YOLO26과 YOLOv9 비교
이 기술 비교에서는 실시간 객체 탐지에 널리 사용되는 두 모델인 YOLO26과 YOLOv9의 차이를 살펴봅니다. 두 모델은 각기 다른 아키텍처 혁신을 제공하며, 비전 프로젝트에 적합한 도구를 선택하려면 성능 트레이드오프, 배포 기능, 하드웨어 요구 사항을 이해하는 것이 중요합니다.
YOLO26: 엣지 최적화 탐지#
2026년 초에 출시된 Ultralytics YOLO26은 배포 효율성과 학습 안정성에 중점을 둡니다. 선택적 종단 간 추론은 엣지 AI 애플리케이션에 오랫동안 영향을 미쳐 온 배포 병목 현상을 해결합니다.
모델 세부 정보:
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2026-01-14
- GitHub: Ultralytics 저장소
- 문서: YOLO26 문서
아키텍처 및 혁신#
YOLO26은 종단 간 NMS 프리 설계를 도입해 후처리 파이프라인을 재설계했습니다. 선택적 일대일 헤드(nms=False)를 사용하면 모델이 비최대 억제(NMS)를 생략하고 지연 시간 편차를 줄입니다. 따라서 모바일 및 엣지 플랫폼에 더 쉽게 배포할 수 있으며, 특히 ONNX 및 Apple CoreML 같은 프레임워크로 내보낼 때 유용합니다.
분포 초점 손실(DFL)을 제거하면 내보내기 과정이 간소화되고 저전력 엣지 디바이스와의 호환성이 향상됩니다. 학습 안정성을 높이기 위해 YOLO26은 확률적 경사 하강법(SGD)과 Muon을 결합한 MuSGD 옵티마이저를 통합했습니다. 이는 대규모 언어 모델(LLM) 학습 혁신에서 영감을 얻은 것으로, 수렴 속도를 높입니다.
아키텍처를 단순화하고 DFL을 제거한 덕분에 YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠르므로 Raspberry Pi 또는 NVIDIA Jetson Nano와 같은 리소스 제약이 있는 엣지 디바이스에 적합합니다.
드론 항공 이미지와 같은 장면에서 작은 객체를 탐지하기 위해 YOLO26은 작은 객체 재현율을 높이는 ProgLoss + STAL(점진적 손실 및 작은 객체 인식 기반 레이블 할당)을 사용합니다. 또한 인스턴스 분할을 위한 다중 스케일 프로토, 포즈 추정을 위한 잔차 로그 가능도 추정(RLE), 방향 바운딩 박스(OBB) 탐지를 위한 특수 각도 손실 등 작업별 개선 사항도 포함합니다.
YOLOv9: 프로그래밍 가능한 그래디언트 정보#
2024년 초에 공개된 YOLOv9은 학습 단계에서 신경망의 그래디언트 흐름 처리 방식에 이론적 발전을 가져왔으며, 파라미터 효율성과 심층 특징 보존에 중점을 둡니다.
모델 세부 정보:
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2024-02-21
- arXiv: YOLOv9 논문
- GitHub: YOLOv9 저장소
- 문서: YOLOv9 문서
아키텍처 및 강점#
YOLOv9은 프로그래밍 가능한 그래디언트 정보(PGI)와 일반화된 효율적 계층 집계 네트워크(GELAN)를 중심으로 구축되었습니다. 이 개념들은 심층 신경망에서 흔히 나타나는 정보 병목 문제를 해결합니다. 순전파 과정에서 필수 정보를 보존함으로써 GELAN은 가중치 업데이트에 사용되는 그래디언트의 신뢰성을 유지합니다. 이 아키텍처는 높은 정확도를 제공하며, PyTorch 프레임워크를 사용한 신경망 이론 및 그래디언트 경로 최적화 연구에 YOLOv9을 강력한 후보로 만듭니다.
제한 사항#
파라미터 효율성이 뛰어나지만 YOLOv9은 바운딩 박스 후처리에 기존 NMS를 사용하므로 엣지 디바이스에서 추론할 때 연산 병목 현상이 발생할 수 있습니다. 또한 공식 저장소는 주로 객체 탐지에 초점을 맞추고 있어 추적이나 포즈 추정 같은 특수 작업에 적용하려면 별도의 엔지니어링이 필요합니다.
