EfficientDet vs. YOLOv9: 아키텍처, 성능 및 엣지 배포

컴퓨터 비전 분야는 신경망 설계의 지속적인 혁신으로 발전해 왔습니다. 모델 선택 시 계산 효율성과 탐지 정확도 사이의 적절한 균형을 찾는 것이 핵심입니다. Google EfficientDet는 확장 가능한 아키텍처를 도입하여 2019년 강력한 기준점을 제시했으며, YOLOv9는 2024년 출시되어 프로그래머블 그라디언트 정보(PGI)를 활용해 객체 탐지의 한계를 확장했습니다.

이 가이드는 두 모델 간의 포괄적인 기술적 비교를 제공하며, 생산 환경에 최적화된 견고한 엔드투엔드 솔루션을 제공하는 최신 Ultralytics 프레임워크를 소개합니다.

모델 아키텍처와 혁신

YOLOv9 YOLOv9의 근본적인 메커니즘을 이해하는 것은 이들의 최적 사용 사례를 결정하는 데 YOLOv9

EfficientDet: 컴파운드 스케일링 및 BiFPN

Google Research가 개발한 EfficientDet은 체계적인 스케일링과 효율적인 특징 융합에 중점을 둡니다. 이 모델은 EfficientNet을 백본으로 활용하고 새로운 특징 네트워크 아키텍처를 도입합니다.

작성자: Mingxing Tan, Ruoming Pang, Quoc V. Le
조직:Google
날짜 날짜: 2019년 11월 20일
링크:Arxiv, GitHub

주요 아키텍처 특징: EfficientDet은 쉽고 빠른 다중 스케일 특징 융합을 가능하게 하는 BiFPN(Bi-directional Feature Pyramid Network)에 크게 의존합니다. 이와 함께 네트워크의 해상도, 깊이 및 너비를 균일하게 스케일링하는 복합 스케일링 방법을 사용합니다. 당시에는 매우 정확했지만, EfficientDet은 구형 TensorFlow 환경에 크게 종속되어 있어 최신 배포 파이프라인을 복잡하게 만듭니다.

EfficientDet에 대해 자세히 알아보세요.

YOLOv9: 정보 병목 현상 해결

Academia Sinica의 연구원들이 개발한 YOLOv9은 데이터가 심층 신경망을 통과할 때 발생하는 정보 손실 문제를 해결합니다.

저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
조직: 정보 과학 연구소, 아카데미아 시니카
날짜: 2024년 2월 21일
링크:Arxiv, GitHub, 문서

주요 아키텍처 특징: YOLOv9는 PGI(Programmable Gradient Information)를 도입하여 보조 감독을 제공하고, 네트워크 가중치를 안정적으로 업데이트하는 데 중요한 데이터가 유지되도록 보장합니다. 또한 GELAN(Generalized Efficient Layer Aggregation Network)을 특징으로 하여 파라미터 효율성을 극대화합니다. 이러한 발전에도 불구하고, YOLOv9는 후처리 단계에서 NMS(Non-Maximum Suppression)가 여전히 필요하며, 이는 지연 시간을 추가합니다.

9에 대해 자세히 알아보기

성능 비교

이러한 모델을 평가할 때, 경험적 데이터를 분석하면 특정 하드웨어 요구 사항에 대해 최적의 균형을 제공하는 아키텍처를 결정하는 데 도움이 됩니다.

모델	크기 ^(픽셀)	mAP^val 50-95	속도 ^{CPU ONNX (ms)}	속도 ^{T4 TensorRT10 (ms)}	파라미터 ^(M)	FLOPs ^(B)
0	640	34.6	10.2	3.92	3.9	2.54
1	640	40.5	13.5	7.31	6.6	6.1
2	640	43.0	17.7	10.92	8.1	11.0
3	640	47.5	28.0	19.59	12.0	24.9
4	640	49.7	42.8	33.55	20.7	55.2
5	640	51.5	72.5	67.86	33.7	130.0
6	640	52.6	92.8	89.29	51.9	226.0
7	640	53.7	122.0	128.07	51.9	325.0

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

중요 분석

YOLOv9 속도 면에서 세대적 도약을 YOLOv9 . 예를 들어, YOLOv9e는 TensorRT 16.77ms로 55.6% mAP 달성합니다. 이와 대조적으로 EfficientDet-d7은 53. mAP 낮은 mAP 제공하지만 엄청난 지연 시간(128.07ms)으로 인해 실시간 비디오 스트림에 배포하기가 극히 어렵습니다.

생산용 모델 내보내기

아키텍처를 최적화된 형식(예: TensorRT 또는 OpenVINOPyTorch 원시 PyTorch 비해 추론 시간이 크게 단축됩니다.

사용 사례 및 권장 사항

EfficientDet과 YOLOv9 중 선택은 특정 프로젝트 요구사항, 배포 제약 사항 및 생태계 선호도에 따라 달라집니다.

EfficientDet을 선택해야 하는 경우

EfficientDet은 다음 경우에 강력한 선택입니다:

Google Cloud 및 TPU 파이프라인: EfficientDet이 네이티브 최적화를 갖춘 Google Cloud Vision API 또는 TPU 인프라와 깊이 통합된 시스템.
복합 스케일링 연구: 균형 잡힌 네트워크 깊이, 너비 및 해상도 스케일링의 효과를 연구하는 데 중점을 둔 학술 벤치마킹.
TFLite를 통한 모바일 배포: Android 또는 임베디드 Linux 장치를 위해 TensorFlow Lite 내보내기가 특별히 필요한 프로젝트.

