开始使用

YOLOv9 与 PP-YOLOE+ 对比

实时目标检测领域持续快速发展,为计算机视觉工程师提供了丰富的选择,使他们能够在边缘和云端基础设施上部署高精度模型。该领域的两款知名模型是 YOLOv9 和 PP-YOLOE+。两者都兼具出色的准确率和速度,但它们源自不同的研究脉络和软件生态系统。

本文将从技术角度比较它们的架构、训练方法、性能指标和理想的实际应用场景。文章还会说明,更广泛的 Ultralytics 生态系统如何帮助重视易用性、内存效率和灵活部署的开发者。

模型起源与技术规格#

了解这些模型的背景,有助于理解其架构决策和框架依赖。

YOLOv9:解决信息瓶颈#

YOLOv9 于 2024 年初推出,旨在解决信息在深层神经网络中传递时发生的数据损失。它是一种高效的卷积神经网络,专为最大化参数效率而设计。

了解有关 YOLOv9 的更多信息

PP-YOLOE+:推动 Paddle 生态系统发展#

PP-YOLOE+ 于 2022 年由百度发布,是对 PP-YOLOv2 的迭代改进。它采用无锚框设计,并在 PaddlePaddle 框架中引入动态标签分配策略,以提升收敛速度和准确率。

详细了解 PP-YOLOE+

架构对比#

可编程梯度信息与 CSPRepResStage#

YOLOv9 的核心创新是可编程梯度信息 (PGI)。PGI 充当辅助监督框架,确保训练期间重要的梯度信息得以保留,并准确地反向传播到浅层。它与通用高效层聚合网络 (GELAN)相结合,融合了 CSPNet 和 ELAN 的优势,在降低计算成本 (FLOPs) 的同时实现高准确率。

PP-YOLOE+ 依赖一个名为 CSPRepResStage 的专用骨干网络。它采用重参数化技术(与 RepVGG 中的技术类似),在部署期间合并卷积层,以加快推理速度。此外,它还使用高效任务对齐检测头 (ET-head),平衡分类和回归任务。

PP-YOLOE+ 虽然性能稳健,但 YOLOv9 的 GELAN 架构在各种模型规模下使用的参数都更少,因此推理时的内存占用更小,也非常适合边缘 AI 设备。

性能对比#

在评估用于生产环境的模型时,mAP(平均精度均值)、推理速度和模型大小之间的权衡至关重要。

模型尺寸
(像素)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

分析#

  • 参数效率:YOLOv9 的参数效率更高。例如,YOLOv9c 仅用 25.5M 个参数就达到了 53.0% 的 mAP;而 PP-YOLOE+l 需要超过两倍的参数(52.2M),mAP 却略低,仅为 52.9%,因此 YOLOv9 的内存需求更低。PP-YOLOE+ 在 s 和 m 规模下的 FLOPs 确实更少。
  • 推理速度:YOLOv9 在 NVIDIA T4 GPU 上使用 TensorRT时速度很有竞争力,其中 YOLOv9t 是这里最快的模型;而 PP-YOLOE+ 在 s、m 和 x 规模下速度更快。这两个系列都适用于实时推理。

训练方法与生态系统#

如何在这些模型之间做出选择,往往取决于软件生态系统。

PP-YOLOE+ 与 PaddlePaddle#

PP-YOLOE+ 与 PaddleDetection 套件紧密结合。它虽然功能强大,但要求用户适应高度依赖配置文件和命令行的环境。对于深度融入 PyTorch 或 TensorFlow 生态系统的团队而言,转向 PaddlePaddle 会带来明显阻碍,也需要更陡峭的学习曲线。

Ultralytics 的优势:简化工作流程#

相比之下,YOLOv9 获得了面向开发者和研究人员、并优先考虑易用性的 Ultralytics 生态系统支持。Python API省去了大部分样板代码。

from ultralytics import YOLO

# 加载预训练的 YOLOv9 模型
model = YOLO("yolov9c.pt")

# 在自定义数据集上训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# 运行推理并可视化结果
results = model("https://ultralytics.com/images/bus.jpg")

# 导出为 ONNX,以便部署到生产环境
model.export(format="onnx")

这一工作流体现了 Ultralytics 模型的训练效率。数据增强、分布式训练,以及自动记录到 Weights & Biases 或 MLflow 等平台的功能均为原生支持。

探索视觉 AI 的最新进展

YOLOv9 表现出色,但 Ultralytics 建议新项目使用 Ultralytics YOLO26。YOLO26 具有原生的端到端无 NMS 设计(可通过 nms=False 选择启用),无需非极大值抑制 (NMS) 后处理,从而简化部署。通过移除 DFL(移除分布焦点损失,以简化导出并提升对边缘设备和低功耗设备的兼容性),YOLO26n 的 CPU 推理速度比 YOLO11n 最多快 43%,适用于边缘计算。MuSGD 优化器带来稳定训练和快速收敛,ProgLoss + STAL(渐进损失与小目标感知标签分配)则提升小目标检测能力,这对物联网、机器人和航空图像至关重要。

多功能性与任务支持#

现代计算机视觉项目很少只涉及简单的边界框。

PP-YOLOE+ 主要面向标准目标检测。要将其架构应用于其他任务,需要大量定制工程工作。

相比之下,Ultralytics 框架支持多种任务。借助统一 API,开发者可以从标准目标检测切换到实例分割、图像分类、姿态估计,以及用于航空图像的旋转框 (OBB)检测。这种灵活性是团队选择 YOLOv9、YOLO11 和 YOLO26 等 Ultralytics 支持模型的一个重要原因。

理想用例与应用#

  • 智慧城市分析与交通管理: YOLOv9(以及后续的 YOLO26)参数效率高、延迟低,非常适合部署在 NVIDIA Jetson 设备等受限边缘硬件上,用于监测交通流量和城市安全。
  • 零售库存系统:要检测货架上密集排列的小商品,YOLOv9 的 PGI 有助于保留精细的空间细节,从而提升小目标检测效果。
  • 旧系统部署:对于必须在现有基础设施中使用百度/PaddlePaddle 软件栈的团队,PP-YOLOE+ 仍是一个实用选择。

对于研究基于 Transformer 的架构的研究人员,Ultralytics 也在同一个 API 中原生支持 RT-DETR,因此你可以根据部署需求选择最合适的模型。

评论

提出问题、分享结果,或帮助其他人。