YOLO11과 YOLOv9 비교
실시간 객체 탐지 아키텍처는 계속 개선되고 있습니다. 주목할 만한 두 이정표는 Ultralytics YOLO11과 YOLOv9입니다. 두 모델 모두 우수한 성능을 보이지만, 딥러닝 추론과 학습의 핵심 과제에 서로 다른 방식으로 접근합니다.
이 가이드에서는 YOLO11과 YOLOv9의 아키텍처, 성능 지표, 적합한 배포 시나리오를 분석해 다음 컴퓨터 비전 프로젝트에 알맞은 모델을 선택하도록 돕습니다.
모델 개요#
Ultralytics YOLO11#
YOLO11은 프로덕션 환경을 위해 설계된 최적화된 범용 모델입니다. 높은 정확도와 엣지 컴퓨팅 및 대규모 배포의 실질적인 요구 사항 사이에서 균형을 이룹니다.
- 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 신경망의 정보 손실을 줄이는 새로운 개념을 도입한 학술 연구 성과로, 특징 추출에 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
아키텍처 혁신#
YOLOv9: 프로그래밍 가능한 그래디언트 정보#
YOLOv9는 데이터가 심층 네트워크의 여러 계층을 통과하면서 손실되는 '정보 병목' 문제를 해결합니다. 이를 위해 저자는 프로그래머블 그래디언트 정보(PGI)와 일반화 효율적 계층 집계 네트워크(GELAN)를 도입했습니다. PGI는 역전파 중 가중치를 갱신하는 데 사용되는 그래디언트가 더 완전한 정보를 유지하도록 하여 정확한 특징 표현을 얻습니다. GELAN 아키텍처는 파라미터 효율성을 극대화해 YOLOv9가 비교적 경량 구조로 높은 정확도를 달성할 수 있도록 합니다.
YOLO11: 생태계 및 효율성#
YOLOv9가 그래디언트 흐름에 중점을 두는 반면, YOLO11은 실제 환경에서의 신뢰성과 범용성을 위해 설계되었습니다. YOLO11은 핵심 YOLO 아키텍처를 개선해 학습 중 CUDA 메모리 요구량을 Transformer 비중이 높은 대안보다 낮게 유지합니다. YOLO11은 객체 탐지기 이상의 기능을 제공합니다. Ultralytics의 YOLOv9가 탐지와 분할을 지원하는 반면, YOLO11은 인스턴스 분할, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB)를 지원합니다.
YOLO11의 주요 강점 중 하나는 Ultralytics Python 패키지와의 통합입니다. 이 패키지는 데이터 로딩, 증강, 분산 학습의 복잡성을 추상화하여 통합된 API로 제공합니다.
성능 비교#
프로덕션 모델을 선택할 때는 평균 정밀도(mAP), 추론 속도, 파라미터 수 간의 절충을 고려하세요.
| 모델 | 크기 (픽셀) | mAPval50-95 | 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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
YOLOv9e는 전체 정확도가 가장 높아(55.6 mAP) 학술 벤치마킹에 유용하지만, T4 TensorRT에서 16.77ms로 실행되어 YOLO11x의 11.3ms보다 느립니다. YOLO11은 모든 크기에서 속도 대비 정확도 비율이 더 우수합니다. 예를 들어 YOLO11m은 TensorRT에서 4.7ms에 51.5 mAP를 달성하는 반면, 크기가 비슷한 YOLOv9m은 6.43ms에 51.4 mAP를 기록합니다.
학습 방법론 및 생태계#
두 프레임워크의 개발자 경험에는 상당한 차이가 있습니다.
YOLOv9 학습#
원본 저장소에서 YOLOv9를 학습하려면 사용자 지정 연구 코드 작업, 특정 의존성 버전 관리, 복잡한 명령줄 인수 사용이 필요한 경우가 많아 엔터프라이즈 팀의 작업 속도가 느려질 수 있습니다. YOLOv9 가중치는 ultralytics 패키지에서도 제공되므로 대부분의 설정 과정이 필요하지 않습니다.
