PP-YOLOE+ 대 YOLOv9: 객체 탐지 아키텍처의 포괄적 비교

실시간 객체 탐지 기술은 정확도, 지연 시간, 매개변수 효율성의 한계를 끊임없이 확장하며 빠르게 진화하고 있습니다. 이 과정에서 두 가지 중요한 이정표는 바이두의 PaddlePaddle 개발한 PP-YOLOE+와 원조 YOLOv7 만든 YOLOv9. 본 비교 분석은 이 두 강력한 모델의 아키텍처 혁신, 성능 지표, 배포 현실을 탐구합니다.

모델 메타데이터

PP-YOLOE+
저자: PaddlePaddle
기관: Baidu
날짜: 2022-04-02
Arxiv: https://arxiv.org/abs/2203.16250
GitHub: PaddleDetection Repository
문서: 공식 PaddleDocs

YOLOv9
저자: 왕젠야오(Chien-Yao Wang) 및 마크 리아오홍위안(Hong-Yuan Mark Liao)
소속 기관: 대만 중앙연구원 정보과학연구원
날짜: 2024-02-21
아카이브: https://arxiv.org/abs/2402.13616
GitHub: YOLOv9
문서: Ultralytics YOLOv9

9에 대해 자세히 알아보기

성능 분석

이러한 모델을 비교할 때 개발자들은 일반적으로 mAP (평균 정밀도)와 추론 속도 간의 균형을 살펴봅니다. 아래 표는 PP-YOLOE+가 2022년 당시 최첨단 앵커 프리 탐지기였음에도, YOLOv9 2024)가 최신 아키텍처 원칙을 활용하여 더 우수한 매개변수 효율성을 달성했음을 보여줍니다.

주요 내용은 다음과 같습니다:

• 매개변수 효율성: YOLOv9t는 PP-YOLOe+t의 절반 미만 매개변수(200만 vs 485만)로 경쟁력 있는 정확도를 달성하여, 메모리 제약이 있는 에지 디바이스에 훨씬 더 적합합니다.
• 대규모 모델에서의 정확도: 더 큰 모델에서 YOLOv9e는 훨씬 적은 매개변수(57.3M vs 98.42M)를 사용하면서도 mAP 55.6% vs 54.7%)에서 PP-YOLOE+x를 능가합니다.
• 속도: YOLOv9 NVIDIA GPU에서 매우 경쟁력 있는 추론 속도를 YOLOv9 , 특히 소형 변형 모델에서 두드러집니다.

아키텍처의 차이점

PP-YOLOE+: 정교한 앵커 프리 감지

PP-YOLOE+는 PP-YOLOv2의 진화형으로, 앵커 프리 패러다임을 강조합니다. CSPResNet 백본과 단순화된 CSPPAN 넥을 사용합니다. 주요 특징은 다음과 같습니다:

• 작업 정렬 학습(TAL): 분류 점수와 국소화 점수의 조합을 기반으로 긍정 샘플을 동적으로 선택하는 레이블 할당 전략.
• ET-Head: 속도와 정확성의 균형을 맞추도록 설계된 효율적인 작업 정렬 헤드.
• 동적 매칭: 정적 앵커 할당에 비해 훈련 중 수렴 속도를 향상시킵니다.

YOLOv9: 프로그래밍 가능한 그래디언트 정보

YOLOv9 딥 네트워크가 데이터 흐름을 처리하는 방식에 근본적인 변화를 YOLOv9 . 이는 데이터가 깊은 레이어를 통과하면서 손실되는 '정보 병목 현상' 문제를 해결합니다.

• GELAN 아키텍처: 일반화된 효율적 레이어 집계 네트워크(GELAN)는 CSPNet과 ELAN의 장점을 결합하여 매개변수 활용도를 극대화합니다.
• PGI(Programmable Gradient Information): 이 새로운 개념은 보조 가역 분기를 활용하여 주 분기에 대한 신뢰할 수 있는 기울기를 생성함으로써, 심층 특징이 입력 이미지에 대한 핵심 정보를 유지하도록 보장합니다.
• 보조 헤드: 세그멘테이션 모델에서 볼 수 있는 기법과 유사하게, YOLOv9 훈련 중 보조 헤드를 YOLOv9 추론 속도에 영향을 주지 않으면서 성능을 향상시킵니다(배포 시에는 이 헤드가 제거되기 때문입니다).

에코시스템 및 사용 편의성

개발자에게 가장 큰 차이는 생태계와 워크플로우에 있습니다.

Ultralytics 이점

YOLOv9 Ultralytics 완전히 YOLOv9 . 이는 동일한 간단한 API를 사용하여 모델을 훈련, 검증 및 배포할 수 있음을 의미합니다. YOLO11 및 YOLO26에 사용된 것과 동일한 간단한 API를 사용하여 모델을 훈련, 검증 및 배포할 수 있음을 의미합니다.

