Перейти к содержанию

Сравнение моделей: YOLOv9 и YOLOv8 для обнаружения объектов

Выбор подходящей модели обнаружения объектов — это критически важное решение, которое уравновешивает точность, скорость и вычислительные ресурсы. На этой странице представлено подробное техническое сравнение Ultralytics YOLOv8, универсальной и удобной модели, и YOLOv9, модели, известной своими новыми архитектурными достижениями. Мы проанализируем их архитектуры, показатели производительности и идеальные варианты использования, чтобы помочь вам определить, что лучше всего подходит для ваших проектов в области компьютерного зрения.

YOLOv9: Повышение точности с помощью новой архитектуры

YOLOv9 был представлен как значительный шаг вперед в обнаружении объектов, в первую очередь направленный на преодоление потери информации в глубоких нейронных сетях для повышения точности.

Архитектура и Ключевые Инновации

YOLOv9 представляет две основные инновации: Programmable Gradient Information (PGI) и Generalized Efficient Layer Aggregation Network (GELAN). PGI предназначен для предоставления полной входной информации для расчета функции потерь, что помогает смягчить проблему информационного узкого места и гарантирует, что для обновлений сети генерируются более надежные градиенты. GELAN — это новая, высокоэффективная архитектура сети, которая оптимизирует использование параметров и вычислительную эффективность. Вместе эти функции позволяют YOLOv9 достигать высокой точности, часто устанавливая новые современные эталоны в наборах данных, таких как COCO.

Сильные стороны

  • Современная точность: Модели YOLOv9, особенно более крупные варианты, достигают топовых показателей mAP, расширяя границы точности обнаружения объектов в реальном времени.
  • Высокая эффективность: Архитектура GELAN позволяет YOLOv9 обеспечивать высокую производительность с меньшим количеством параметров и вычислительных требований (FLOPs) по сравнению с некоторыми другими моделями с аналогичной точностью.
  • Сохранение информации: PGI эффективно решает проблему потери информации в глубоких сетях, что имеет решающее значение для обучения очень глубоких и точных моделей.

Слабые стороны

  • Экосистема и удобство использования: Как модель из исследовательского репозитория, YOLOv9 не имеет отлаженной, готовой к производству экосистемы, которую предоставляет Ultralytics. Процесс обучения может быть более сложным, а поддержка сообщества и интеграция со сторонними производителями менее развиты.
  • Универсальность задач: Оригинальная реализация YOLOv9 в основном ориентирована на обнаружение объектов. Она не предлагает встроенной унифицированной поддержки для других задач компьютерного зрения, таких как сегментация, оценка позы или классификация, которые являются стандартными в моделях Ultralytics.
  • Ресурсы для обучения: Обучение YOLOv9 может потребовать больше ресурсов и времени по сравнению с оптимизированными процессами, предлагаемыми Ultralytics YOLOv8.

Узнайте больше о YOLOv9

Ultralytics YOLOv8: Универсальность и простота использования

Ultralytics YOLOv8 — это современная модель, разработанная Ultralytics, известная своим исключительным балансом скорости, точности и, что наиболее важно, простотой использования и универсальностью. Она разработана как полноценная платформа для обучения, проверки и развертывания моделей для широкого спектра задач визуального ИИ.

Архитектура и ключевые особенности

YOLOv8 основывается на успехах предыдущих версий YOLO со значительными архитектурными усовершенствованиями, включая новую anchor-free detection head и модифицированный backbone C2f (CSP с 2 свертками). Эта конструкция не только улучшает производительность, но и упрощает модель и этапы постобработки. Однако истинная сила YOLOv8 заключается в ее целостной экосистеме.

