Ultralytics YOLO27:

PP-YOLOE+와 YOLOv9#

실시간 컴퓨터 비전 분야는 끊임없이 변화하고 있으며, 연구자와 개발자는 정확도와 추론 속도의 한계를 계속해서 확장하고 있습니다. PP-YOLOE+와 YOLOv9를 비교할 때는 모델 아키텍처와 생태계 설계에 대한 서로 다른 두 가지 철학을 살펴보게 됩니다.

이 종합적인 기술 비교에서는 두 모델의 아키텍처 혁신, 성능 지표, 학습 방법론 및 이상적인 사용 사례를 분석하여 다음 배포에 적합한 객체 탐지 모델을 선택할 수 있도록 지원합니다.

모델 계보 및 기술적 기반#

이러한 모델의 기원과 아키텍처 선택을 이해하는 것은 컴퓨터 비전 프로젝트에 적합한 모델인지 판단하는 데 매우 중요합니다.

PP-YOLOE+ 개요#

Baidu의 PaddlePaddle 저자들이 개발한 PP-YOLOE+는 2022년 4월 2일에 소개되었습니다. 이 모델은 PaddleDetection 프레임워크 내의 이전 버전을 기반으로 구축되어 고성능 객체 탐지를 제공합니다.

PP-YOLOE+는 PaddlePaddle 생태계 내 배포에 맞게 고도로 최적화된 강력한 앵커 프리 아키텍처를 도입합니다. 수정된 CSPRepResNet 백본과 ET-head를 활용하여 특징 추출과 바운딩 박스 회귀를 개선합니다. 높은 평균 정밀도 (mAP)를 달성하지만, PaddlePaddle 프레임워크에 대한 의존성으로 인해 PyTorch 또는 TensorFlow에 익숙한 개발자에게 통합 과정에서 마찰이 발생할 수 있습니다.

PP-YOLOE+에 대해 자세히 알아보기

YOLOv9 개요#

대만 Academia Sinica 산하 Institute of Information Science의 Chien-Yao Wang과 Hong-Yuan Mark Liao가 소개한 YOLOv9는 딥러닝 정보 병목 현상을 효율적으로 처리하는 데 있어 큰 도약을 보여줍니다.

  • 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
  • 기관: 대만 중앙연구원 정보과학연구소
  • 날짜: 2024-02-21
  • Arxiv: 2402.13616
  • GitHub: WongKinYiu/yolov9

YOLOv9의 주요 혁신은 프로그래밍 가능한 그래디언트 정보 (PGI)로, 특징이 심층 신경망을 통과할 때 데이터가 손실되는 것을 방지합니다. 일반화된 효율적 계층 집계 네트워크 (GELAN)와 결합하여 YOLOv9는 파라미터 효율성과 연산 흐름을 극대화합니다. 또한 Ultralytics 생태계에 기본적으로 통합되어 있어 연구 및 상용 애플리케이션 모두에서 높은 접근성을 제공합니다.

YOLOv9에 대해 자세히 알아보기

기타 Ultralytics 모델

최첨단 옵션을 살펴보고 있다면, Transformer 기반 정밀도와 실시간 엣지 성능 사이에서 다양한 균형을 제공하는 YOLO11 및 RT-DETR에도 관심을 가져볼 수 있습니다.

성능 및 지표 비교#

순수 성능을 분석하면 YOLOv9는 뛰어난 파라미터 효율성을 보여줍니다. 더 적은 파라미터와 FLOPs만으로 비슷하거나 더 높은 정확도를 달성하므로 모델 학습 중 필요한 VRAM이 줄어듭니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0

표에서 볼 수 있듯이 YOLOv9c는 53.0 mAP라는 높은 성능을 달성하면서도, 비슷한 PP-YOLOE+l(52.2M)보다 훨씬 적은 파라미터(25.3M)를 사용합니다. 이러한 낮은 메모리 사용량 덕분에 YOLOv9는 GPU 리소스가 제한된 환경에서 작업하는 개발자에게 더 뛰어난 선택지입니다.

생태계, 범용성 및 사용 편의성#

YOLOv9의 가장 큰 장점은 잘 유지 관리되는 Ultralytics 생태계와 원활하게 통합된다는 점입니다. PP-YOLOE+를 사용하려면 복잡한 PaddlePaddle 구성 파일을 다뤄야 하는 반면, YOLOv9는 간소화된 Python API의 이점을 제공합니다.

Ultralytics Python API를 사용하면 개발자가 사전 학습된 가중치를 로드하고, 데이터 증강을 관리하며, 최소한의 보일러플레이트 코드로 학습을 시작할 수 있습니다.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model
model = YOLO("yolov9c.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

# Export the model to ONNX format
model.export(format="onnx")

또한 Ultralytics 생태계는 탁월한 범용성을 제공합니다. 이 프레임워크는 바운딩 박스 탐지를 넘어 인스턴스 세그멘테이션, 포즈 추정 및 방향성 바운딩 박스 (OBB) 탐지를 기본적으로 지원합니다. 따라서 모델을 복잡한 실제 파이프라인에 맞게 조정하는 작업을 매우 효율적으로 수행할 수 있습니다.

