Chuyển đến nội dung

YOLOv6 -3.0 so với YOLOv9 Những tiến bộ trong phát hiện đối tượng hiệu năng cao

Sự phát triển của các kiến ​​trúc phát hiện đối tượng được đánh dấu bằng việc không ngừng theo đuổi sự cân bằng tối ưu giữa tốc độ suy luận và độ chính xác phát hiện. Bài so sánh này đi sâu vào YOLOv6 , một mô hình mạnh mẽ cấp công nghiệp được phát triển bởi Meituan, và YOLOv9 , một kiến ​​trúc tập trung vào nghiên cứu, giới thiệu các khái niệm mới trong quản lý thông tin gradient. Bằng cách phân tích kiến ​​trúc, các chỉ số hiệu suất và các trường hợp sử dụng lý tưởng của chúng, các nhà phát triển có thể đưa ra quyết định sáng suốt cho các quy trình xử lý hình ảnh máy tính của mình.

So sánh Các chỉ số Hiệu suất

Bảng sau đây trình bày sự so sánh trực tiếp các chỉ số hiệu suất chính. YOLOv9 nhìn chung cho độ chính xác cao hơn ( mAP ) đối với các kích thước mô hình tương tự, tận dụng các kỹ thuật tổng hợp tính năng nâng cao, trong khi YOLOv6 -3.0 vẫn cạnh tranh trong các khía cạnh cụ thể. GPU - Môi trường tăng tốc.

Mô hìnhKích thước
(pixels)		mAPval
50-95		Tốc độ
CPU ONNX
(ms)		Tốc độ
T4 TensorRT10
(ms)		Tham số
(M)		FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0

YOLOv6-3.0: Độ chính xác công nghiệp

YOLOv6 , đặc biệt là phiên bản 3.0, được thiết kế với trọng tâm rõ ràng vào các ứng dụng công nghiệp, nơi việc triển khai phần cứng thường liên quan đến GPU như... NVIDIA Tesla T4. Nó nhấn mạnh tính dễ triển khai thông qua việc tối ưu hóa mạnh mẽ cho việc lượng tử hóa và TensorRT suy luận.

Kiến trúc và Điểm mạnh

YOLOv6 -3.0 sử dụng kiến ​​trúc xương sống kiểu RepVGG , được gọi là EfficientRep, tận dụng việc tái tham số hóa cấu trúc. Trong quá trình huấn luyện, mô hình sử dụng các khối đa nhánh để học các đặc trưng phức tạp, nhưng trong quá trình suy luận, chúng được thu gọn thành các phép tích chập $3\times3$ đơn lẻ. Kiến trúc này rất thân thiện với GPU phần cứng, tối đa hóa thông lượng bộ nhớ và giảm độ trễ.

Các tính năng chính bao gồm:

  • Kết hợp hai chiều: Tăng cường sự lan truyền đặc điểm trên các tỷ lệ khác nhau, cải thiện khả năng phát hiện các đối tượng có kích thước khác nhau.
  • Huấn luyện có hỗ trợ neo (Anchor-Aided Training - AAT): Kết hợp những lợi ích của cả mô hình dựa trên neo và không dựa trên neo trong quá trình huấn luyện để ổn định sự hội tụ.
  • Khả năng sẵn sàng lượng tử hóa: Được thiết kế đặc biệt để giảm thiểu tổn thất độ chính xác khi lượng tử hóa thành INT8, một yêu cầu quan trọng đối với các thiết bị AI biên trong tự động hóa sản xuất .

Tìm hiểu thêm về YOLOv6

YOLOv9: Giải quyết các Nút thắt Thông tin

YOLOv9 áp dụng phương pháp lý thuyết để cải thiện hiệu quả học sâu bằng cách giải quyết vấn đề "nút thắt cổ chai thông tin", nơi dữ liệu bị mất khi truyền qua các mạng sâu. Nó giới thiệu các cơ chế để bảo toàn thông tin gradient quan trọng trong suốt quá trình huấn luyện.

Kiến trúc và Điểm mạnh

Sự đổi mới cốt lõi của YOLOv9 gồm hai thành phần chính:

  • GELAN (Generalized Efficient Layer Aggregation Network): Một kiến ​​trúc mới kết hợp những ưu điểm của CSPNet và ELAN để tối đa hóa hiệu quả tham số và tốc độ tính toán. Nó cho phép mô hình học được nhiều đặc trưng mạnh mẽ hơn với ít tham số hơn so với các thế hệ trước như YOLOv8 .
  • PGI (Programmable Gradient Information): Một khung giám sát phụ trợ đảm bảo các lớp sâu của mạng nhận được thông tin gradient đáng tin cậy trong quá trình huấn luyện. Điều này đặc biệt có lợi cho các tác vụ yêu cầu độ chính xác cao, chẳng hạn như phân tích hình ảnh y tế .

