YOLOv7 与 YOLOv9
实时目标检测领域发展迅速,每一代新模型都在不断提升边缘设备和云服务器上的性能。在为计算机视觉项目评估架构时,开发者经常将成熟的基准模型与新设计进行比较。本指南将比较 YOLO 系列中的两个重要里程碑:YOLOv7 和 YOLOv9。
本指南介绍它们的架构、性能指标和理想部署场景,帮助你为应用选择合适的模型;同时还将说明 Ultralytics Platform 和 Python API 如何让 YOLOv9 等受支持模型更易于训练、验证和部署。
模型演进与技术规格#
了解这些模型的起源和设计理念,有助于理解它们的能力。两种模型有着相同的研究渊源,但针对不同的架构瓶颈。
YOLOv7:免费赠品组合的先驱#
YOLOv7 于 2022 年年中发布,成为广泛使用且经过良好优化的架构。它引入了结构重参数化和“可训练的免费增益包”方法,在不牺牲推理速度的情况下保持较高的平均精度均值(mAP)。
- 作者: Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao
- 机构: 台湾中央研究院资讯科学研究所
- 日期:2022 年 7 月 6 日
- arXiv: 2207.02696
- GitHub: WongKinYiu/yolov7
架构创新:YOLOv7 采用扩展高效层聚合网络(E-ELAN),通过扩展、打乱和合并基数,让模型学习更多样的特征。这种设计充分利用 GPU,并实现出色的推理延迟。不过,与较新的模型相比,它在复杂训练过程中可能需要大量内存。
YOLOv9:解决信息瓶颈#
YOLOv9 于 2024 年初由同一研究团队推出,旨在解决深度神经网络固有的“信息瓶颈”问题。数据经过深层网络时,关键细节往往会丢失。YOLOv9 通过新的架构组件缓解了这一问题。
- 作者:Chien-Yao Wang 和 Hong-Yuan Mark Liao
- 机构: 台湾中央研究院资讯科学研究所
- 日期: 2024 年 2 月 21 日
- arXiv:2402.13616
- GitHub: WongKinYiu/yolov9
架构创新:YOLOv9 引入了可编程梯度信息(PGI)和广义高效层聚合网络(GELAN)。PGI 确保可靠的梯度得到保留,并反馈用于准确更新权重。GELAN 最大限度地提高参数效率,让 YOLOv9 能以比前代模型少得多的 FLOPs 实现高准确度。
性能分析#
选择架构时,AI 工程师必须在准确度、推理速度和计算成本之间取得平衡。下表重点展示了这些模型在标准 COCO 数据集上的性能差异。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
要点总结#
- 参数效率: YOLOv9m 在准确率上与 YOLOv7l 持平(51.4% mAP),同时参数量减少约 45%(20.1M 对比 36.9M)。参数减少让 YOLOv9m 更容易部署到内存受限的边缘 AI设备上。
- 微型部署: YOLOv9t(微型版)搭配 TensorRT 时,在 T4 GPU 上的运行时间为 2.3 ms,适合实时限制严格的环境。
- 最高准确率: 对准确率要求最高的应用可选用 YOLOv9e,其 mAP 达到 55.6%,比 YOLOv7x 高 2.5 个百分点。
虽然 YOLOv7 和 YOLOv9 都是功能强大的模型,但对于新项目,目前推荐使用 YOLO26,这是 Ultralytics 当前推荐的模型。它采用原生的端到端无 NMS 设计(可通过 nms=False 选择启用),跳过 非极大值抑制(NMS)后处理,并使 CPU 推理速度最高提升 43%(YOLO26n 对比 YOLO11n)。MuSGD 优化器可提升训练稳定性,而 ProgLoss + STAL(渐进式损失和小目标感知标签分配)则能改善小目标检测。
Ultralytics 优势#
选择模型架构只是第一步。围绕模型的软件生态决定了你从原型开发迈向生产部署的速度。通过 Ultralytics Python API 集成 YOLOv9 等受支持的模型,能为开发者和研究人员带来显著优势。
易用性与训练效率#
过去,训练 YOLOv7 需要复杂的数据准备和大量定制脚本。Ultralytics 框架负责处理这些细节,让开发者只需少量代码,就能切换架构、试验超参数调优,并使用内置的数据增强流程。
Ultralytics 还针对训练和推理优化了内存用量。与 RT-DETR 等更庞大的Transformer 模型相比,Ultralytics YOLO 架构通常训练速度更快,所需 CUDA 内存更少,因此在消费级 GPU 上也很实用。
代码示例:简化训练流程#
下面的可运行示例使用 Ultralytics Python API 训练、验证并导出 YOLOv9 模型:
from ultralytics import YOLO
# 初始化模型(你可以将 'yolov9c.pt' 替换为 'yolo26n.pt')
model = YOLO("yolov9c.pt")
# 使用 COCO8 示例数据集训练模型
train_results = model.train(
data="coco8.yaml",
epochs=50,
imgsz=640,
device="0", # 如果可用,使用 GPU 0
batch=16, # 优化批次大小以提高内存利用效率
)
# 在验证集上评估模型性能
metrics = model.val()
# 将训练好的模型导出为 ONNX 格式,以便部署
model.export(format="onnx")跨任务的通用性#
维护良好的生态系统还可以支持更多计算机视觉任务。YOLOv7 主要面向目标检测(后续实验分支才支持其他任务),而现代 Ultralytics 模型原生支持多种任务。开箱即用,你就可以执行实例分割、图像分类、姿态估计和有向边界框(OBB)检测。
理想用例与应用#
选择 YOLOv7 还是 YOLOv9,通常取决于你的行业特定限制和硬件可用性。
何时使用 YOLOv7#
- 旧版边缘部署: 对于已针对 YOLOv7 E-ELAN 架构完成调优的硬件环境,它仍是工业 IoT的可靠选择。
- 交通监控: YOLOv7 的高帧率和经过验证的稳定性,使其非常适合智慧城市基础设施和实时交通管理。
- 机器人集成:在动态环境中导航需要低延迟处理,而 YOLOv7 的多个变体已在这类场景中经过广泛测试。
何时使用 YOLOv9#
- 医学成像: PGI 有助于 YOLOv9 在深层网络中保留细粒度细节,这对肿瘤检测等医学图像分析任务很有价值。
- 密集零售分析: 在零售货架上追踪和计数密集摆放的商品时,YOLOv9 的特征融合可以提高准确率并减少漏检。
- 航空和无人机影像:YOLOv9m 的参数效率使无人机能够处理高分辨率图像,有助于开展野生动物保护和农业监测,同时避免耗尽电池电量。
结论#
YOLOv7 和 YOLOv9 都是 YOLO 系列中的重要里程碑。YOLOv7 引入了面向实时处理的关键优化,而 YOLOv9 则解决了深度网络中的信息丢失问题,从而提升了参数效率。
不过,对于新项目,YOLO11 和 YOLO26 等较新的 Ultralytics 模型,在速度、准确率和开发者体验之间实现了更好的平衡。YOLO26 采用 MuSGD 优化器,并移除 Distribution Focal Loss(DFL)以提高对更多硬件的兼容性,因此是推荐的起点。
评论
提出问题、分享结果,或帮助其他人。