Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv7 与 YOLOv9#

实时目标检测领域发展迅速，每一次迭代都推动了边缘设备和云服务器性能的边界。在评估计算机视觉项目的架构时，开发者经常会将成熟的基准测试与新兴创新进行对比。这份综合指南对比了 YOLO 家族中两个关键的里程碑：YOLOv7 和 YOLOv9。

我们将分析它们的架构突破、性能指标和理想部署场景，以帮助你为你的应用选择合适的模型。我们还将探讨 Ultralytics Platform 如何统一这些模型，使它们的训练、验证和部署变得更加简单。

Link to this section模型渊源与技术规格#

了解这些模型的起源和设计理念，为理解其功能提供了必要的背景。这两种模型有着共同的研究渊源，但针对的是不同的架构瓶颈。

Link to this sectionYOLOv7：“免费赠品包”的先驱#

YOLOv7 发布于 2022 年年中，它确立了自身作为一种高度可靠且经过深度优化的架构的地位。它引入了结构重参数化和“可训练的免费赠品（bag-of-freebies）”方法，在不牺牲平均精度均值 (mAP) 的前提下保持了极高的推理速度。

架构创新： YOLOv7 采用了扩展高效层聚合网络 (E-ELAN)，该网络通过扩展、洗牌和合并基数，使模型能够学习更多样化的特征。这种设计带来了出色的 GPU 利用率和推理延迟。然而，与现代迭代版本相比，它在复杂的训练运行期间可能需要大量的内存。

了解更多关于 YOLOv7 的信息

Link to this sectionYOLOv9：解决信息瓶颈#

YOLOv9 由同一研究团队于 2024 年初推出，解决了深度神经网络中固有的“信息瓶颈”问题。当数据通过深层时，关键细节往往会丢失。YOLOv9 通过全新的层设计减轻了这一问题。

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 确保了可靠的梯度得以保留并反馈以准确更新权重。GELAN 最大化了参数效率，使 YOLOv9 能够以比其前代产品明显更少的 FLOPs 实现高精度。

了解更多关于 YOLOv9 的信息

Link to this section性能分析#

在选择架构时，AI 工程师必须平衡精度、推理速度和计算成本。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)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数量
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
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

Link to this section关键要点#

  • 参数效率： YOLOv9m 的精度与 YOLOv7l (51.4% mAP) 相当，但参数量减少了近 45% (20.0M 对比 36.9M)。这种大幅缩减使得 YOLOv9m 更容易部署在内存受限的边缘 AI 设备上。
  • 微型部署： YOLOv9t (tiny) 变体的引入提供了令人难以置信的速度（在 T4 TensorRT 上为 2.3ms），适用于对实时性有绝对要求的环境。
  • 最大精度： 对于精度至关重要的应用，YOLOv9e 将检测精度提升至 55.6% mAP，明显优于 YOLOv7x。
为你的计算机视觉项目提供未来保障

虽然 YOLOv7 和 YOLOv9 非常强大，但新发布的 YOLO26 代表了决定性的飞跃。YOLO26 引入了原生端到端 NMS-free 设计，消除了复杂的后处理，并将 CPU 推理速度提高了 43%。通过使用创新的 MuSGD 优化器和增强的 ProgLoss + STAL 损失函数，YOLO26 提供了无与伦比的训练稳定性和小目标检测精度。

Link to this sectionUltralytics 的优势#

选择模型架构只是第一步。围绕模型构建的软件生态系统决定了你能多快从原型转向生产。通过 Ultralytics Python API 集成这些模型，可以为开发者和研究人员提供巨大的优势。

Link to this section易用性与训练效率#

从历史上看，训练 YOLOv7 需要复杂的数据准备和高度定制的脚本。Ultralytics 框架抽象了这些深度学习的复杂性。开发者可以轻松地在不同架构之间切换、试验超参数调优，并以最少的代码利用智能的数据增强流水线。

此外，Ultralytics 在训练和推理期间优化了内存使用。与笨重的转换器模型（如 RT-DETR）不同，Ultralytics YOLO 架构训练速度显著更快，并且所需的 CUDA 内存更少，这使其成为消费级 GPU 的理想选择。

Link to this section代码示例：精简训练#

在 Ultralytics 生态系统中训练最先进的模型非常无缝。以下是一个完全可运行的示例，演示了如何训练和验证 YOLOv9 模型：

from ultralytics import YOLO

# Initialize the model (you can swap 'yolov9c.pt' with 'yolov7.pt' or 'yolo26n.pt')
model = YOLO("yolov9c.pt")

# Train the model on the COCO8 sample dataset
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="0",  # Use GPU 0 if available
    batch=16,  # Optimized batch size for memory efficiency
)

# Validate the model's performance on the validation set
metrics = model.val()

# Export the trained model to ONNX format for deployment
model.export(format="onnx")

Link to this section跨任务的无与伦比的多功能性#

维护良好的生态系统意味着可以使用多样化的计算机视觉任务。虽然 YOLOv7 主要用于目标检测（后来针对其他任务有实验性分支），但现代 Ultralytics 模型天生就具备多功能性。开箱即用，你可以无缝执行实例分割、姿态估计、图像分类和旋转边界框 (OBB) 检测。

Link to this section理想的使用案例和应用#

在 YOLOv7 和 YOLOv9 之间进行选择通常取决于你具体的行业限制和硬件可用性。

Link to this section何时使用 YOLOv7#

  • 传统边缘部署： 对于已经针对 YOLOv7 的 E-ELAN 架构进行深度调整和优化的硬件环境，它仍然是工业物联网的强力选择。
  • 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，这是 YOLOv7 变体经过大量测试的场景。

Link to this section何时使用 YOLOv9#

  • 医学影像： YOLOv9 中的 PGI 架构在通过深层结构保留细粒度细节方面表现出色，这在分析肿瘤检测等复杂的医学图像分析任务时至关重要。
  • 密集零售分析： 对于跟踪和计数零售货架上紧密堆放的商品，YOLOv9 的特征集成提供了卓越的准确性并减少了漏检。
  • 航空和无人机影像： YOLOv9m 的参数效率允许在无人机上进行高分辨率图像处理，助力野生动物保护和农业监测，且不会耗尽电池电量。

Link to this section结论#

YOLOv7 和 YOLOv9 都已在计算机视觉历史上奠定了自己的地位。YOLOv7 引入了针对实时处理的重要优化，而 YOLOv9 则解决了结构性深度学习瓶颈，从而最大化了参数效率。

然而，对于今天开始新项目的开发者来说，利用 Ultralytics 生态系统——特别是像 YOLO11 和 YOLO26 这样的下一代模型——提供了速度、精度和开发者体验之间最理想的权衡。通过 MuSGD 优化器和移除分发焦点损失 (DFL) 以实现更广泛的硬件兼容性等创新，Ultralytics 继续为视觉 AI 专业人士提供最易用且强大的工具。

贡献者
GLglenn-jocher13

评论