YOLOv9 Thể hiện hiệu suất vượt trội về mặt hiệu quả tham số, đạt được mức cao hơn. mAP Với số lượng tham số ít hơn so với nhiều đối thủ cạnh tranh, đây là lựa chọn tuyệt vời cho nghiên cứu và các trường hợp mà kích thước khối lượng mô hình là một hạn chế.

Tìm hiểu thêm về YOLOv9

So sánh kỹ thuật và các trường hợp sử dụng

Sự lựa chọn giữa YOLOv6 -3.0 và YOLOv9 Điều này thường phụ thuộc vào phần cứng mục tiêu cụ thể và bản chất của ứng dụng.

Khi nào nên chọn YOLOv6-3.0

YOLOv6 -3.0 hoạt động xuất sắc trong môi trường tập trung vào GPU . Kiến trúc RepVGG của nó được tối ưu hóa cho xử lý song song, giúp nó nhanh hơn trên các thiết bị như... NVIDIA T4 hoặc Jetson Orin khi sử dụng TensorRT Sản phẩm này lý tưởng cho:

  • Sản xuất tốc độ cao: Hệ thống kiểm soát chất lượng trên dây chuyền lắp ráp, nơi năng suất là yếu tố then chốt.
  • Phân tích video: Xử lý đồng thời nhiều luồng video trong các triển khai thành phố thông minh .
  • Tích hợp hệ thống cũ: Các hệ thống đã được tối ưu hóa cho kiến ​​trúc kiểu RepVGG.

Khi nào nên chọn YOLOv9

YOLOv9 Sản phẩm này được ưu tiên sử dụng cho các ứng dụng và nghiên cứu đòi hỏi độ chính xác cao . Kiến trúc tiên tiến của nó giúp bảo toàn các chi tiết nhỏ tốt hơn nhiều so với các thế hệ trước. Sản phẩm này phù hợp cho:

  • Nghiên cứu học thuật: Một nền tảng vững chắc để nghiên cứu sự tổng hợp đặc trưng và dòng chảy gradient.
  • Phát hiện vật thể nhỏ: Khung PGI giúp giữ lại thông tin về các mục tiêu nhỏ mà nếu không sẽ bị mất trong các lớp sâu, rất hữu ích cho ảnh chụp từ trên không .
  • Thiết bị bị giới hạn tham số: Khi không gian lưu trữ bị hạn chế, YOLOv9 Tỷ lệ độ chính xác trên tham số cao của nó là một lợi thế.

Tính linh hoạt triển khai

Mặc dù cả hai mô hình đều có những ưu điểm riêng, nhưng việc chuyển đổi chúng để triển khai có thể có độ phức tạp khác nhau. YOLOv6 Bước tái tham số hóa của 's đòi hỏi sự xử lý cẩn thận trong quá trình xuất khẩu, trong khi đó YOLOv9 Các nhánh phụ của PGI được loại bỏ trong quá trình suy luận, đơn giản hóa cấu trúc mô hình cuối cùng.

Lợi thế Hệ sinh thái Ultralytics

Trong khi YOLOv6 Và YOLOv9 Đại diện cho những cột mốc quan trọng, hệ sinh thái Ultralytics cung cấp một nền tảng thống nhất giúp đơn giản hóa toàn bộ vòng đời học máy. Cho dù bạn đang sử dụng YOLOv6 , YOLOv9 hoặc mẫu YOLO26 tiên tiến nhất. Ultralytics Mang lại trải nghiệm nhất quán và mạnh mẽ.

Tại sao nên phát triển với Ultralytics ?

  1. Dễ sử dụng: Cái Ultralytics Python API trừu tượng hóa các vòng lặp huấn luyện phức tạp thành một vài dòng mã. Bạn có thể chuyển đổi giữa các kiến ​​trúc chỉ bằng cách thay đổi chuỗi tên mô hình, ví dụ: từ yolov6n.pt đến yolo26n.pt.
  2. Hệ sinh thái được duy trì tốt: Không giống như các kho lưu trữ nghiên cứu thường bị bỏ quên sau khi công bố, Ultralytics Các mô hình được bảo trì thường xuyên. Điều này đảm bảo khả năng tương thích với các phiên bản PyTorch mới nhất. CUDA và các định dạng xuất như ONNX .
  3. Tính linh hoạt: Ultralytics hỗ trợ một loạt các tác vụ thị giác máy tính. Trong khi đó, YOLOv6 Và YOLOv9 Tập trung chủ yếu vào việc phát hiện. Ultralytics Mở rộng khả năng sang phân đoạn đối tượng , ước lượng tư thế và phát hiện đối tượng định hướng (OBB) .
  4. Hiệu quả đào tạo: Ultralytics Các quy trình huấn luyện được tối ưu hóa về hiệu quả bộ nhớ, cho phép các nhà phát triển huấn luyện các mô hình lớn hơn trên GPU cấp người tiêu dùng so với các mô hình lai Transformer ngốn nhiều bộ nhớ.

