YOLOv9 与 RTDETRv2#

近年来，实时目标检测领域经历了范式转变。两种截然不同的架构理念脱颖而出，主导了这一领域：高度优化的卷积神经网络 (CNNs) 和实时检测 Transformer (DETRs)。YOLOv9 和 RTDETRv2 分别代表了这两种方法的巅峰。

本指南全面对比这两款强大的模型，分析它们的架构创新、性能指标和理想部署场景，帮助你为计算机视觉流程选择合适的模型。

执行摘要#

两款模型都达到了最先进的水平，但它们适用于略有不同的部署限制和开发生态系统。

• 选择 YOLOv9 的情况： 你需要高效利用参数，并在边缘设备上实现快速推理。YOLOv9 将 CNN 效率的理论极限推向新高度，非常适合计算资源受到严格限制的环境。
• 选择 RTDETRv2 的情况： 你需要 Transformer 提供的细致上下文理解能力，尤其是在存在严重遮挡或复杂对象关系的场景中，并且硬件能够支持略重的架构。
• 选择 YOLO26（推荐）的情况： 你希望两全其美。作为 Ultralytics Platform 上提供的最新一代模型，YOLO26 采用可选的端到端无 NMS 设计（nms=False，与 DETR 模型相似，但速度快得多），消除了后处理瓶颈，并使 CPU 推理速度比前几代最高提升 43%。

技术规格与作者信息#

了解这些模型的起源和设计意图，有助于深入理解其架构选择。

YOLOv9#

• 作者：Chien-Yao Wang 和 Hong-Yuan Mark Liao
• 机构：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： WongKinYiu/yolov9

了解有关 YOLOv9 的更多信息

RTDETRv2#

• 作者： Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang 和 Yi Liu
• 组织： 百度
• 日期： 2024-07-24
• Arxiv： https://arxiv.org/abs/2407.17140
• GitHub： lyuwenyu/RT-DETR

进一步了解 RTDETRv2

架构创新#

YOLOv9：解决信息瓶颈#

YOLOv9 引入了两项重大创新，旨在解决数据通过深层神经网络时出现的信息丢失问题：

1. 可编程梯度信息 (PGI)： 这一辅助监督框架可确保生成可靠的梯度来更新网络权重，即使在非常深的网络层中也能保留关键特征信息。
2. 广义高效层聚合网络 (GELAN)： 一种融合 CSPNet 和 ELAN 优势的新型架构。GELAN 优化了参数效率，使 YOLOv9 能以更少的 FLOPs 达到比传统 CNN 更高的准确率。

RTDETRv2：增强实时 Transformer#

在原版 RT-DETR 成功的基础上，RTDETRv2 采用基于 Transformer 的架构，从根本上避免了对非极大值抑制 (NMS) 的需求。它的改进包括：

1. 免费增益策略： v2 版本纳入了先进的训练技术和数据增强方法，大幅提升准确率，同时不会增加推理延迟开销。
2. 高效混合编码器： RTDETRv2 通过解耦的尺度内和跨尺度注意力机制处理多尺度特征，高效降低了视觉 Transformer 通常较高的计算成本。

性能对比#

在评估用于生产环境的模型时，准确率与计算需求之间的权衡至关重要。下表概述了不同模型尺寸在标准基准测试中的性能。

分析#

数据显示，YOLOv9 在参数效率方面保持明显优势。YOLOv9c 模型仅用 25.5M 个参数便达到出色的 53.0 mAP，体积十分轻巧。

相比之下，RTDETRv2 在中大型模型类别中表现出强劲竞争力。不过，这也意味着参数量更高，FLOPs 显著增加，这是 Transformer 模型的典型特点。这种架构差异也会影响内存用量：与 Transformer 模型相比，YOLO 模型在训练和推理期间通常需要少得多的 CUDA 内存。

Ultralytics 的优势：生态系统与多功能性#

纯粹的架构指标固然重要，但软件生态系统往往决定了 AI 项目的成败。通过 Ultralytics Python API 使用这些先进模型，可以获得无与伦比的优势。

