YOLO11 vs. YOLOv9: 포괄적인 기술 비교
컴퓨터 비전 분야는 실시간 객체 탐지에서 가능한 영역의 한계를 넓히는 새로운 아키텍처와 함께 끊임없이 발전하고 있습니다. 이러한 여정에서 중요한 두 가지 이정표는 Ultralytics YOLO11과 YOLOv9입니다. 두 모델 모두 뛰어난 성능을 제공하지만, 딥러닝 추론 및 학습의 핵심 과제를 해결하는 데 있어 서로 다른 접근 방식을 취하고 있습니다.
본 가이드는 YOLO11과 YOLOv9에 대한 포괄적인 기술 비교를 제공하며, 귀하의 다음 인공지능 프로젝트에 적합한 모델을 선택할 수 있도록 아키텍처, 성능 지표 및 이상적인 배포 시나리오를 분석합니다.
모델 개요
Ultralytics YOLO11
YOLO11은 프로덕션급 환경을 위해 설계된 고도로 최적화된 다목적 모델입니다. 이 모델은 최첨단 정확도와 에지 컴퓨팅 및 대규모 배포의 실질적인 요구 사항 사이의 균형을 맞춥니다.
- 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 딥 신경망에서 정보 손실을 완화하기 위한 새로운 개념을 도입한 강력한 학술적 기여로, 특징 추출에 대한 이론적 발전에 중점을 두고 있습니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 조직: 대만 아카데미아 시니카 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/
아키텍처 혁신
YOLOv9: 프로그래밍 가능한 그래디언트 정보
YOLOv9는 심층 신경망의 연속적인 레이어를 통과하면서 데이터가 손실되는 '정보 병목 현상(information bottleneck)' 문제를 해결합니다. 이를 해결하기 위해 저자들은 PGI(Programmable Gradient Information)와 GELAN(Generalized Efficient Layer Aggregation Network)을 도입했습니다. PGI는 역전파 과정에서 가중치를 업데이트하는 데 사용되는 그래디언트가 완전한 정보를 포함하도록 보장하여 매우 정확한 특징 표현을 생성합니다. GELAN 아키텍처는 매개변수 효율성을 극대화하여 YOLOv9가 상대적으로 가벼운 구조로 높은 정확도를 달성할 수 있게 합니다.
YOLO11: 생태계와 효율성
YOLOv9가 그래디언트 흐름에 집중하는 반면, YOLO11은 실제 환경에서의 견고성과 범용성을 위해 설계되었습니다. YOLO11은 Transformer 기반의 대안들과 비교하여 학습 중 CUDA 메모리 요구 사항을 크게 줄이기 위해 기본 YOLO 아키텍처를 개선했습니다. 또한 YOLO11은 단순한 객체 탐지기를 넘어 인스턴스 분할, 이미지 분류, 포즈 추정 및 회전형 경계 상자(OBB)를 기본적으로 지원합니다.
YOLO11의 가장 큰 장점 중 하나는 데이터 로딩, 증강, 분산 학습의 복잡성을 단일 API로 통합하여 추상화한 Ultralytics Platform과의 통합입니다.
성능 비교
프로덕션을 위해 모델을 선택할 때는 mAP(mean Average Precision), 추론 속도 및 매개변수 수 사이의 트레이드오프를 평가하는 것이 중요합니다.
| 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 볼 수 있듯이, YOLOv9e는 가장 높은 전체 정확도를 달성하여 학술적 벤치마킹에 탁월합니다. 그러나 YOLO11은 전반적으로 우수한 속도 대 정확도 비율을 제공합니다. 예를 들어, YOLO11m은 4.7ms(TensorRT)에서 51.5 mAP를 달성하여 비슷한 크기의 YOLOv9m보다 속도 면에서 더 뛰어난 성능을 보입니다.
학습 방법론 및 생태계
두 프레임워크 간의 개발자 경험은 크게 다릅니다.
YOLOv9 학습
YOLOv9 학습에는 종종 심하게 커스터마이징된 연구용 코드와 상호 작용하고, 특정 종속성 버전을 관리하며, 복잡한 명령줄 인수를 사용하는 것이 필요합니다. 강력하기는 하지만, 빠르게 변화하는 엔터프라이즈 환경에서는 부담스러울 수 있습니다.