주요 혜택:

• 통합 API: 모델 가중치 파일만 변경하면 객체 탐지 및 자세 추정 같은 작업 간 전환이 가능합니다.
• 자동화된 MLOps: Ultralytics 플랫폼과의 원활한 통합을 통해 클라우드 기반 훈련, 데이터셋 관리 및 원클릭 모델 배포가 가능합니다.
• 메모리 효율성: Ultralytics 루프는 고도로 최적화되어 경쟁 프레임워크보다 더 적은 VRAM을 필요로 하는 경우가 많습니다. 이는 막대한 컴퓨팅 자원을 요구하는 많은 트랜스포머 기반 모델에 비해 중요한 장점입니다.
• 수출 유연성: ONNX, OpenVINO, CoreML 및 TensorRT 모델이 어디서나 실행 TensorRT .

from ultralytics import YOLO

# Load a pretrained YOLOv9c model
model = YOLO("yolov9c.pt")

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

# Export to TensorRT for maximum GPU speed
model.export(format="engine")

PP-YOLOE+ 워크플로

PP-YOLOE+는 PaddlePaddle 의존합니다. 강력하지만, 많은 연구자들이 선호하는 PyTorch 중심 워크플로와 구별되는 특정 생태계를 채택해야 합니다. 설정 과정에는 종종 PaddleDetection 저장소와 구성 파일을 수동으로 관리하는 것은, pip install ultralytics 경험.

사용 사례 및 권장 사항

PP-YOLOE+를 고수해야 할 때

• 레거시 통합: 프로덕션 환경이 이미 바이두의 PaddlePaddle 기반으로 구축된 경우.
• 특정 하드웨어: Paddle Lite 전용으로 특별히 최적화된 하드웨어에 배포하는 경우.

Ultralytics YOLO 선택해야 할 때

대다수의 신규 프로젝트의 경우, YOLOv9 또는 최신 버전인 YOLO26이 권장되는 선택지입니다.

• 연구 개발: YOLOv9 PGI 아키텍처는 기울기 흐름을 연구하는 연구자들에게 풍부한 실험 환경을 YOLOv9 .
• 상용 배포: Ultralytics 강력한 내보내기 옵션을 통해 PyTorch 활용한 C++ 생산 애플리케이션으로의 전환이 용이합니다. TensorRT 또는 OpenVINO 사용하여 C++ 프로덕션 애플리케이션으로 쉽게 전환할 수 있습니다.
• 엣지 컴퓨팅: 우수한 매개변수 효율성(mAP )을 자랑하는 Ultralytics 드론이나 스마트 카메라 같은 배터리 구동 장치에 이상적입니다.

앞으로 바라보기: YOLO26의 힘

YOLOv9 훌륭한 모델이지만, YOLO26이 출시되면서 이 분야는 더욱 발전했습니다. 오늘날 새로운 프로젝트를 시작한다면, YOLO26은 PP-YOLO+와 YOLOv9 모두에 비해 몇 가지 중요한 장점을 제공합니다.

YOLO26에 대해 더 알아보기

YOLO26은 컴퓨터 비전 효율성의 최첨단을 대표합니다:

1. 엔드투엔드 NMS: PP-YOLOE+ 및 YOLOv9 달리, YOLO26은 기본적으로 NMS(Non-Maximum Suppression) 후처리가 NMS 않습니다. 이는 지연 시간 변동성을 줄이고 배포 파이프라인을 크게 단순화합니다.
2. MuSGD 최적화기: 대규모 언어 모델(LLM) 훈련 분야의 혁신(예: Moonshot AI의 Kimi K2)에서 영감을 받아, YOLO26은 더 빠른 수렴과 안정적인 훈련 실행을 위해 MuSGD 최적화기를 활용합니다.
3. 향상된 소형 물체 탐지: ProgLoss + STAL을 통해 YOLO26은 많은 실시간 탐지기의 전통적인 약점이었던 소형 물체 탐지에 탁월한 성능을 발휘합니다.
4. CPU : 분산 초점 손실(DFL) 제거 및 기타 최적화를 통해 YOLO26은 최대 43% 빠른 CPU 달성하여, 전용 NPU가 없는 서버리스 환경이나 에지 디바이스에 최적의 선택이 됩니다.

요약

PP-YOLOE+와 YOLOv9 모두 객체 탐지 역사에서 이정표적인 YOLOv9 . PP-YOLOE+는 앵커 프리 접근법을 정교화한 반면, YOLOv9 PGI를 통해 심층 감독 개념을 YOLOv9 . 그러나 정확도, 사용 편의성, 미래 대비 배포의 최적 균형을 추구하는 개발자에게는 Ultralytics YOLOv9 과 혁신적인 YOLO26이주도하는 Ultralytics 생태계가 가장 강력한 솔루션을 제공합니다.

댓글