YOLO11 YOLOv9: 포괄적인 기술 비교
컴퓨터 비전 분야는 실시간 객체 탐지에서 가능한 한계를 넓히는 새로운 아키텍처와 함께 끊임없이 진화하고 있습니다. 이 여정에서 두 가지 중요한 이정표는 Ultralytics YOLO11 와 YOLOv9. 두 모델 모두 탁월한 성능을 제공하지만, 딥러닝 추론 및 훈련의 핵심 과제를 해결하는 서로 다른 접근 방식을 대표합니다.
이 가이드는 YOLO11 YOLOv9 간의 포괄적인 기술적 비교를 제공하며, 두 모델의 아키텍처, 성능 지표 및 이상적인 배포 시나리오를 분석하여 차기 인공지능 프로젝트에 적합한 모델을 선택하는 데 도움을 드립니다.
모델 개요
Ultralytics YOLO11
YOLO11 생산 환경을 위해 설계된 고도로 최적화된 다목적 YOLO11 . 최첨단 정확도와 엣지 컴퓨팅 및 대규모 배포의 실용적 요구 사항 사이의 균형을 유지합니다.
- 저자: 글렌 조커와 징 치우
- 조직:Ultralytics
- 날짜:27
- GitHub:https://github.com/ultralytics/ultralytics
- Docs:https://docs.ultralytics.com/models/yolo11/
9
YOLOv9 특징 추출 분야의 이론적 발전에 중점을 두고, 심층 신경망에서의 정보 손실을 완화하기 위한 새로운 개념을 도입한 강력한 학술적 YOLOv9 .
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- Organization: Institute of Information Science, Academia Sinica, Taiwan
- 날짜:21
- Arxiv:2402.13616
- GitHub:https://github.com/WongKinYiu/yolov9
- 문서:9
아키텍처 혁신
YOLOv9: 프로그래밍 가능한 그래디언트 정보
YOLOv9 딥 네트워크의 연속적인 레이어를 통과하면서 데이터가 손실되는 "정보 병목 현상" 문제를 YOLOv9 . 이를 위해 저자들은 프로그래머블 그라디언트 정보(PGI)와 일반화된 효율적 레이어 집계 네트워크(GELAN)를 도입했습니다. PGI는 역전파 과정에서 가중치 업데이트에 사용되는 그라디언트가 완전한 정보를 포함하도록 보장하여 매우 정확한 특징 표현을 가능하게 합니다. GELAN 아키텍처는 매개변수 효율성을 극대화하여 YOLOv9 상대적으로 가벼운 구조로도 높은 정확도를 달성할 YOLOv9 합니다.
YOLO11: 생태계와 효율성
YOLOv9 기울기 흐름에 YOLOv9 반면, YOLO11 실제 환경에서의 견고성과 다용도성을 위해 YOLO11 . 이 모델은 기본 YOLO 개선하여 트랜스포머 기반 대안들에 비해 훈련 중 CUDA 요구량을 획기적으로 줄였습니다. 또한 YOLO11 단순한 객체 탐지기가 YOLO11 , 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB)를 기본적으로 지원합니다.
간소화된 개발
YOLO11 가장 큰 장점 중 하나는 Ultralytics 통합으로, 데이터 로딩, 증강 및 분산 훈련의 복잡성을 통합된 API로 추상화합니다.
성능 비교
생성 모델을 선택할 때 평균 정밀도(mAP), 추론 속도, 매개변수 수 간의 균형을 평가하는 것이 매우 중요하다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| 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 |
표에서 보듯이, YOLOv9e는 가장 높은 전반적인 정확도를 달성하여 학술 벤치마킹에 탁월합니다. 하지만, YOLO11은 전반적으로 우수한 속도 대 정확도 비율을 제공합니다. 예를 들어, YOLO11m은 4.7ms(TensorRT)에서 51.5 mAP를 달성하여 유사한 크기의 YOLOv9m보다 속도 면에서 뛰어납니다.
학습 방법론 및 생태계
두 프레임워크 간 개발자 경험은 상당히 다릅니다.
YOLOv9 훈련
YOLOv9 훈련은 YOLOv9 심하게 커스터마이징된 연구 코드와의 상호작용, 특정 종속성 버전 관리, 복잡한 명령줄 인수 활용을 필요로 합니다. 강력하지만, 빠르게 변화하는 기업 환경에서는 부담스러울 수 있습니다.