Сильные стороны

  • Исключительный баланс производительности: YOLOv8 предлагает фантастический компромисс между скоростью и точностью, что делает его очень подходящим для широкого спектра реальных приложений, от периферийных устройств с ограниченными ресурсами до высокопроизводительных облачных серверов.
  • Беспрецедентная универсальность: YOLOv8 — это настоящий многозадачный фреймворк. Он поддерживает обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB) в рамках единого унифицированного фреймворка. Эта универсальность является основным преимуществом перед более специализированными моделями, такими как YOLOv9.
  • Простота использования: Ultralytics уделила приоритетное внимание оптимизации пользовательского опыта. Благодаря простому Python API и CLI, обширной документации и множеству учебных пособий разработчики могут начать работу за считанные минуты.
  • Хорошо поддерживаемая экосистема: YOLOv8 поддерживается активной разработкой со стороны Ultralytics, сильным сообществом open-source, частыми обновлениями и бесшовной интеграцией с Ultralytics HUB для обучения без кода и рабочих процессов MLOps.
  • Эффективность обучения: Процесс обучения очень эффективен, с готовыми предварительно обученными весами и более низкими требованиями к памяти по сравнению со многими другими архитектурами, особенно моделями на основе трансформеров.
  • Готовность к развертыванию: YOLOv8 разработана для простого развертывания со встроенной поддержкой экспорта в различные форматы, такие как ONNX, TensorRT и OpenVINO, что упрощает путь к производству.

Слабые стороны

  • Пиковая точность: Будучи чрезвычайно точными, самые большие модели YOLOv9 могут достигать несколько более высокого mAP на эталонном тесте COCO в задаче чистого обнаружения объектов. Однако это часто достигается за счет универсальности и простоты использования.

Узнайте больше о YOLOv8

Прямое сравнение производительности: точность и скорость

При сравнении производительности важно учитывать полную картину, включая точность (mAP), скорость инференса, размер модели (параметры) и вычислительные затраты (FLOP).

Модель размер
(пиксели)		 mAPval
50-95		 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 7.1 26.4
YOLOv9m 640 51.4 - 6.43 20.0 76.3
YOLOv9c 640 53.0 - 7.16 25.3 102.1
YOLOv9e 640 55.6 - 16.77 57.3 189.0
YOLOv8n 640 37.3 80.4 1.47 3.2 8.7
YOLOv8s 640 44.9 128.4 2.66 11.2 28.6
YOLOv8m 640 50.2 234.7 5.86 25.9 78.9
YOLOv8l 640 52.9 375.2 9.06 43.7 165.2
YOLOv8x 640 53.9 479.1 14.37 68.2 257.8

Из таблицы видно, что YOLOv9-E достигает наивысшего mAP. Однако модели YOLOv8 демонстрируют превосходную скорость inference, особенно небольшие варианты, такие как YOLOv8n, что имеет решающее значение для приложений реального времени. YOLOv8 обеспечивает более полный и практичный профиль производительности на различном оборудовании, с хорошо документированными тестами скорости, которые необходимы для планирования производства.

Заключение: какую модель вам следует выбрать?

Выбор между YOLOv9 и YOLOv8 во многом зависит от приоритетов вашего проекта.

Выберите YOLOv9, если:

  • Ваша основная и единственная цель — достичь абсолютно максимальной точности обнаружения объектов на таких бенчмарках, как COCO.
  • Вы работаете в исследовательском контексте, где основной целью является изучение новых архитектур, таких как PGI и GELAN.
  • У вас есть значительные вычислительные ресурсы и опыт для управления более сложным процессом обучения и развертывания.

Выберите Ultralytics YOLOv8, если:

  • Вам нужна надежная, стабильная и простая в использовании модель для широкого спектра приложений.
  • Вашему проекту требуется нечто большее, чем просто обнаружение объектов, например, сегментация экземпляров, оценка позы или классификация. Универсальность YOLOv8 экономит огромное количество времени на разработку.
  • Вы уделяете приоритетное внимание быстрому и эффективному рабочему процессу, от обучения до развертывания. Экосистема Ultralytics разработана для ускорения вашего выхода в продакшн.
  • Вам нужна модель, которая предлагает отличный баланс между скоростью и точностью, подходящая как для периферийных, так и для облачных развертываний.
  • Вы цените сильную поддержку сообщества, непрерывные обновления и всестороннюю документацию.

Для подавляющего большинства разработчиков, исследователей и предприятий Ultralytics YOLOv8 является рекомендуемым выбором. Сочетание высокой производительности, невероятной универсальности и удобной, хорошо поддерживаемой экосистемы делает его более практичным и мощным инструментом для создания реальных решений в области компьютерного зрения.

Если вы изучаете другие модели, вам также может быть интересна Ultralytics YOLOv5, известная своей стабильностью и широким распространением, или RT-DETR, альтернативная архитектура на основе трансформеров. Больше сравнений вы можете найти на нашей странице сравнения моделей.



📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад
glenn-jocher

Комментарии