Ultralytics YOLO27:

YOLO26과 YOLOv9#

컴퓨터 비전의 발전은 빠르게 진행되고 있으며, 새로운 아키텍처가 속도와 정확도의 한계를 지속적으로 확장하고 있습니다. 이 기술 비교에서는 실시간 객체 탐지 분야에서 큰 영향력을 발휘하는 두 모델인 YOLO26과 YOLOv9의 차이점을 살펴봅니다. 두 모델 모두 서로 다른 아키텍처 혁신을 제공하지만, 다음 비전 프로젝트에 적합한 도구를 선택하려면 성능 절충점, 배포 기능, 하드웨어 요구 사항을 이해하는 것이 중요합니다.

YOLO26: 엣지 최적화 강자#

2026년 초에 출시된 Ultralytics YOLO26은 배포 효율성과 모델 학습 안정성에서 세대적 도약을 보여줍니다. 네이티브 엔드투엔드 프레임워크로 설계된 이 모델은 엣지 AI 애플리케이션을 오랫동안 어렵게 만들었던 배포 병목 현상을 직접 해결합니다.

모델 세부 정보:

아키텍처 및 혁신#

YOLO26은 엔드투엔드 NMS-Free 설계를 도입하여 후처리 파이프라인을 근본적으로 재설계합니다. 비최대 억제(NMS)의 필요성을 제거함으로써 모델은 지연 시간 변동성을 크게 낮춥니다. 따라서 특히 ONNX 및 Apple CoreML과 같은 프레임워크로 내보낼 때 모바일 및 엣지 플랫폼에 훨씬 쉽게 배포할 수 있습니다.

또한 Distribution Focal Loss(DFL)를 제거하여 내보내기 프로세스를 간소화하고 저전력 마이크로컨트롤러와의 호환성을 향상합니다. 학습 안정성을 높이기 위해 YOLO26은 확률적 경사 하강법(SGD)과 Muon을 결합한 하이브리드 방식인 새로운 MuSGD Optimizer를 통합합니다. Muon은 대규모 언어 모델 학습의 혁신에서 영감을 얻었습니다. 그 결과 까다로운 데이터셋 전반에서 더 빠른 수렴과 더욱 강력한 특징 추출이 가능합니다.

엣지 디바이스 추론

아키텍처가 간소화되고 DFL이 제거된 덕분에 YOLO26은 최대 43% 더 빠른 CPU 추론을 달성하므로 Raspberry Pi나 NVIDIA Jetson Nano와 같이 리소스가 제한된 엣지 디바이스에 이상적인 선택입니다.

드론 항공 이미지와 같은 장면에서 매우 까다로운 대상을 탐지하기 위해 YOLO26은 개선된 ProgLoss + STAL 손실 함수를 사용합니다. 이를 통해 작은 객체 인식 재현율이 크게 향상됩니다. 또한 인스턴스 세그멘테이션을 위한 멀티 스케일 proto, 포즈 추정을 위한 Residual Log-Likelihood Estimation(RLE), 방향성 바운딩 박스(OBB) 탐지를 위한 특수 각도 손실 등 작업별 개선 사항도 제공합니다.

YOLOv9: 프로그래밍 가능한 그래디언트 정보#

2024년 초에 소개된 YOLOv9은 학습 단계에서 신경망이 그래디언트 흐름을 처리하는 방식에 이론적 발전을 가져왔으며, 파라미터 효율성과 심층 특징 보존에 중점을 둡니다.

모델 세부 정보:

아키텍처 및 강점#

YOLOv9은 프로그래밍 가능한 그래디언트 정보(PGI)와 일반화된 효율적 레이어 집계 네트워크(GELAN) 개념을 중심으로 구축되었습니다. 이러한 개념은 심층 신경망에서 자주 관찰되는 정보 병목 문제를 해결합니다. GELAN은 피드포워드 프로세스를 통해 핵심 정보를 보존하여 가중치 업데이트에 사용되는 그래디언트의 신뢰성을 유지합니다. 이 아키텍처는 높은 정확도를 제공하므로 PyTorch 프레임워크를 사용한 신경망 이론 및 그래디언트 경로 최적화 학술 연구에 YOLOv9은 강력한 후보가 됩니다.

제한 사항#

뛰어난 파라미터 효율성에도 불구하고 YOLOv9은 바운딩 박스 후처리를 위해 기존 NMS에 크게 의존하므로 엣지 디바이스에서 추론할 때 계산 병목이 발생할 수 있습니다. 또한 공식 저장소는 주로 객체 탐지에 초점을 맞추고 있어 트래킹이나 포즈 추정과 같은 특수 작업에 맞게 조정하려면 상당한 커스텀 엔지니어링이 필요합니다.

