YOLO11과 YOLOv9 비교#

컴퓨터 비전 분야는 끊임없이 발전하고 있으며, 새로운 아키텍처가 실시간 객체 감지의 가능성을 넓히고 있습니다. 이러한 발전의 중요한 이정표로는 Ultralytics YOLO11과 YOLOv9가 있습니다. 두 모델 모두 뛰어난 성능을 제공하지만, 딥러닝 추론 및 학습의 핵심 과제를 해결하는 접근 방식은 서로 다릅니다.

이 가이드에서는 YOLO11과 YOLOv9의 아키텍처, 성능 지표, 이상적인 배포 시나리오를 분석하여 다음 인공지능 프로젝트에 적합한 모델을 선택할 수 있도록 포괄적인 기술 비교를 제공합니다.

모델 개요#

Ultralytics YOLO11#

YOLO11은 프로덕션 수준의 환경에 맞게 설계된 고도로 최적화된 다목적 모델입니다. 최첨단 정확도와 엣지 컴퓨팅 및 대규모 배포의 실용적 요구사항을 균형 있게 충족합니다.

• 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 완화하는 새로운 개념을 도입한 강력한 학술적 성과이며, 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 데이터가 심층 네트워크의 여러 계층을 통과하면서 손실되는 '정보 병목' 문제를 해결합니다. 이를 위해 저자는 프로그래밍 가능한 기울기 정보(PGI)와 일반화된 효율적 계층 집계 네트워크(GELAN)를 도입했습니다. PGI는 역전파 중 가중치를 업데이트하는 데 사용되는 기울기가 완전한 정보를 포함하도록 하여 매우 정확한 특징 표현을 생성합니다. GELAN 아키텍처는 파라미터 효율성을 극대화해 YOLOv9가 비교적 경량 구조로 높은 정확도를 달성하도록 합니다.

YOLO11: 생태계 및 효율성#

YOLOv9가 기울기 흐름에 중점을 둔다면, YOLO11은 실제 환경에서의 견고성과 활용성을 높이도록 설계되었습니다. 기본 YOLO 아키텍처를 개선하여 Transformer 중심의 대안 모델보다 학습 중 CUDA 메모리 요구량을 크게 줄입니다. 또한 YOLO11은 객체 감지에만 국한되지 않습니다. 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB)를 기본 지원합니다.

성능 비교#

프로덕션용 모델을 선택할 때는 평균 정밀도(mAP), 추론 속도, 파라미터 수 사이의 상충 관계를 평가하는 것이 중요합니다.

표에서 볼 수 있듯이 YOLOv9e는 전반적으로 가장 높은 정확도를 달성하므로 학술 벤치마킹에 적합합니다. 그러나 YOLO11은 전반적으로 더 우수한 속도 대비 정확도 비율을 제공합니다. 예를 들어 YOLO11m은 4.7ms(TensorRT)에서 51.5 mAP를 달성하며, 비슷한 크기의 YOLOv9m보다 빠릅니다.

학습 방법론 및 생태계#

두 프레임워크의 개발자 경험은 상당히 다릅니다.

YOLOv9 학습#

YOLOv9를 학습하려면 고도로 사용자 지정된 연구 코드와 상호작용하고, 특정 종속성 버전을 관리하며, 복잡한 명령줄 인수를 사용해야 하는 경우가 많습니다. 강력한 기능을 제공하지만, 빠르게 움직이는 엔터프라이즈 환경에서는 다루기 어려울 수 있습니다.

YOLO11 학습#

YOLO11은 잘 관리되는 Ultralytics Python API를 활용해 처음부터 전문가 수준까지 원활하게 진행할 수 있는 경험을 제공합니다. 바로 사용할 수 있는 사전 학습 가중치와 뛰어난 커뮤니티 지원을 통해 효율적인 학습 프로세스를 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 아키텍처를 연구하려는 연구자에게 훌륭한 선택입니다. PGI 프레임워크는 밀집 데이터셋에서 극도의 정확도가 필요한 고속 소매 분석에 적합하며, 이 경우 알고리즘 성능보다 배포 복잡성이 덜 중요합니다.

YOLO11을 선택해야 하는 경우#

YOLO11은 프로덕션을 위한 최적의 도구입니다. 간소화된 객체 감지 기능은 스마트 시티 교통 관리와 Raspberry Pi 또는 NVIDIA Jetson 같은 엣지 디바이스에 적합합니다. 또한 다양한 작업을 지원하므로 하나의 개발 파이프라인으로 제조 분야의 분할과 스포츠 분석의 자세 추정을 처리할 수 있습니다.

최첨단 모델의 등장: YOLO26#

YOLO11과 YOLOv9는 모두 주목할 만한 모델이지만, 인공지능 분야는 빠르게 발전하고 있습니다. 현재 새 프로젝트를 시작하는 개발자에게 Ultralytics는 컴퓨터 비전의 한계를 더욱 넓히는 YOLO26(2026년 1월 출시)을 적극 권장합니다.

YOLO26은 최근 혁신의 장점을 결합한 프로덕션용 고성능 모델입니다.

• 엔드투엔드 NMS 없는 설계: YOLO26의 선택적 일대일 헤드(nms=False)는 비최대 억제(NMS) 후처리를 생략하여 배포 파이프라인을 훨씬 더 단순하고 빠르게 만듭니다.
• DFL 제거: Distribution Focal Loss를 제거하면 저전력 마이크로컨트롤러 및 엣지 AI 가속기와의 호환성이 향상됩니다.
• MuSGD 옵티마이저: LLM 학습의 혁신에서 영감을 받은 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)는 안정적인 학습과 빠른 수렴을 지원합니다.
• 최대 43% 더 빠른 CPU 추론: 전용 GPU가 없는 엣지 컴퓨팅 디바이스에 맞춰 특별히 최적화되었습니다.
• ProgLoss + STAL: 개선된 손실 함수로 소형 객체 인식 성능을 크게 높여 농업 모니터링과 항공 영상 분석에서 중요한 역할을 합니다.

다양한 아키텍처를 살펴보려는 사용자는 Transformer 기반 추적을 위한 RT-DETR이나 제로샷 개방형 어휘 감지를 위한 YOLO-World도 고려할 수 있습니다.

결론#

YOLO11과 YOLOv9는 모두 컴퓨터 비전 역사에서 중요한 위치를 확고히 했습니다. YOLOv9는 특징을 최대한 보존하는 뛰어난 아키텍처 혁신을 제공합니다. 그러나 엔터프라이즈 AI 애플리케이션부터 모바일 엣지 디바이스에 이르는 대부분의 실제 배포 환경에서는 YOLO11의 사용 편의성, 메모리 효율성, 다양한 작업 지원이 압도적인 이점을 제공합니다. 업계가 발전함에 따라 최신 YOLO26을 채택하면 현재 이용할 수 있는 가장 빠르고 안정적인 추론을 시스템에서 실행할 수 있습니다.