Ví dụ mã: Đào tạo liền mạch

Huấn luyện bất kỳ mô hình nào trong số này trong phạm vi Ultralytics Khung cấu trúc hoàn toàn giống nhau, giúp giảm thiểu thời gian học hỏi cho nhóm của bạn.

from ultralytics import YOLO

# Load a model: Switch between 'yolov6n.pt', 'yolov9c.pt', or 'yolo26n.pt'
model = YOLO("yolo26n.pt")

# Train on a dataset (e.g., COCO8)
# The system handles data augmentation, logging, and checkpointing automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate performance
metrics = model.val()

Nâng cấp lên YOLO26: Thế hệ tiếp theo

Đối với các nhà phát triển đang tìm kiếm hiệu năng, hiệu quả và khả năng triển khai dễ dàng tốt nhất, YOLO26 đại diện cho đỉnh cao của công nghệ. YOLO gia đình. Được phát hành vào tháng 1 năm 2026, nó được xây dựng dựa trên những bài học kinh nghiệm từ YOLOv6 , YOLOv9 và YOLOv10 để mang lại trải nghiệm vượt trội.

Ưu điểm chính của YOLO26

  • NMS từ đầu đến cuối - Thiết kế miễn phí: Không giống như YOLOv6 Và YOLOv9 , đòi hỏi sự triệt tiêu không tối đa ( NMS Nhờ xử lý hậu kỳ, YOLO26 hoạt động hoàn toàn từ đầu đến cuối. Điều này loại bỏ sự biến động về độ trễ và đơn giản hóa quy trình triển khai, đặc biệt là trên các thiết bị biên.
  • MuSGD Optimizer: Lấy cảm hứng từ những đổi mới trong đào tạo LLM, MuSGD Optimizer (một sự kết hợp của...) SGD và Muon) giúp ổn định quá trình huấn luyện và tăng tốc độ hội tụ, giảm thời gian và tài nguyên tính toán cần thiết để huấn luyện các mô hình tùy chỉnh.
  • Hiệu năng tối ưu hóa cho thiết bị biên: Với việc loại bỏ hiện tượng suy hao tiêu điểm phân tán (DFL) và những cải tiến về kiến ​​trúc, YOLO26 đạt được tốc độ suy luận CPU nhanh hơn tới 43% so với các thế hệ trước. Điều này làm cho nó trở thành lựa chọn lý tưởng cho... CPU - môi trường giới hạn như Raspberry Pi hoặc điện thoại di động.
  • Các hàm mất mát nâng cao: Việc tích hợp ProgLoss và STAL cải thiện đáng kể khả năng nhận dạng vật thể nhỏ và độ chính xác của hộp giới hạn, khắc phục những điểm yếu thường gặp trong các phiên bản trước đó. YOLO các phiên bản.
  • Năng lực chuyên biệt theo nhiệm vụ: YOLO26 không chỉ dành cho việc phát hiện đối tượng; nó còn có những cải tiến chuyên biệt như tổn thất phân đoạn ngữ nghĩa cho các tác vụ phân đoạn và ước lượng logarit xác suất dư (RLE) để ước lượng tư thế với độ chính xác cao.

Khám phá tài liệu YOLO26

Kết luận

Cả hai YOLOv6 -3.0 và YOLOv9 mang lại những lợi thế riêng biệt cho các phân khúc thị trường cụ thể— YOLOv6 vì GPU - Tăng tốc các dự án phát triển ngành và YOLOv9 Đối với các nghiên cứu đòi hỏi độ chính xác cao. Tuy nhiên, để có một giải pháp bền vững trong tương lai, cân bằng giữa tốc độ, độ chính xác và tính đơn giản trong triển khai trên mọi loại phần cứng, Ultralytics YOLO26 nổi bật như một lựa chọn được khuyến nghị cho sự phát triển thị giác máy tính hiện đại.


Bình luận