YOLOX 与 YOLOv9
计算机视觉的发展历程受到持续架构创新的推动,这些创新在计算效率和高精度之间寻求平衡。在评估实时目标检测模型时,Megvii 的 YOLOX 与中国科学院自动化研究所的 YOLOv9 体现了深度学习开发中的两种不同理念。YOLOX 推广了简化的无锚框设计,而 YOLOv9 则引入梯度信息技术,以最大限度地保留信息。
本技术指南将探讨这两种模型在架构、性能基准和理想应用场景方面的差异,并介绍 Ultralytics Platform 和 YOLO26 模型如何为生产部署提供更出色的选择。
YOLOX:开创无锚框范式#
YOLOX 于 2021 年年中发布,是弥合学术研究与工业应用差距的重要一步。它不再需要预定义锚框,大幅简化了针对自定义数据集所需的启发式调参。
- 作者:郑革、刘松涛、王峰、李泽明和孙剑
- 机构:旷视科技
- 发布日期: 2021 年 7 月 18 日
- 参考资料:arXiv 论文
- 源代码: YOLOX GitHub 仓库
- 文档: YOLOX 官方文档
架构创新#
YOLOX 对标准检测流水线进行了几项关键改进。它采用解耦头,将分类和回归任务分开,显著减少了识别目标与定位目标边界之间的冲突。YOLOX 还采用 SimOTA 这一动态标签分配策略,在训练期间分配正样本,从而加快收敛,并提升在标准基准数据集上的整体性能。
优势与局限#
YOLOX 的主要优势在于设计简洁。无锚框机制让开发者无需花费太多时间运行聚类算法,为特定数据寻找最佳锚框尺寸。然而,作为较早的架构,它原生设计时尚未采用近期的自注意力或梯度路径技术,因此参数效率不及较新的网络。它也无法通过统一 API 原生支持实例分割和姿态估计等高级任务。
YOLOv9:最大限度利用梯度信息#
2024 年,YOLOv9 针对深度卷积神经网络中固有的信息瓶颈问题,提出了以理论为基础的方法。
- 作者:Chien-Yao Wang 和 Hong-Yuan Mark Liao
- 机构:中央研究院信息科学研究所
- 发布日期: 2024 年 2 月 21 日
- 参考资料:arXiv 论文
- 源代码: YOLOv9 GitHub 仓库
- 文档: Ultralytics YOLOv9 文档
架构创新#
YOLOv9 的标志性特性是可编程梯度信息 (PGI),它有助于避免关键信息在经过网络多个层时丢失。结合通用高效层聚合网络 (GELAN),YOLOv9 实现了出色的参数量与精度比。这让模型能够保留准确的梯度来更新权重,因此即使是轻量级版本也表现出色。
优势与局限#
YOLOv9 的模型精度很高,在 COCO 上取得了出色的 mAP,因此深受研究人员欢迎。不过,尽管效率出色,YOLOv9 仍依赖传统的非极大值抑制 (NMS)进行后处理,这会在推理期间带来可变延迟。对于专注于将 AI 部署到边缘设备的工程师,管理 NMS 逻辑会增加部署流水线的复杂性。
YOLOX 和 YOLOv9 等传统模型需要通过非极大值抑制(NMS)过滤重复的边界框。这一步骤本质上是串行的,通常会在 CPU 上形成瓶颈,凸显了采用最新 Ultralytics 模型所具备的原生端到端架构的必要性。
性能对比#
比较这些架构的原始计算指标时,可以看出 YOLOv9 提供了更现代的基线,而 YOLOX 仍适用于旧版设置,是轻量级的选择。以下是它们标准模型的详细对比。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
虽然在参数量相近时 YOLOv9 的精度更高,但若开发者希望在速度、精度和易用性之间取得最佳平衡,应考虑 Ultralytics 的最新进展。
Ultralytics 优势:认识 YOLO26#
YOLOX 和 YOLOv9 等历史模型有助于了解发展背景,但目前 Ultralytics 推荐的模型是 Ultralytics YOLO26,它于 2026 年 1 月发布,针对现代生产环境重新设计了检测流水线。
架构创新#
YOLO26 通过可选的端到端无 NMS 设计(nms=False)解决前代模型的后处理瓶颈,简化了在不同硬件上的部署。YOLO26 还移除了分布焦点损失 (DFL) 以简化导出,并集成了 MuSGD 优化器——一种随机梯度下降与 Muon 的混合方案,可实现更稳定的训练。
对于要将模型部署到 Raspberry Pi 等资源受限环境的开发者,YOLO26n 的 CPU 推理速度最高比 YOLO11n 快 43%。它还引入了 ProgLoss + STAL(渐进式损失和小目标感知标签分配),可提升小目标检测能力,这对航拍图像分析和无人机分析至关重要。
精简高效的开发生态系统#
与独立的研究代码库不同,Ultralytics 生态系统为开发者提供了精简顺畅的使用体验。借助 Ultralytics Python API,工程师可以大幅减少样板代码;优化后的内存使用也意味着你可以用比注意力密集型架构更少的 GPU 显存训练出强健的模型。
from ultralytics import YOLO
# 加载高度优化的无 NMS YOLO26 小型模型
model = YOLO("yolo26s.pt")
# 使用最小内存占用在自定义数据集上训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 轻松导出为优化后的部署格式
model.export(format="engine", quantize=16) # 导出为 TensorRT除了目标检测,YOLO26 还在同一框架中支持多种任务。无论你需要用于卫星成像的精准有向边界框 (OBB),还是用于医学图像分析的精细像素掩码,工作流程都保持不变。对于仍在使用上一代工作流程的团队,Ultralytics YOLO11 同样可用,并且受到全面支持。
理想应用场景与部署策略#
选择合适的架构,取决于你的目标部署环境和项目需求。
边缘计算与机器人技术#
对于低功耗设备,依赖繁重后处理的模型可能会影响性能。YOLOX-Nano 虽然非常小,但其精度往往不足以胜任安全关键任务。YOLO26 是更好的选择:其无 DFL 检测头和可选的无 NMS 推理使其能够在 CPU 线程上流畅运行,因此很适合自主机器人或智能停车管理。
学术基准测试#
如果唯一目标是分析梯度流并研究深度网络瓶颈,YOLOv9 仍然是很好的研究对象。其 PGI 框架有助于理解特征如何在深度神经网络层之间保留,因此对于探索卷积理论的大学研究人员而言,是一款很有价值的工具。
企业视频分析#
对于安防报警系统或交通监控等大规模视频处理任务,速度和灵活的导出能力至关重要。Ultralytics 框架提供的原生导出工具让团队只需一条命令,就能将 YOLO26 直接编译为 TensorRT 或 OpenVINO,缩短产品上市时间。
借助 Ultralytics 生态系统,机器学习团队可以避开原始研究代码库的复杂性,专注于构建可扩展、面向实际应用的 AI 应用。
评论
提出问题、分享结果,或帮助其他人。