YOLOv9 YOLOv5YOLOv9 ：目标检测中的架构演进与传承

YOLO You Only Look Once）家族的演进历程，堪称计算机视觉技术进步的精彩时间线。 YOLOv5Ultralytics 发布，其易用性与生产就绪性树立了全新标杆，成为全球开发者的首选框架。 YOLOv9由中央研究院研究人员于2024年发布，通过可编程梯度信息（PGI）等创新概念突破了理论架构的边界。

本对比分析旨在探讨久经实战考验YOLOv5 与架构创新的YOLOv9 YOLOv5 助您根据具体计算机视觉需求选择最适合的模型。

性能指标比较

下表展示了两种模型在不同尺寸下的基准测试结果。需要注意的是，YOLOv9 理论准确率（mAP）YOLOv9 更优，YOLOv5 在速度和资源效率YOLOv5 竞争力，尤其适用于传统部署场景。

YOLOv5：生产级人工智能的标杆

自2020年由Ultralyticstralytics发布以来， YOLOv5 已成为实用人工智能部署的代名词。它不仅是一种模型架构，更是一场完整的生态系统变革。YOLOv5出现之前，训练目标检测模型通常需要复杂的配置文件和脆弱的C语言框架。YOLOv5 原生的PyTorch 使训练变得简单如单行命令。

• 作者：格伦·乔克
• 组织：Ultralytics
• 日期：2020年6月
• GitHub:ultralytics/yolov5

了解更多关于 YOLOv5

YOLOv5 的主要优势

1. 无与伦比的易用性： Ultralytics 标志性特征Ultralytics 用户体验。YOLOv5 从数据集准备到部署的无缝工作流程。
2. 广泛的平台支持：它提供对 CoreML、 TFLiteONNX提供原生导出支持，使其在移动和边缘应用中展现出非凡的灵活性。
3. 低资源开销：与需要大量GPU 的transformer架构不同YOLOv5 极高的效率，可在消费级硬件甚至Google 等免费云笔记本上进行训练。
4. 稳定性：经过多年的积极维护，边缘案例已得到解决，确保为智能制造和安全领域的关键任务应用提供稳定的平台。

from ultralytics import YOLO

# Load a pretrained YOLOv5s model
model = YOLO("yolov5s.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Show results
results[0].show()

YOLOv9：基于PGI的架构创新

于2024年初发布， YOLOv9 致力于解决深度神经网络中的信息瓶颈问题。随着网络层级加深，关键特征信息在前向传播过程中可能丢失。YOLOv9 通过可编程梯度信息（PGI）和广义高效层聚合网络（GELAN） YOLOv9 这一难题。

• 作者： Chien-Yao Wang, Hong-Yuan Mark Liao
• 组织：中央研究院信息科学研究所
• 日期：2024年2月
• Arxiv:YOLOv9：使用可编程梯度信息学习您想学习的内容
• GitHub:WongKinYiu/yolov9

了解更多关于 YOLOv9

架构突破

• GELAN架构：这种创新架构融合了CSPNet（YOLOv5）和ELAN（YOLOv7）的优势，以实现参数效率最大化。相较于旧版架构，它使模型能够以更少的参数实现更高的准确率。
• 可编程梯度信息（PGI）：PGI通过仅在训练期间使用的辅助分支生成可靠梯度。这确保了深度层在不增加推理成本的前提下保留语义信息，从而提升了在检测小目标等困难任务上的性能。

比较分析：何时使用哪种？

选择这两种模型中的哪一种，取决于您的优先考虑：是部署速度还是最高精度。

1. 培训效率与生态系统

YOLOv5 在生态系统成熟度方面胜出。它已集成到数千种第三方工具中，并拥有庞大的社区支持。若您需要以最低阻力立即部署模型，YOLOv5 或更新的 YOLO11）通常是更稳妥的选择。

YOLOv9Ultralytics 获得全面支持，这意味着用户可以使用相同的简化训练管道。然而，其复杂的架构（辅助分支）有时会导致训练速度较慢，且内存消耗略高于精简YOLOv5。

2. 边缘部署与服务器精度

对于纯粹追求精度的任务，例如离线医学影像分析或高精度工业检测，YOLOv9e相较于YOLOv5x表现显著优越mAP （mAP ）mAP 5%。

然而，对于树莓派或NVIDIA 等边缘设备， YOLOv5 仍是首选方案。其简洁的架构能很好地适配int8量化，在资源受限的硬件上通常能实现更快的推理速度，尽管YOLO26等新型模型正在迅速取代它在这个细分领域中的地位。

3. 任务通用性

两种模型都具有多功能性，但Ultralytics 确保它们支持超越简单检测的广泛任务：

• 实例分割：精准像素级遮罩。
• 分类：全图标注。
• 姿势估计 ：通过追踪人体活动关键点进行动作识别。
• 旋转框检测: 用于航空影像的旋转边界框。

未来：YOLO26

YOLOv9 优秀的模型，但该领域发展迅速。寻求绝对尖端技术的开发者应关注YOLO26。

YOLO26于2026年1月发布，代表了这些架构进步的集大成之作。它采用了端到端NMS的设计，该设计最初由 YOLOv10首次推广的端到端无NMS设计，彻底消除了延迟严重的非最大抑制步骤。此外，其搭载的MuSGD优化器融合了SGD 算法，确保更快的收敛速度与稳定性。

通过改进小目标检测的ProgLoss + STAL算法并移除分布式焦散损失（DFL）以简化导出流程，YOLO26 CPU 较前代提升高达43%，使其成为科研与生产场景中的优选方案。

了解更多关于 YOLO26 的信息

结论

• 若需为老旧系统或资源极度匮乏的环境选择轻量级、实战验证的模型（这些场景可能缺乏对新型运算符的支持，如YOLOv9所采用的），请YOLOv5。
• 若需在具有挑战性的数据集上实现高精度，且能承受稍高的训练资源成本，请选择YOLOv9。
• 选择YOLO26，尽享三全其美：NMS的高速处理、顶尖级别的准确率，以及MuSGD优化器等新一代功能。

要开始使用这些模型中的任何一个，您可以Ultralytics 管理数据集、在云端进行训练，并轻松完成部署。

from ultralytics import YOLO

# Switch between models easily
model = YOLO("yolov5su.pt")  # YOLOv5
# model = YOLO("yolov9c.pt") # YOLOv9
# model = YOLO("yolo26n.pt") # YOLO26

# Train on your data
model.train(data="coco8.yaml", epochs=100)

评论