在 GitHub 上编辑页面 (EN)

YOLOv9 与 YOLO11：现代目标检测的技术深度解析

计算机视觉的飞速发展不断突破实时目标检测的极限。在比较领先的架构时，YOLOv9 和 Ultralytics YOLO11 脱颖而出，成为里程碑式的飞跃，各自满足不同的技术需求。YOLOv9 引入了在深度网络训练期间保留梯度流的新颖方法，而 YOLO11 则凭借卓越的效率、多功能性和易用性彻底改变了通用视觉生态系统。

这份全面的技术比较分析了它们的架构、性能指标、内存需求和理想部署场景，旨在帮助你为下一个 AI 项目选择最优模型。

用 YOLO26 为你的项目进行未来规划

虽然 YOLOv9 和 YOLO11 是非常优秀的一代模型，但新发布的 YOLO26 代表了下一次飞跃。它采用端到端的无 NMS 设计以简化部署，CPU 推理速度提升高达 43%，并引入了创新的 MuSGD 优化器以实现快速收敛。对于所有新的生产项目，强烈推荐使用 YOLO26。

技术规格与创作团队

了解这些模型的沿革为它们的架构决策和框架依赖提供了必要的背景信息。

YOLOv9

YOLOv9 在学术上高度聚焦于深度学习中的信息瓶颈问题，通过自定义网络块极大地优先考虑最大化的特征保真度。

了解关于 YOLOv9 的更多信息

Ultralytics YOLO11

YOLO11 从零开始为生产环境设计，专注于顶级精度、实际部署速度和多任务通用性之间的平衡。

了解关于 YOLO11 的更多信息

架构创新

YOLOv9 中的可编程梯度信息

YOLOv9 在通用高效层聚合网络 (GELAN) 的基础上引入了可编程梯度信息 (PGI) 的概念。随着神经网络变得更深，它们往往会遭受信息瓶颈的困扰，即在前向传播过程中丢失关键细节。PGI 通过提供保留细粒度空间信息的可靠梯度更新来解决这一问题，同时 GELAN 最大化了参数效率。这使得 YOLOv9 在需要高特征保真度的任务中表现尤为出色，尽管它在后处理阶段依赖标准非极大值抑制 (NMS)，这可能会在边缘设备上引入延迟。

YOLO11 的流线型效率

YOLO11 builds on years of foundational research to deliver a highly optimized architecture. It improves upon previous iterations by reducing computational overhead while maximizing feature extraction. Unlike traditional NMS pipelines that bottleneck CPU performance, YOLO11 uses refined detection heads that achieve an incredible balance between latency and precision. Furthermore, YOLO11 boasts inherently lower memory usage during both model training and inference compared to heavy Transformer models, which are often slower to train and require massive amounts of CUDA memory.

性能指标比较

在标准 COCO 数据集上比较这些模型时，两者都展示了惊人的能力，但在原始参数数量和运行速度之间出现了权衡。

以下是 YOLO 性能指标的详细分解。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数
(M)		FLOPs
(B)
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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9

结果分析

  1. Speed and Hardware Efficiency: YOLO11 consistently outperforms YOLOv9 in inference speed. For example, the YOLO11n achieves an astonishing 1.5ms on an NVIDIA T4 GPU using TensorRT, making it incredibly viable for strict real-time pipelines.
  2. 计算需求： YOLO11 模型通常需要更少的 FLOPs（例如 YOLO11m 为 68.0B，而 YOLOv9m 为 76.3B），这意味着在 Raspberry Pi 等电池供电的边缘设备或移动硬件上功耗更低。
  3. 精度对等： 虽然 YOLOv9e 在绝对 mAP 上以微弱优势领先 YOLO11x（55.6 对 54.7），但 YOLO11 以显著更低的延迟（11.3ms 对 16.77ms）达到其峰值精度，展示了对实际部署而言更具优势的性能平衡。

生态系统与易用性

虽然原始指标很重要，但框架生态系统往往决定了项目的成败。这就是 Ultralytics 优势 真正发挥作用的地方。

最初的 YOLOv9 存储库非常专业，提供了尖端的研究实现。然而，Ultralytics 平台及其对应的开源包提供了流线型的用户体验、简单的 API 和详尽的文档，极大地缩短了产品上市时间。

多任务通用性

YOLOv9 主要专注于边界框检测。相比之下，YOLO11 是一个统一的多任务强力模型，原生支持：

无缝部署

Using the Ultralytics ecosystem allows developers to seamlessly export models to an array of formats with a single line of Python code. Whether targeting ONNX, OpenVINO, TFLite, or CoreML, the transition from training to production is effortless.

from ultralytics import YOLO

# Load a highly efficient YOLO11 model
model = YOLO("yolo11n.pt")

# Train rapidly on a custom dataset with minimal memory footprint
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to OpenVINO for Intel CPU acceleration
model.export(format="openvino")

理想用例

何时使用 YOLOv9

YOLOv9 是用于以研究为中心的环境或优先考虑极端特征保真度且硬件延迟不是主要限制的场景的绝佳工具。其 GELAN 架构在医疗影像分析中非常有利，因为在这些场景中检测最小的像素变化至关重要。

为何 YOLO11 是更优选择

对于开发者、工程师和生产团队来说，强烈推荐使用 YOLO11。它在需要高速、可扩展部署的环境中表现优异：

  • 智能零售分析： 使用标准 Intel 处理器无缝跟踪产品和客户。
  • 自主无人机： 低 FLOP 架构在节省电池寿命的同时，仍能提供鲁棒的小目标检测。
  • 动态项目： 工作流可能从检测开始，但后期演变为需要姿态估计或分割。

展望未来：下一次进化

虽然 YOLO11 代表了其代际的尖端水平，但计算机视觉领域仍在不断进步。探索 AI 边界的用户也应关注 YOLO26。

YOLO26 开创了 YOLOv10 中首次探索的端到端无 NMS 设计，并引入了 MuSGD 优化器（SGD 和 Muon 的混合体），实现了前所未有的训练稳定性。通过去除分布焦点损失 (DFL) 以简化导出，并结合 ProgLoss 和 STAL 等先进的损失机制，YOLO26 的 CPU 推理速度提升高达 43%。对于现代项目，它提供了学术创新与生产就绪可靠性的终极结合。此外，从 Ultralytics YOLOv8 等旧系统升级的团队，得益于统一的 Ultralytics API，向 YOLO26 或 YOLO11 的迁移将完全无缝。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher11PDpderrenger1

评论