Ultralytics), — тебе будут доступны единый API, автоматические методы аугментации данных и простой экспорт в формат ONNX. Кроме того, архитектуры Ultralytics обычно обеспечивают высокую эффективность обучения, избегая чрезмерного потребления памяти CUDA, характерного 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 решение 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 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.

Взгляд в будущее: появление YOLO26#

YOLOv8 и YOLOv9 обладают широкими возможностями, но компьютерное зрение быстро развивается. Для современных развёртываний мы настоятельно рекомендуем использовать Ultralytics YOLO26, выпущенную в январе 2026 года.

YOLO26 меняет подход к работе детекторов объектов в production. Модель поддерживает архитектуру без NMS от начала до конца (необязательная функция, включаемая через nms=False), устраняя задержки и недетерминированное поведение на этапе постобработки. Для лучшей поддержки периферийного оборудования и устройств с низким энергопотреблением в YOLO26 полностью реализован отказ от DFL (Distribution Focal Loss), что значительно упрощает экспорт моделей для мобильных устройств.

Кроме того, в YOLO26 используется новаторский оптимизатор MuSGD — гибрид SGD и Muon, который переносит в задачи компьютерного зрения стабильность обучения на уровне больших языковых моделей, значительно ускоряя сходимость. Благодаря инференсу на CPU до 43% быстрее и интеграции ProgLoss + STAL, заметно улучшающей распознавание мелких объектов, YOLO26 — бесспорный выбор для новых корпоративных проектов.

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 особенно хорошо сохраняет мелкие детали и снижает 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: Для динамичных задач логистики и управления дорожным движением крайне низкая задержка и проверенная надёжность YOLOv8 делают эту модель идеальной для одновременного отслеживания транспортных средств в видеопотоках с нескольких камер.
• Развёртывание на периферийных устройствах: Если ты развёртываешь модель на устройствах с ограниченными ресурсами, например Raspberry Pi или мобильном оборудовании, оптимизированные блоки C2f в YOLOv8 (и оптимизации CPU в YOLO26) обеспечат более стабильный и энергоэффективный конвейер инференса.