В данной статье представлен сравнительный анализ моделей YOLOv8 и YOLOv9, предназначенных для автоматического обнаружения объектов на изображениях. Обе модели относятся к семейству YOLO, широко применяемому в задачах компьютерного зрения, однако различаются по ряду характеристик, влияющих на их практическую эффективность. В работе рассматриваются ключевые различия в скорости работы и точности распознавания, а также особенности применения каждой модели в зависимости от требований конкретных задач. YOLOv8 выделяется высокой производительностью и подходит для систем реального времени, таких как видеонаблюдение и автономные устройства. YOLOv9 ориентирована на повышение точности распознавания, что делает её предпочтительной в областях, где критически важна надёжность, например в медицине или промышленной диагностике. Представленный анализ может быть полезен при выборе подходящей модели для различных сфер применения в области компьютерного зрения.