YOLO11 학습
YOLO11은 잘 관리된 Ultralytics Python API를 활용하여 원활한 'zero-to-hero' 경험을 제공합니다. 효율적인 학습 프로세스는 쉽게 구할 수 있는 사전 학습된 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")단 세 줄의 Python 코드로 개발자는 모델을 로드하고, 최적화된 하이퍼파라미터 기본값으로 학습을 시작하며, 학습된 아키텍처를 ONNX나 TensorRT와 같은 프레임워크로 내보내 에지에 배포할 수 있습니다.
실제 적용 사례
YOLOv9을 선택해야 할 때
YOLOv9는 딥러닝 아키텍처를 탐구하려는 연구자에게 환상적인 선택입니다. PGI 프레임워크는 고속 소매 분석에 이상적인 후보가 되며, 밀집된 데이터셋에서 극한의 정확도가 요구되고 배포 복잡성보다 알고리즘 성능이 우선시될 때 적합합니다.
YOLO11을 선택해야 할 때
YOLO11은 프로덕션을 위한 최고의 도구입니다. 간소화된 객체 탐지 기능은 스마트 시티 교통 관리 및 Raspberry Pi 또는 NVIDIA Jetson과 같은 에지 장치에 완벽하게 맞습니다. 또한 다양한 작업에 걸친 범용성은 단일 개발 파이프라인으로 제조 현장에서의 분할과 스포츠 분석에서의 포즈 추정을 모두 처리할 수 있음을 의미합니다.
최첨단 기술: YOLO26의 등장
YOLO11과 YOLOv9는 놀랍지만, 인공지능 분야는 빠르게 발전하고 있습니다. 오늘 새로운 프로젝트를 시작하는 개발자를 위해 Ultralytics는 컴퓨터 비전의 한계를 더욱 넓힌 YOLO26(2026년 1월 출시)을 강력히 추천합니다.
YOLO26은 최근의 혁신 기술들을 결합하여 프로덕션 준비가 완료된 강력한 성능을 제공합니다:
- 엔드투엔드 NMS-Free 설계: YOLO26은 NMS(Non-Maximum Suppression) 후처리를 기본적으로 제거하여 훨씬 더 간단하고 빠른 배포 파이프라인을 구현합니다.
- DFL 제거: DFL(Distribution Focal Loss) 제거를 통해 저전력 마이크로컨트롤러 및 에지 AI 가속기와의 더 나은 호환성을 보장합니다.
- MuSGD 옵티마이저: LLM 학습 혁신에서 영감을 받은 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)는 안정적인 학습과 더 빠른 수렴을 제공합니다.
- 최대 43% 더 빠른 CPU 추론: 전용 GPU가 없는 에지 컴퓨팅 장치에 특별히 최적화되었습니다.
- ProgLoss + STAL: 이러한 개선된 손실 함수는 농업 모니터링 및 항공 이미지 분석에 필수적인 소형 객체 인식 성능을 크게 향상시킵니다.
다양한 아키텍처를 탐구하는 데 관심이 있는 사용자는 Transformer 기반 추적을 위한 RT-DETR이나 제로샷 오픈 보캐블러리 탐지를 위한 YOLO-World를 살펴보는 것도 좋습니다.
결론
YOLO11과 YOLOv9 모두 컴퓨터 비전의 역사에 확고한 자리를 잡았습니다. YOLOv9는 최대의 특징 유지를 위한 뛰어난 아키텍처 혁신을 제공합니다. 그러나 엔터프라이즈 AI 애플리케이션부터 모바일 에지 장치에 이르기까지 대부분의 실제 배포 사례에서 YOLO11의 사용 편의성, 메모리 효율성, 범용적인 작업 지원은 비교할 수 없는 이점을 제공합니다. 업계가 발전함에 따라 더 새로운 YOLO26을 도입하면 귀하의 시스템이 오늘날 사용 가능한 가장 빠르고 안정적인 추론을 실행함을 보장할 수 있습니다.