YOLO11 학습#
YOLO11은 잘 관리되는 Ultralytics Python API를 사용하므로 몇 단계만 거치면 설치부터 학습된 모델까지 진행할 수 있습니다. 사전 학습된 가중치를 바로 사용할 수 있고 활발한 커뮤니티가 학습을 지원합니다.
from ultralytics import YOLO
# 사전 학습된 YOLO11 소형 모델을 불러옵니다.
model = YOLO("yolo11s.pt")
# 내장 증강 기능을 사용해 사용자 지정 데이터셋으로 학습합니다.
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 배포를 위해 ONNX 형식으로 내보냅니다
model.export(format="onnx")Python 코드 세 줄만으로 개발자는 모델을 불러오고, 최적화된 기본 하이퍼파라미터로 학습을 시작하며, 학습된 아키텍처를 ONNX 또는 TensorRT와 같은 프레임워크로 내보내 엣지에 배포할 수 있습니다.
실제 애플리케이션#
YOLOv9을 선택해야 하는 경우#
YOLOv9는 딥러닝 아키텍처와 그래디언트 정보 기법을 연구하는 연구자에게 적합합니다. 가장 큰 변형인 YOLOv9e는 배포 복잡성보다 알고리즘 성능이 중요한 고밀도 장면의 정확도 중심 분석에 적합합니다.
YOLO11을 선택해야 하는 경우#
프로덕션에는 YOLO11이 더 적합합니다. 객체 탐지 기능은 스마트 시티 교통 관리와 Raspberry Pi 또는 NVIDIA Jetson과 같은 엣지 기기에 적합합니다. 또한 여러 작업을 지원하므로 단일 개발 파이프라인으로 제조 분야의 분할과 스포츠 분석의 포즈 추정을 처리할 수 있습니다.
YOLO26 소개#
오늘 새로운 프로젝트를 시작하는 개발자에게 Ultralytics는 최신 Ultralytics YOLO 모델인 YOLO26(2026년 1월 출시)을 권장합니다.
YOLO26은 최근의 발전을 프로덕션에 바로 사용할 수 있는 모델로 결합합니다:
- 엔드투엔드 NMS-Free 설계: YOLO26의 선택적 일대일 헤드(
nms=False)는 비최대 억제(NMS) 후처리를 생략해 배포 파이프라인을 더 간단하고 빠르게 만듭니다. - DFL 제거: 분포 초점 손실을 제거하면 저전력 기기 및 엣지 AI 가속기와의 호환성이 향상됩니다.
- MuSGD 옵티마이저: 대규모 언어 모델(LLM) 학습 방식에서 영감을 얻은 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)는 안정적인 학습과 빠른 수렴을 제공합니다.
- CPU 추론 최대 43% 향상: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되어 전용 GPU가 없는 엣지 컴퓨팅 기기에 적합합니다.
- ProgLoss + STAL: Progressive Loss와 소형 객체 인식형 레이블 할당(STAL)은 작은 객체 인식을 개선하며, 이는 농업 모니터링과 항공 이미지 분석에 매우 중요합니다.
다양한 아키텍처를 살펴보려는 사용자는 Transformer 기반 탐지를 위한 RT-DETR이나 제로샷 오픈 보캐뷸러리 탐지를 위한 YOLO-World도 검토할 수 있습니다.
결론#
YOLO11과 YOLOv9는 컴퓨터 비전 역사에서 중요한 모델입니다. YOLOv9는 특징 보존을 위한 주목할 만한 아키텍처 아이디어를 제공합니다. 엔터프라이즈 AI 애플리케이션부터 모바일 엣지 기기까지 대부분의 실제 배포에서는 YOLO11의 사용 편의성, 메모리 효율성, 다양한 작업 지원이 장점으로 작용합니다. 신규 시스템에는 더 최신 모델인 YOLO26이 더 빠른 CPU 추론과 선택적 NMS-Free 배포를 제공합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.