YOLOv9 与 YOLOv5
计算机视觉领域发展迅速,目标检测为许多工业和研究应用提供了基础。选择合适的架构通常需要仔细评估平均精度均值(mAP)、推理速度和内存开销。本次比较将探讨两种具有重要影响力的模型:以梯度信息保留方面的架构改进著称的 YOLOv9,以及经过实战验证、广泛使用,并以易用性和部署灵活性著称的 Ultralytics YOLOv5。
架构创新与技术起源#
了解这两款模型的底层机制,有助于深入理解各自的性能表现。
YOLOv9:可编程梯度信息#
YOLOv9 由台湾中央研究院信息科学研究所的 Chien-Yao Wang 和 Hong-Yuan Mark Liao 开发,于 2024 年 2 月 21 日发布。该模型引入了两个新概念,以解决深度神经网络中常见的信息瓶颈问题:可编程梯度信息(PGI)和广义高效层聚合网络(GELAN)。
通过利用 PGI,YOLOv9 确保关键数据在前馈过程中得以保留,从而带来更可靠的梯度更新。同时,GELAN 架构最大限度地提升了参数效率,使模型能够以较低的计算开销实现高精度。你可以在官方 YOLOv9 arXiv 论文中了解技术细节,也可以查看 YOLOv9 GitHub 仓库。
Ultralytics YOLOv5:生产环境标准#
YOLOv5 由 Glenn Jocher 撰写,于 2020 年 6 月 26 日由 Ultralytics 发布,大幅提升了计算机视觉的易用性。作为最早原生基于 PyTorch 框架构建的目标检测模型之一,它避开了旧版 Darknet C 框架的复杂性。YOLOv5 使用基于 CSPNet 的骨干网络和 PANet 颈部结构,在速度与精度之间实现了平衡。
不过,它最大的优势在于与更广泛的 Ultralytics 生态系统集成。YOLOv5 针对快速训练和低内存环境进行了优化,因此在边缘部署中十分稳定。
在为边缘设备评估模型时,请记住,与大型 Transformer 架构相比,Ultralytics YOLO 模型在训练和推理期间通常所需的 GPU 内存要少得多。
性能分析:速度与精度#
设计计算机视觉流水线时,开发者必须权衡精度与延迟。下表展示了在标准 COCO 数据集上的性能差异。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
权衡分析#
在表中所有尺寸下,YOLOv9 的 mAP 都高于 YOLOv5,精度更胜一筹。YOLOv9e 的 mAP 达到 55.6%,并借助 GELAN 层保留细粒度细节,因此非常适合医学影像或要求严格检测小目标精度的场景。
相反,YOLOv5 在原始 GPU 速度和硬件灵活性方面领先。YOLOv5n(Nano)非常轻量,通过 TensorRT 在 T4 GPU 上的推理时间仅为 1.12ms。如果你要将模型部署到受限的 IoT 设备、手机或 Raspberry Pi 上,YOLOv5 的小内存占用使其成为可靠的选择。
Ultralytics 生态系统的优势#
选择模型时,一个重要考量因素是周边软件生态系统。YOLOv9 虽然在研究基准测试中表现出色,但通过现代 Ultralytics Python API 使用这两种模型可以弥合差距,为开发者提供统一、流畅的体验。
易用性与导出#
Ultralytics 负责处理复杂的工程工作。自动数据增强和超参数调优等功能均开箱即用。将模型投入生产同样简单,你可以使用内置导出命令将模型转换为 ONNX、OpenVINO 或 LiteRT 格式。
任务通用性#
虽然这两种模型都擅长目标检测,但现代 Ultralytics 模型旨在应对各种计算机视觉挑战。更广泛的框架原生支持实例分割、图像分类、姿态估计和有向边界框(OBB),让开发者无需切换代码库就能解决多个视觉问题。
用例与建议#
如何在 YOLOv9 和 YOLOv5 之间选择,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 YOLOv5#
推荐在以下情况下选择 YOLOv5:
- 经过验证的生产系统: 对于重视 YOLOv5 长期稳定记录、详尽文档和庞大社区的现有部署场景。
- 资源受限的训练: GPU 资源有限的环境中,YOLOv5 高效的训练流水线和较低的内存需求具有优势。
- 广泛支持导出格式:适用于需要跨多种格式部署的项目,包括 ONNX、TensorRT、CoreML 和 LiteRT。
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 边缘部署:需要稳定、低延迟推理,同时不想处理非极大值抑制(NMS)后处理复杂性的应用。
- 仅使用 CPU 的环境: 没有专用 GPU 加速的设备中,YOLO26n 的 CPU 推理速度最高比 YOLO11n 快 43%,优势显著。
- 小目标检测:具有挑战性的场景,例如无人机航拍图像或 IoT 传感器分析。在这些场景中,ProgLoss 和 STAL 可以提升微小目标的检测精度。
实现示例#
借助 Ultralytics 生态系统,你只需更改权重字符串,就能在 YOLOv5 模型和 YOLOv9 模型之间切换。
from ultralytics import YOLO
# 加载预训练的 YOLOv9 模型(将其替换为 "yolov5su.pt" 即可使用 YOLOv5u)
model = YOLO("yolov9c.pt")
# 在自定义数据集上高效训练模型
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 对新图像运行推理
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")
# 导出为 ONNX,以便部署
model.export(format="onnx")探索更新的架构#
YOLOv5 和 YOLOv9 都是各具优势的出色模型,但该领域仍在不断发展。探索新项目的用户也可以评估 Ultralytics 的最新迭代版本。
- YOLO11:YOLOv8 系列的改进版本,在所有视觉任务中都能出色地平衡速度与精度。
- YOLO26:YOLO26 于 2026 年 1 月发布,是新流水线的推荐模型。它引入了可选的端到端无 NMS 设计(
nms=False),消除 NMS 后处理瓶颈。通过移除 DFL(移除分布焦点损失,简化导出并提升对边缘和低功耗设备的兼容性),YOLO26n 的 CPU 推理速度比 YOLO11n 最高快 43%。MuSGD 优化器可提升训练稳定性,而 ProgLoss + STAL(渐进式损失和小目标感知标签分配)则能改善小目标检测,适用于边缘和云端部署中的 IoT、机器人和航空影像任务。
对于管理大型数据集和复杂部署流水线的团队,Ultralytics Platform 提供了免代码方式来训练、跟踪和部署这些模型。
评论
提出问题、分享结果,或帮助其他人。