성능 비교#
실제 배포를 위해 모델을 평가할 때는 정확도(mAP), 추론 속도, 메모리 사용량의 균형이 중요합니다. Ultralytics 모델은 학습과 추론 모두에서 메모리 요구량이 적은 것으로 알려져 있으며, 일반적으로 RT-DETR 같은 Transformer 기반 대안보다 적은 CUDA 메모리를 사용합니다.
다음은 COCO 데이터셋에서 YOLO26과 YOLOv9의 성능을 직접 비교한 결과입니다. 각 열의 최상위 값은 굵게 표시했습니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| 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 |
참고: YOLOv9의 CPU ONNX 속도는 이 표에 보고되지 않았습니다. T4 TensorRT에서 YOLO26은 모든 크기에서 YOLOv9보다 빠르며, 비교 가능한 각 크기에서도 더 정확합니다(예: YOLO26x 대 YOLOv9e의 mAP는 57.5 대 55.6이며, 파라미터 수도 더 적습니다).
사용 사례 및 권장 사항#
YOLO26과 YOLOv9 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
YOLO26을 선택해야 하는 경우#
YOLO26은 다음과 같은 경우에 적합합니다:
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서는 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
YOLOv9을 선택해야 하는 경우#
다음과 같은 경우 YOLOv9을 권장합니다:
- 정보 병목 연구: 프로그래밍 가능한 그래디언트 정보(PGI) 및 일반화된 효율적 계층 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트입니다.
- 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 계층의 정보 손실을 이해하고 완화하는 데 초점을 둔 연구입니다.
- 고정확도 탐지 벤치마킹: 아키텍처 비교의 기준점으로 YOLOv9의 우수한 COCO 벤치마크 성능이 필요한 시나리오입니다.
Ultralytics의 강점#
모델 선택은 정확도 벤치마크를 확인하는 것만으로 끝나지 않습니다. 데이터 수집부터 프로덕션까지 얼마나 빠르게 진행할 수 있는지는 주변 소프트웨어 생태계에 달려 있습니다.
사용 편의성 및 생태계#
Ultralytics Python API는 워크플로를 간단하게 유지합니다. 복잡한 저장소를 복제하거나 분산 학습 스크립트를 수동으로 설정하는 대신, 개발자는 pip을 통해 패키지를 설치하고 바로 학습을 시작할 수 있습니다. 활발히 유지 관리되는 Ultralytics 생태계는 잦은 업데이트, Weights & Biases 같은 ML 플랫폼과의 통합, 폭넓은 문서를 제공합니다.
다양한 비전 작업에 적용#
YOLOv9이 주로 탐지 모델인 반면, YOLO26은 범용 비전 모델입니다. 통합된 단일 문법을 사용해 객체 탐지에서 이미지 분할, 시맨틱 분할, 깊이 추정, 전체 이미지 분류, 포즈 추정, OBB까지 수행할 수 있습니다. 이러한 다재다능함은 서로 다른 컴퓨터 비전 기능을 위해 여러 개의 분리된 코드베이스를 유지할 때 발생하는 기술 부채를 줄여줍니다.
효율적인 학습 및 배포#
YOLO26은 손쉽게 이용할 수 있는 사전 학습 가중치를 사용하며 일반적으로 대형 비전 Transformer보다 적은 메모리를 필요로 합니다. 학습 후에는 내장된 내보내기 파이프라인을 통해 TensorRT 또는 LiteRT 같은 최적화된 형식으로 한 줄의 코드만으로 변환하여 프로덕션으로의 전환을 원활하게 진행할 수 있습니다.
코드 예제: YOLO26 시작하기#
다음 Python 코드 예시는 사전 학습된 모델을 불러오고, 사용자 지정 데이터로 학습한 다음, Ultralytics API를 사용해 추론을 실행하는 방법을 보여줍니다.
from ultralytics import YOLO
# 최신 YOLO26 나노 모델을 불러옵니다
model = YOLO("yolo26n.pt")
# COCO8 데이터셋으로 모델 학습하기(optimizer='auto'는 학습 시간이 긴 경우 MuSGD를 선택함)
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # GPU 0을 사용하거나, CPU 학습에는 'cpu' 사용
)
# 샘플 이미지에서 NMS 프리 추론 실행하기
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
# 바운딩 박스 및 신뢰도 표시하기
predictions[0].show()YOLO26의 속도, 간소화된 아키텍처, 생태계를 활용하면 팀은 기술적 장애물을 줄이고 비전 AI 애플리케이션을 더 빠르게 시장에 출시할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.