YOLO11 훈련
YOLO11 잘 관리된 Ultralytics Python YOLO11 원활한 "초보자부터 전문가까지" 경험을 제공합니다. 효율적인 훈련 과정은 즉시 사용 가능한 사전 훈련된 가중치와 탁월한 커뮤니티 지원으로 뒷받침됩니다.
from ultralytics import YOLO
# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train on a custom dataset with built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export to ONNX format for deployment
model.export(format="onnx")
단 세 줄의 Python 코드로 개발자는 모델을 로드하고, 최적화된 하이퍼파라미터 기본값으로 훈련을 시작하며, 훈련된 아키텍처를 ONNX와 같은 프레임워크로 내보낼 수 있습니다. ONNX 또는 TensorRT 와 같은 프레임워크로 내보내 에지 배포를 수행할 수 있습니다.
실제 응용 분야
9 선택해야 할 때
YOLOv9 딥러닝 아키텍처를 탐구하려는 연구자들에게 탁월한 YOLOv9 . PGI 프레임워크를 통해 고밀도 데이터셋에서 극도의 정확도가 요구되며 알고리즘 성능이 배포 복잡성보다 우선시되는 고속 소매 분석 분야에 이상적인 후보입니다.
YOLO11 선택해야 할 때
YOLO11 생산을 위한 궁극적인 YOLO11 . 간소화된 객체 탐지 기능으로 스마트 시티 교통 관리 및 라즈베리 파이(Raspberry Pi)나 NVIDIA )과 같은 에지 디바이스에 완벽합니다. 또한 다양한 작업에 걸친 다용도성 덕분에 단일 개발 파이프라인으로 제조 분야의 분할 작업과 스포츠 분석 분야의 자세 추정 작업을 모두 처리할 수 있습니다.
최첨단: YOLO26의 등장
YOLO11 YOLOv9 만하지만, 인공지능 분야는 빠르게 진화하고 있습니다. 오늘날 새로운 프로젝트를 시작하는 개발자들에게는 컴퓨터 비전의 한계를 더욱 확장한 YOLO26 (2026년 1월 출시)을 Ultralytics 추천합니다.
YOLO26은 최근 혁신 기술의 정수를 결합하여 즉시 생산에 투입 가능한 강력한 성능을 구현합니다:
- 엔드투엔드 NMS-Free 설계: YOLO26은 Non-Maximum Suppression (NMS) 후처리 과정을 기본적으로 제거하여 훨씬 더 간단하고 빠른 배포 파이프라인을 제공합니다.
- DFL 제거: Distribution Focal Loss를 제거하여 저전력 마이크로컨트롤러 및 엣지 AI 가속기와의 더 나은 호환성을 보장합니다.
- MuSGD Optimizer: LLM 훈련 혁신에서 영감을 받은 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)는 안정적인 훈련과 더 빠른 수렴을 제공합니다.
- 최대 43% 더 빠른 CPU 추론: 전용 GPU가 없는 엣지 컴퓨팅 장치에 특화하여 최적화되었습니다.
- ProgLoss + STAL: 이러한 개선된 손실 함수는 작은 객체 인식을 획기적으로 향상시키며, 이는 농업 모니터링 및 항공 이미지에 매우 중요합니다.
다양한 아키텍처를 탐구하고자 하는 사용자들은 다음을 살펴볼 수도 있습니다. RT-DETR 트랜스포머 기반 추적이나 YOLO 통한 제로샷 오픈 어휘 검출을 살펴볼 수 있습니다.
결론
YOLO11과 YOLOv9 모두 컴퓨터 비전 역사에 확고한 자리를 잡았습니다. YOLOv9는 최대 특징 유지를 위한 뛰어난 아키텍처 혁신을 제공합니다. 그러나 엔터프라이즈 AI 애플리케이션부터 모바일 엣지 디바이스에 이르는 대다수의 실제 배포 환경에서 YOLO11의 사용 편의성, 메모리 효율성 및 다재다능한 작업 지원은 탁월한 이점을 제공합니다. 그리고 산업이 발전함에 따라, 최신 YOLO26을 채택하면 시스템이 오늘날 사용 가능한 가장 빠르고 안정적인 추론을 실행할 수 있습니다.