简化训练与部署流程#

训练检测 Transformer 通常需要复杂的配置文件和高端 GPU。借助 Ultralytics 框架，开发者可以使用相同的简单语法训练 YOLOv9 和 RT-DETR 模型，并受益于高效的训练流水线和随时可用的预训练权重。

from ultralytics import RTDETR, YOLO

# 训练 YOLOv9 模型
model_yolo = YOLO("yolov9c.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# 使用完全相同的 API 训练 RTDETR 模型
model_rtdetr = RTDETR("rtdetr-l.pt")
model_rtdetr.train(data="coco8.yaml", epochs=100, imgsz=640)

# 轻松将模型导出为 OpenVINO 或 TensorRT
model_yolo.export(format="openvino")

无与伦比的任务灵活性#

RTDETRv2 等专用模型的一个主要局限是仅专注于边界框检测。相比之下，更广泛的 Ultralytics 生态系统涵盖 YOLO11 和 YOLOv8 等模型，支持种类繁多的计算机视觉任务。其中包括像素级精准的实例分割、骨架姿态估计、整幅图像分类，以及用于航空影像的有向边界框 (OBB)检测。

实际应用#

高速边缘分析#

对于需要在边缘设备上实时识别产品的零售环境或制造产线，YOLOv9 是更优的选择。其 GELAN 架构可在 NVIDIA Jetson 系列等受限硬件上实现高吞吐量，从而支持自动化质量控制，且不会产生明显延迟。

复杂场景分析#

在密集人群监控或复杂交通路口等场景中，物体经常相互遮挡，RTDETRv2 的全局注意力机制表现出色。该模型能够原生地理解整幅图像的上下文，即使物体被部分遮挡，也能保持稳健的跟踪和检测能力。

用例与建议#

在 YOLOv9 和 RT-DETR 之间做出选择，取决于你的具体项目需求、部署限制和生态系统偏好。

何时选择 YOLOv9#

YOLOv9 适用于：

• 信息瓶颈研究：研究可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 架构的学术项目。
• 梯度流优化研究：重点研究如何理解并缓解训练期间深层网络层中的信息损失。
• 高准确率检测基准测试：需要将 YOLOv9 在 COCO 基准测试中的出色表现作为架构对比参照的场景。

何时选择 RT-DETR#

以下情况推荐使用 RT-DETR：

• 基于 Transformer 的检测研究：探索注意力机制和 Transformer 架构，以实现无需 NMS 的端到端目标检测。
• 对延迟要求灵活的高精度场景：检测准确率至关重要，且可以接受略高推理延迟的应用。
• 大型目标检测：场景中的目标以中大型为主，此时 Transformer 的全局注意力机制能够发挥天然优势。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡：

• 无 NMS 的边缘部署：适用于要求推理延迟稳定且较低，同时不希望增加非极大值抑制后处理复杂度的应用。
• 仅使用 CPU 的环境：适用于没有专用 GPU 加速的设备，此时 YOLO26 的 CPU 推理速度最高提升 43%，可带来显著优势。
• 小目标检测：适用于无人机航拍影像等具有挑战性的场景，或 IoT 传感器分析等需要 ProgLoss 和 STAL 大幅提升微小目标准确率的场景。

未来已来：YOLO26 登场#

YOLOv9 和 RTDETRv2 都取得了巨大成就，但计算机视觉领域发展迅速。对于希望启动新项目的开发者，YOLO26 是推荐的先进解决方案。

YOLO26 于 2026 年发布，融合了 CNN 和 DETR 的最佳特性。它采用可选的端到端无 NMS 设计 (nms=False)，无需进行 NMS 后处理；这一技术最早由 YOLOv10 首创。此外，YOLO26 移除了分布焦点损失 (DFL)，以提升边缘端兼容性，并引入了革命性的 MuSGD 优化器。这一混合优化器的设计灵感源自大语言模型训练（尤其是 Moonshot AI 的 Kimi K2），可确保前所未有的训练稳定性和更快的收敛速度。

结合 ProgLoss 和 STAL（渐进式损失与小目标感知标签分配），YOLO26 能够出色地识别小目标，CPU 推理速度最高提升 43%，进一步巩固了其作为现代 AI 部署首选模型的地位。