YOLOv9에 대해 자세히 알아보기

성능 비교#

실제 환경 배포를 위해 이러한 모델을 평가할 때는 정확도(mAP), 추론 속도, 메모리 사용량의 균형을 맞추는 것이 중요합니다. Ultralytics 모델은 학습과 추론 모두에서 낮은 메모리 요구 사항으로 잘 알려져 있으며, RT-DETR과 같은 Transformer 기반 대안보다 훨씬 적은 CUDA 메모리를 사용합니다.

아래는 COCO 데이터셋에서 YOLO26과 YOLOv9의 성능을 직접 비교한 결과입니다. 각 열의 최적 값은 굵게 표시했습니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0

참고: YOLOv9의 CPU 속도는 NMS 구성에 따라 크게 달라지고 일반적으로 YOLO26의 네이티브 NMS-Free 구현보다 느리므로 생략했습니다.

사용 사례 및 권장 사항#

YOLO26과 YOLOv9 중 어떤 모델을 선택할지는 특정 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.

YOLO26을 선택해야 하는 경우#

YOLO26은 다음과 같은 경우에 적합합니다:

  • NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
  • 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.

YOLOv9을 선택해야 하는 경우#

YOLOv9은 다음과 같은 경우에 권장됩니다:

  • 정보 병목 연구: 프로그래밍 가능한 그래디언트 정보(PGI) 및 일반화된 효율적 레이어 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트입니다.
  • 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 레이어의 정보 손실을 이해하고 완화하는 데 중점을 둔 연구입니다.
  • 고정확도 탐지 벤치마킹: 아키텍처 비교를 위한 기준점으로 YOLOv9의 강력한 COCO 벤치마크 성능이 필요한 시나리오입니다.

Ultralytics의 강점#

모델 선택은 정확도 벤치마크를 읽는 것 이상을 의미합니다. 주변 소프트웨어 생태계에 따라 데이터 수집부터 프로덕션까지 진행하는 속도가 결정됩니다.

사용 편의성과 생태계#

Ultralytics Python API는 원활한 "제로 투 히어로" 경험을 제공합니다. 복잡한 저장소를 복제하거나 분산 학습 스크립트를 수동으로 구성하는 대신, 개발자는 pip을 통해 패키지를 설치하고 즉시 학습을 시작할 수 있습니다. 지속적으로 관리되는 Ultralytics 생태계는 잦은 업데이트, Weights & Biases와 같은 ML 플랫폼과의 자동화된 통합, 광범위한 문서를 보장합니다.

기타 Ultralytics 모델

Ultralytics 생태계의 다른 모델을 살펴보려는 경우 YOLO11 또는 클래식 YOLOv8도 비교해 볼 수 있습니다. 두 모델 모두 커스텀 애플리케이션에 뛰어난 유연성을 제공합니다.

비전 작업 전반의 범용성#

YOLOv9이 주로 탐지 엔진인 반면, YOLO26은 범용 비전 도구입니다. 단일 통합 구문을 사용하면 객체 탐지에서 픽셀 단위로 정밀한 이미지 세그멘테이션 또는 전체 이미지 분류로 쉽게 전환할 수 있습니다. 이러한 범용성은 다양한 컴퓨터 비전 기능을 위해 서로 분리된 여러 코드베이스를 유지 관리할 때 발생하는 기술 부채를 줄여줍니다.

효율적인 학습 및 배포#

학습 효율성은 Ultralytics 철학의 핵심입니다. YOLO26은 쉽게 사용할 수 있는 사전 학습 가중치를 활용하며, 대형 비전 Transformer보다 훨씬 적은 메모리를 사용합니다. 학습이 완료되면 기본 제공 내보내기 파이프라인을 통해 TensorRT 또는 TensorFlow Lite와 같은 최적화된 형식으로 원클릭 변환할 수 있어 프로덕션 배포를 원활하게 진행할 수 있습니다.

코드 예제: YOLO26 시작하기#

YOLO26 구현은 매우 간단합니다. 다음 Python 코드는 사전 학습된 모델을 로드하고, 커스텀 데이터로 학습하며, Ultralytics API를 사용해 추론을 실행하는 방법을 보여줍니다.

from ultralytics import YOLO

# Load the latest state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset utilizing the MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Uses GPU 0, or use 'cpu' for CPU training
)

# Run an NMS-free inference on a sample image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Display the bounding boxes and confidences
predictions[0].show()

YOLO26의 속도, 간소화된 아키텍처, 강력한 생태계를 활용하면 팀은 그 어느 때보다 빠르게, 더 적은 기술적 장애물로 고급 비전 AI 애플리케이션을 시장에 선보일 수 있습니다.

기여자
GLglenn-jocher9PDpderrenger1

댓글