9 선택해야 할 때

YOLOv9 다음에 권장YOLOv9 :

정보 병목 연구: PGI(Programmable Gradient Information) 및 GELAN(Generalized Efficient Layer Aggregation Network) 아키텍처를 연구하는 학술 프로젝트.
그라디언트 흐름 최적화 연구: 훈련 중 깊은 네트워크 레이어에서 발생하는 정보 손실을 이해하고 완화하는 데 초점을 맞춘 연구.
고정확도 감지 벤치마킹: 아키텍처 비교를 위한 참조점으로 YOLOv9의 강력한 COCO 벤치마크 성능이 필요한 시나리오.

Ultralytics YOLO26)를 선택해야 할 때

대부분의 신규 프로젝트에 대해 Ultralytics 성능과 개발자 경험의 최적 조합을 제공합니다:

NMS-Free 엣지 배포: NMS(Non-Maximum Suppression) 후처리 복잡성 없이 일관되고 낮은 지연 시간의 추론을 요구하는 애플리케이션.
CPU 전용 환경: 전용 GPU 가속이 없는 장치에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공합니다.
작은 객체 detect: 항공 드론 이미지 또는 IoT 센서 분석과 같이 ProgLoss 및 STAL이 작은 객체에 대한 정확도를 크게 향상시키는 까다로운 시나리오.

Ultralytics : YOLO26 선택하기

YOLOv9 EfficientDet가 길을 열었지만, 진정으로 현대적이고 생산 환경에 바로 적용 가능한 프레임워크를 찾는 개발자들은 Ultralytics YOLO , 특히 새로 출시된 YOLO26을 고려해야 합니다.

Ultralytics 강력한 로컬 훈련 스크립트와 클라우드 지원 인터페이스를 결합하여 비교할 수 없는 사용 편의성을 제공합니다. YOLO26은 모델 설계에 있어 대대적인 개편을 의미하며, 많은 상업적 응용 분야에서 기존 아키텍처를 쓸모없게 만들었습니다.

YOLO26 기술적 특징

종단 간 NMS-Free 설계: YOLO26은 후처리 병목 현상을 완전히 제거합니다. NMS(Non-Maximum Suppression)를 제거함으로써 배포 그래프는 통합되고 엣지 AI 칩에서 본질적으로 더 빠릅니다.
최대 43% 더 빠른 CPU 추론: 임베디드 장치에 고도로 최적화되어 GPU를 사용할 수 없을 때 YOLOv9 및 EfficientDet보다 훨씬 빠릅니다.
MuSGD 옵티마이저: LLM 혁신을 비전 AI에 통합한 이 하이브리드 옵티마이저는 훈련 실행을 안정화하여 모델이 더 적은 리소스로 더 빠르게 수렴하도록 합니다.
낮은 메모리 요구 사항: transformer 기반 아키텍처나 최적화되지 않은 CNN과 달리, YOLO26은 훈련 중 CUDA 메모리 소비를 최소화하여 소비자용 하드웨어에서 더 큰 배치 크기를 사용할 수 있도록 합니다.
ProgLoss + STAL: 우수한 손실 함수 설계는 작은 객체 detect 정확도를 획기적으로 향상시켜, YOLO26을 항공 이미지 및 IoT 네트워크에 이상적으로 만듭니다.
DFL 제거: 간소화된 구조 설계로 모바일 배포 형식으로의 원활한 변환이 가능해졌습니다.

YOLO26에 대해 더 알아보기

Ultralytics 계의 다른 강력한 옵션으로는 YOLO11 와 YOLOv8가 있으며, 인스턴스 분할 및 자세 추정과 같은 다중 작업 유연성도 제공합니다.

Python 를 활용한 간편한 교육

Ultralytics 개발자 경험을 최우선으로 합니다. 최신 모델 훈련을 단 몇 줄의 코드로 압축합니다. Python.

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 model
model = YOLO("yolo26n.pt")

# Train with optimized memory usage and built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance easily
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")

실제 응용 분야

이러한 아키텍처 중 선택은 배포 대상에 크게 좌우됩니다.

레거시 클라우드 배포: EfficientDet은 높은 정확도가 필요하고 엄격한 실시간 제약이 없는 오프라인, 클라우드 기반 배치 처리에서 인기가 있었습니다.
학술 연구: YOLOv9는 이론적인 CNN의 한계를 확장하고 네트워크 계층을 통한 기울기 흐름을 분석하는 연구자들에게 여전히 흥미로운 선택입니다.
엣지 컴퓨팅 및 IoT:YOLO26은 실제 애플리케이션에서 압도적인 성능을 발휘합니다. NMS 없는 파이프라인과 OBB(Oriented Bounding Box) 기능 덕분에 스마트 도시 교통 분석, 소매 재고 모니터링 및 드론 기반 검사에 탁월한 옵션이며, 높은 정확도와 빠른 추론 속도 간의 타의 추종을 불허하는 균형을 제공합니다.