YOLO11 与 YOLOv9#
实时目标检测架构不断改进。两个值得关注的里程碑是 Ultralytics YOLO11和 YOLOv9。两者表现都很出色，但在深度学习推理和训练的核心挑战上采用了不同的方法。
本指南对比 YOLO11 和 YOLOv9，分析它们的架构、性能指标和理想部署场景，帮助你为下一个计算机视觉项目选择合适的模型。
模型概述#
Ultralytics YOLO11#
YOLO11 是一款经过优化、用途广泛的模型，专为生产环境设计。它在高准确率与边缘计算和大规模部署的实际需求之间实现了平衡。
- 作者： Glenn Jocher 和 Jing Qiu
- 组织： Ultralytics
- 日期： 2024-09-27
- GitHub： https://github.com/ultralytics/ultralytics
- 文档： https://docs.ultralytics.com/models/yolo11
YOLOv9#
YOLOv9 是一项学术成果，提出了减少深度神经网络信息损失的新理念，重点关注特征提取。
- 作者：Chien-Yao Wang 和 Hong-Yuan Mark Liao
- 机构：台湾中央研究院信息科学研究所
- 日期：2024-02-21
- arXiv： https://arxiv.org/abs/2402.13616
- GitHub： https://github.com/WongKinYiu/yolov9
- 文档： https://docs.ultralytics.com/models/yolov9
架构创新#
YOLOv9：可编程梯度信息#
YOLOv9 解决了“信息瓶颈”问题，即数据在通过深度网络的连续层时发生丢失。为此，作者引入了可编程梯度信息 (PGI) 和通用高效层聚合网络 (GELAN)。PGI 有助于在反向传播期间保留用于更新权重的梯度中的更多完整信息，从而获得准确的特征表示。GELAN 架构最大限度地提高了参数效率，使 YOLOv9 能以相对轻量的结构实现较高准确率。
YOLO11：生态系统与效率#
YOLOv9 专注于梯度流动，而 YOLO11 则针对真实场景中的可靠性和灵活性进行了设计。它改进了 YOLO 核心架构，使训练时的 CUDA 内存需求低于严重依赖 Transformer 的替代方案。YOLO11 也不只是目标检测器：Ultralytics 中的 YOLOv9 支持检测和分割，而 YOLO11 还支持实例分割、图像分类、姿态估计和有向边界框 (OBB)。
YOLO11 的一大优势是集成到了 Ultralytics Python 软件包中。它通过统一的 API，将数据加载、增强和分布式训练的复杂性封装起来。
性能对比#
为生产环境选择模型时，需要权衡平均精度均值 (mAP)、推理速度和参数量。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 （ms） | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
YOLOv9e 的整体准确率最高（55.6 mAP），适合用于学术基准测试，但它在 T4 TensorRT 上的耗时为 16.77 毫秒，而 YOLO11x 为 11.3 毫秒。YOLO11 在所有尺寸下都具有更好的速度与准确率比。例如，YOLO11m 以 4.7 毫秒（TensorRT）的速度实现 51.5 mAP，而尺寸相近的 YOLOv9m 则以 6.43 毫秒实现 51.4 mAP。
训练方法与生态系统#
这两个框架的开发者体验差异显著。
训练 YOLOv9#
从原始代码库训练 YOLOv9，往往需要使用经过定制的研究代码、管理特定的依赖版本并处理复杂的命令行参数，这可能会拖慢企业团队的进度。YOLOv9 权重也可通过 ultralytics 包获取，从而省去大部分环境配置工作。
训练 YOLO11#
YOLO11 使用维护完善的 Ultralytics Python API，只需几个步骤就能从安装开始训练模型。你可以使用随时可用的预训练权重进行训练，并获得活跃社区的支持。
from ultralytics import YOLO
# 加载预训练的 YOLO11 小型模型
model = YOLO("yolo11s.pt")
# 使用内置增强功能在自定义数据集上训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 导出为 ONNX 格式以供部署
model.export(format="onnx")只需三行 Python 代码，开发者就能加载模型、使用经过优化的默认超参数启动训练，并将训练好的架构导出为 ONNX 或 TensorRT 等框架支持的格式，以便部署到边缘设备。
实际应用#
何时选择 YOLOv9#
YOLOv9 适合探索深度学习架构和梯度信息技术的研究人员。它最大的变体 YOLOv9e 适用于密集场景中对准确率要求极高的分析任务，此时部署复杂度低于算法性能的重要性。
何时选择 YOLO11#
对于生产环境，YOLO11 是更合适的选择。它的目标检测能力适用于智慧城市交通管理，也适用于 Raspberry Pi 或 NVIDIA Jetson 等边缘设备。此外，它支持多种任务，因此单一开发流水线就能处理制造业中的分割任务和体育分析中的姿态估计。
认识 YOLO26#
对于如今开始新项目的开发者，Ultralytics 推荐使用 YOLO26（于 2026 年 1 月发布），这是最新的 Ultralytics YOLO 模型。
YOLO26 将近期的多项进展融入了适用于生产环境的模型：
- 端到端无 NMS 设计：YOLO26 的可选一对一检测头（
nms=False）跳过非极大值抑制 (NMS) 后处理，从而简化部署流水线并提高速度。 - 移除 DFL：移除分布焦点损失可提升模型与低功耗设备和边缘 AI 加速器的兼容性。
- MuSGD 优化器：MuSGD 优化器（结合 SGD 和 Muon 的混合优化器）受大语言模型 (LLM) 训练方法启发，可实现稳定训练和更快收敛。
- CPU 推理速度最高提升 43%：YOLO26n 在 CPU 上的运行速度比 YOLO11n 最多快 43%，适合没有专用 GPU 的边缘计算设备。
- ProgLoss + STAL：渐进式损失和小目标感知标签分配 (STAL) 可提升小目标识别能力，这对农业监测和航拍图像至关重要。
想要探索不同架构的用户，也可以了解基于 Transformer 的检测模型 RT-DETR，或用于零样本开放词汇检测的 YOLO-World。
结论#
YOLO11 和 YOLOv9 都是计算机视觉发展史上的重要模型。YOLOv9 在特征保留方面提出了值得关注的架构理念。对于大多数真实场景部署，从企业 AI 应用到移动边缘设备，YOLO11 的易用性、内存效率和多任务支持优势明显。对于新系统，更新的 YOLO26 还能带来更快的 CPU 推理和可选的无 NMS 部署。