YOLO11과 YOLOv9#

컴퓨터 비전 분야는 끊임없이 발전하고 있으며, 새로운 아키텍처가 실시간 객체 탐지의 가능성을 계속해서 확장하고 있습니다. 이러한 발전 과정에서 중요한 이정표로는 Ultralytics YOLO11과 YOLOv9가 있습니다. 두 모델 모두 뛰어난 성능을 제공하지만, 딥러닝 추론 및 학습의 핵심 과제를 해결하는 서로 다른 접근 방식을 나타냅니다.

이 가이드에서는 YOLO11과 YOLOv9의 아키텍처, 성능 지표 및 이상적인 배포 시나리오를 종합적으로 기술 비교하여, 다음 인공지능 프로젝트에 적합한 모델을 선택할 수 있도록 지원합니다.

모델 개요#

Ultralytics YOLO11#

YOLO11은 프로덕션급 환경을 위해 설계된 고도로 최적화된 다목적 모델입니다. 최첨단 정확도와 엣지 컴퓨팅 및 대규모 배포의 실질적인 요구 사항 사이에서 균형을 유지합니다.

• 저자: Glenn Jocher 및 Jing Qiu
• 조직: Ultralytics
• 날짜: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• 문서: https://docs.ultralytics.com/models/yolo11

YOLOv9#

YOLOv9는 심층 신경망에서 정보 손실을 완화하는 새로운 개념을 도입한 강력한 학술적 성과로, 특징 추출의 이론적 발전에 중점을 둡니다.

• 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
• 기관: 대만 중앙연구원 정보과학연구소
• 날짜: 2024-02-21
• Arxiv: https://arxiv.org/abs/2402.13616
• GitHub: https://github.com/WongKinYiu/yolov9
• 문서: https://docs.ultralytics.com/models/yolov9

YOLOv9에 대해 자세히 알아보기

아키텍처 혁신#

YOLOv9: 프로그래밍 가능한 그래디언트 정보#

YOLOv9는 심층 네트워크의 연속적인 레이어를 통과하는 과정에서 데이터가 손실되는 "정보 병목" 문제를 해결합니다. 이를 위해 저자들은 Programmable Gradient Information (PGI)과 Generalized Efficient Layer Aggregation Network (GELAN)을 도입했습니다. PGI는 역전파 중 가중치 업데이트에 사용되는 그래디언트가 완전한 정보를 포함하도록 보장하여, 매우 정확한 특징 표현을 생성합니다. GELAN 아키텍처는 파라미터 효율성을 극대화하므로 YOLOv9는 비교적 경량인 구조로 높은 정확도를 달성할 수 있습니다.

YOLO11: 생태계와 효율성#

YOLOv9가 그래디언트 흐름에 중점을 두는 반면, YOLO11은 실제 환경의 견고성과 다목적 활용을 위해 설계되었습니다. YOLO의 기본 아키텍처를 개선하여 Transformer 중심의 대안 모델에 비해 학습 중 CUDA 메모리 요구량을 크게 줄였습니다. 또한 YOLO11은 단순한 객체 탐지 모델이 아니라 인스턴스 세그멘테이션, 이미지 분류, 자세 추정, 방향성 바운딩 박스 (OBB)를 기본적으로 지원합니다.

성능 비교#

프로덕션에 사용할 모델을 선택할 때 평균 정밀도 (mAP), 추론 속도 및 파라미터 수 사이의 트레이드오프를 평가하는 것이 중요합니다.

표에서 볼 수 있듯이 YOLOv9e는 전반적으로 가장 높은 정확도를 달성하므로 학술적 벤치마킹에 매우 적합합니다. 그러나 YOLO11은 모든 측면에서 더 우수한 속도 대비 정확도 비율을 제공합니다. 예를 들어 YOLO11m은 4.7ms (TensorRT)에서 51.5 mAP를 달성하여, 비슷한 크기의 YOLOv9m보다 빠른 성능을 보입니다.

학습 방법론과 생태계#

두 프레임워크의 개발자 경험은 상당히 다릅니다.

