YOLOv9 与 YOLOv10#
实时计算机视觉领域取得了巨大进步，这很大程度上得益于研究人员不断突破性能与效率的边界。在分析最先进的视觉模型演进时，YOLOv9 和 YOLOv10 代表了两个关键里程碑。这两个模型均于 2024 年初发布，引入了范式转变的架构设计，以解决深度神经网络中长期存在的问题，从信息瓶颈到后处理延迟。
本全面技术比较探讨了它们的架构、性能指标和理想部署场景，帮助你驾驭现代目标检测生态系统的复杂性。
模型起源与架构突破#
理解这些模型的血统和理论基础对于为你的特定计算机视觉项目选择正确的架构至关重要。
YOLOv9：掌控信息流#
YOLOv9 于 2024 年 2 月 21 日推出，旨在解决数据通过深度神经网络时出现的信息丢失这一理论问题。
- 作者： Chien-Yao Wang 和 Hong-Yuan Mark Liao
- 组织：台湾中央研究院资讯科学研究所
- 参考：YOLOv9 arXiv 论文
- 仓库：YOLOv9 GitHub
YOLOv9 引入了广义高效层聚合网络 (GELAN)，它结合了 CSPNet 和 ELAN 的优势，实现了参数利用率的最大化。此外，它采用了可编程梯度信息 (PGI)，这是一种辅助监督机制，可确保深层保留关键的空间信息。这使得 YOLOv9 在需要高特征保真度的任务中表现异常出色，例如医学图像分析或远距离监控。
YOLOv10：实时端到端效率#
YOLOv10 于 2024 年 5 月 23 日发布，通过消除目标检测中最臭名昭著的延迟瓶颈之一：非极大值抑制 (NMS)，重塑了部署流水线。
- 作者： Ao Wang, Hui Chen, Lihao Liu 等
- 机构： Tsinghua University
- 参考：YOLOv10 arXiv 论文
- 仓库：YOLOv10 GitHub
YOLOv10 在训练期间利用一致的双重分配，实现了原生无 NMS 设计。这消除了推理过程中的后处理开销，大大减少了延迟。结合整体效率与准确性驱动的模型设计，YOLOv10 实现了出色的平衡，在降低计算开销 (FLOPs) 的同时保持了具有竞争力的精度，使其对边缘计算应用极具吸引力。
性能与指标对比#
当在标准的 MS COCO 数据集上对这两个强大的模型进行基准测试时，纯准确率与推理延迟之间会出现明显的权衡。
| 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) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
数据分析#
- 延迟与准确度： YOLOv10 模型通常提供更快的推理速度。例如，YOLOv10s 在 TensorRT 上仅需 2.66ms 即可实现 46.7% mAP，而 YOLOv9s 则需要 3.54ms 才能达到几乎相同的 46.8% mAP。
- 顶级精度： 对于需要最高检测准确度的研究场景，YOLOv9e 仍然是一个强大的选择，达到了惊人的 55.6% mAP。其 PGI 架构确保了细微特征能够被可靠地提取。
- **效率：**YOLOv10 在浮点运算效率方面表现优异。这直接转化为更低的功耗，这是运行视觉 AI 模型的电池供电设备的关键指标。
如果你要部署到 CPU 或资源受限的边缘硬件（如 Raspberry Pi），YOLOv10 的 NMS-free 架构通常会通过消除非确定性的后处理步骤来提供更流畅的流水线。
Ultralytics 的优势：训练与生态系统#
虽然架构差异至关重要，但周边的软件生态系统在很大程度上决定了项目的成败。YOLOv9 和 YOLOv10 都完全集成到Ultralytics 生态系统中，提供无与伦比的开发者体验。
易用性与内存效率#
与受严重内存膨胀困扰的复杂 Transformer 架构不同，Ultralytics YOLO 模型专为优化GPU 内存使用而设计。这使研究人员能够在消费级硬件上利用更大的批大小，从而使先进的 AI 触手可及。
统一的 Python API 抽象掉了数据增强和超参数调优的复杂性。你只需更改权重文件字符串即可在架构之间无缝切换。
from ultralytics import YOLO
# Load a YOLOv10 model (Easily swap to "yolov9c.pt" for YOLOv9)
model = YOLO("yolov10n.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Validate the model's performance
metrics = model.val()
# Export the trained model to ONNX format for deployment
model.export(format="onnx")无论你是需要将指标记录到 MLflow 还是导出到 TensorRT 以进行高速硬件部署，Ultralytics 平台都能原生支持。
理想使用场景#
在这些模型之间进行选择取决于你的部署限制：
- **选择 YOLOv9 如果：**你正在处理小目标检测任务（例如航拍无人机图像或检测小型肿瘤），其中 GELAN 架构的特征保留提供了最高保真度。
- **选择 YOLOv10 如果：**你的主要目标是边缘设备上的实时推理。无 NMS 设计使其非常适合自动机器人、实时交通监控和智能监控。
面向未来：转向 YOLO26#
虽然 YOLOv8、YOLOv9 和 YOLOv10 是出色的模型，但希望构建现代 AI 解决方案的开发人员应该考虑于 2026 年 1 月发布的 Ultralytics YOLO26。
YOLO26 代表了前几代技术的终极综合，结合了 YOLOv9 的准确性和 YOLOv10 的效率方面的最佳特性。
YOLO26 的关键创新#
- 端到端 NMS-free 设计： 基于 YOLOv10 打下的基础，YOLO26 原生地消除了 NMS 后处理，以简化部署。
- MuSGD 优化器： SGD 和 Muon 的混合体，将大语言模型 (LLM) 训练的先进创新引入到计算机视觉中，实现了极高稳定且快速的收敛。
- CPU 推理速度最高提升 43%： 针对边缘计算和没有专用 GPU 的设备进行了特别优化。
- **移除 DFL：**移除了分布焦点损失，以简化模型导出并提高低功耗设备的兼容性。
- ProgLoss + STAL： 这些改进的损失函数在小目标识别方面带来了显著提升，达到了甚至超过了 YOLOv9 的能力。
对于评估传统架构的研究人员来说，RT-DETR和YOLO11也是 Ultralytics 生态系统中记录完备的替代方案。然而，为了在所有视觉任务中获得最大的多功能性，过渡到Ultralytics 平台上的 YOLO26 可以确保你充分利用开源视觉 AI 的巅峰之作。