내보내기 옵션

Ultralytics 프레임워크를 사용해 학습한 모델은 TensorRT 및 OpenVINO를 포함한 여러 형식으로 내보낼 수 있으므로 다양한 하드웨어에서 고도로 최적화된 추론을 보장합니다.

사용 사례 및 권장 사항#

PP-YOLOE+와 YOLOv9 중 무엇을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건 및 선호하는 생태계에 따라 달라집니다.

PP-YOLOE+를 선택해야 하는 경우#

PP-YOLOE+는 다음과 같은 경우에 적합합니다:

  • PaddlePaddle 생태계 통합: 기존 인프라가 Baidu의 PaddlePaddle 프레임워크와 도구를 기반으로 구축된 조직입니다.
  • Paddle Lite 엣지 배포: Paddle Lite 또는 Paddle 추론 엔진에 특화된 고도로 최적화된 추론 커널을 갖춘 하드웨어에 배포하는 경우입니다.
  • 고정밀 서버 측 감지: 프레임워크 종속성이 문제가 되지 않는 강력한 GPU 서버에서 최고 수준의 감지 정확도를 우선시하는 시나리오입니다.

YOLOv9을 선택해야 하는 경우#

YOLOv9은 다음과 같은 경우에 권장됩니다:

  • 정보 병목 연구: 프로그래밍 가능한 그래디언트 정보(PGI) 및 일반화된 효율적 레이어 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트입니다.
  • 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 레이어의 정보 손실을 이해하고 완화하는 데 중점을 둔 연구입니다.
  • 고정확도 탐지 벤치마킹: 아키텍처 비교를 위한 기준점으로 YOLOv9의 강력한 COCO 벤치마크 성능이 필요한 시나리오입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

  • NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
  • 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.

미래를 향한 전망: YOLO26의 장점#

PP-YOLOE+와 YOLOv9 모두 강력하지만, 새롭게 출시된 YOLO26은 프로덕션 환경을 위한 확실한 다음 단계입니다. 2026년 1월에 출시된 YOLO26은 엣지 컴퓨팅과 클라우드 배포를 위한 새로운 표준을 확립합니다. 다음과 같은 획기적인 혁신을 제공하므로 모든 신규 컴퓨터 비전 프로젝트에 YOLO26을 적극 권장합니다:

  • 엔드투엔드 NMS 프리 설계: YOLO26은 기본적으로 엔드투엔드 방식이며, Non-Maximum Suppression (NMS) 후처리가 전혀 필요하지 않습니다. 이를 통해 배포 파이프라인이 크게 간소화되고 지연 시간이 감소합니다.
  • 최대 43% 더 빠른 CPU 추론: 엣지 컴퓨팅에 맞게 아키텍처를 특별히 최적화했기 때문에 YOLO26은 전용 GPU가 없는 하드웨어에서 훨씬 더 빠르게 작동합니다.
  • DFL 제거: Distribution Focal Loss를 제거하여 내보내기를 더욱 간소화하고 저전력 엣지 디바이스와의 호환성을 크게 향상했습니다.
  • MuSGD 옵티마이저: 대규모 언어 모델 학습 기법(Moonshot AI의 Kimi K2 등)에서 영감을 받은 SGD와 Muon의 하이브리드 방식으로, 매우 안정적인 학습 동역학과 빠른 수렴을 보장합니다.
  • ProgLoss + STAL: 이러한 고급 손실 함수는 작은 객체 인식 성능을 크게 향상하며, 항공 이미지와 로보틱스에 필수적인 업그레이드입니다.
  • 작업별 개선: YOLO26은 세그멘테이션을 위한 멀티 스케일 proto, 포즈 추정을 위한 잔차 로그 가능도 추정 (RLE) 등 특정 작업에 맞춘 아키텍처를 포함합니다.

데이터셋 어노테이션, 클라우드 학습 및 모델 모니터링을 위한 올인원 솔루션인 Ultralytics Platform을 통해 YOLO26 모델을 손쉽게 학습하고 배포할 수 있습니다.

실제 애플리케이션#

이러한 아키텍처 중 무엇을 선택할지는 대개 목표 배포 환경에 따라 결정됩니다.

**PP-YOLOE+**는 산업 제조 센터, 특히 PaddlePaddle 통합과 Baidu의 하드웨어 스택이 기업 인프라에 깊이 내장된 지역에서 자주 배포됩니다. 엄격한 실시간 제약보다 절대적인 정밀도를 우선시하는 정적 이미지 분석에서 뛰어난 성능을 발휘합니다.

YOLOv9는 신속한 실시간 추론이 필요한 동적 환경에서 뛰어난 성능을 발휘합니다. 우수한 파라미터 효율성 덕분에 자율 드론 내비게이션과 엣지 기반 보안 시스템에 적합합니다. 또한 VRAM 사용량이 적어 소비자용 GPU에서 학습하는 연구자도 쉽게 사용할 수 있습니다.

스마트 시티 교통 관리와 고속 로보틱스 전반에서 최고의 성능을 원한다면, 최신 YOLO26이 탁월한 선택입니다. NMS 병목의 오버헤드 없이 엔드투엔드 효율성을 제공합니다.

기여자
GLglenn-jocher16PDpderrenger1

댓글