YOLOv9 학습#

YOLOv9 학습에는 사용자 지정이 많이 적용된 연구 코드와 상호 작용하고, 특정 종속성 버전을 관리하며, 복잡한 명령줄 인수를 사용하는 작업이 필요한 경우가 많습니다. 강력하지만 빠르게 운영되는 엔터프라이즈 환경에서는 부담스럽게 느껴질 수 있습니다.

YOLO11 학습#

YOLO11은 잘 유지 관리되는 Ultralytics Python API를 활용하여 원활한 "zero-to-hero" 경험을 제공합니다. 효율적인 학습 프로세스는 즉시 사용할 수 있는 사전 학습 가중치와 뛰어난 커뮤니티 지원을 통해 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")

Python 세 줄만으로도 개발자는 모델을 로드하고, 최적화된 하이퍼파라미터 기본값으로 학습을 시작하며, 학습된 아키텍처를 ONNX 또는 TensorRT와 같은 프레임워크로 내보내 엣지에 배포할 수 있습니다.

실제 애플리케이션#

YOLOv9을 선택해야 하는 경우#

YOLOv9는 딥러닝 아키텍처를 탐구하려는 연구자에게 탁월한 선택입니다. PGI 프레임워크는 고밀도 데이터셋에서 극도의 정확도가 필요하고 배포 복잡성보다 알고리즘 성능이 중요한 고속 리테일 분석에 이상적인 후보가 됩니다.

YOLO11을 선택해야 하는 경우#

YOLO11은 프로덕션을 위한 최고의 도구입니다. 간소화된 객체 탐지 기능은 스마트 시티 교통 관리와 Raspberry Pi 또는 NVIDIA Jetson과 같은 엣지 디바이스에 적합합니다. 또한 다양한 작업을 지원하므로 하나의 개발 파이프라인에서 제조 분야의 세그멘테이션과 스포츠 분석의 자세 추정을 처리할 수 있습니다.

최첨단 기술: YOLO26의 등장#

YOLO11과 YOLOv9는 뛰어난 모델이지만 인공지능 분야는 빠르게 발전하고 있습니다. 현재 새로운 프로젝트를 시작하는 개발자에게 Ultralytics는 컴퓨터 비전의 한계를 더욱 확장하는 YOLO26(2026년 1월 출시)를 적극 권장합니다.

YOLO26은 최근 혁신 기술의 장점을 결합한 프로덕션 지원 고성능 모델입니다.

• 엔드투엔드 NMS 없는 설계: YOLO26은 비최대 억제 (NMS) 후처리를 기본적으로 제거하여 배포 파이프라인을 훨씬 더 단순하고 빠르게 만듭니다.
• DFL 제거: Distribution Focal Loss를 제거하여 저전력 마이크로컨트롤러 및 엣지 AI 가속기와의 호환성이 향상됩니다.
• MuSGD Optimizer: LLM 학습의 혁신에서 영감을 받은 MuSGD 옵티마이저 (SGD와 Muon의 하이브리드)는 안정적인 학습과 더 빠른 수렴을 제공합니다.
• 최대 43% 더 빠른 CPU 추론: 전용 GPU가 없는 엣지 컴퓨팅 디바이스에 맞게 특별히 최적화되었습니다.
• ProgLoss + STAL: 개선된 이러한 손실 함수는 농업 모니터링과 항공 이미지에서 중요한 소형 객체 인식을 크게 향상합니다.

다양한 아키텍처를 탐색하려는 사용자는 Transformer 기반 트래킹을 위한 RT-DETR이나 제로샷 오픈 보캐뷸러리 탐지를 위한 YOLO-World도 살펴볼 수 있습니다.

결론#

YOLO11과 YOLOv9는 모두 컴퓨터 비전 역사에서 확고한 위치를 차지했습니다. YOLOv9는 특징 보존을 극대화하는 뛰어난 아키텍처 혁신을 제공합니다. 그러나 엔터프라이즈 AI 애플리케이션부터 모바일 엣지 디바이스에 이르는 대부분의 실제 배포 환경에서는 YOLO11의 사용 편의성, 메모리 효율성 및 다양한 작업 지원이 따라올 수 없는 이점을 제공합니다. 또한 업계가 발전함에 따라 최신 YOLO26을 도입하면 시스템에서 현재 이용 가능한 가장 빠르고 안정적인 추론을 실행할 수 있습니다.