YOLO Vision 2026:

YOLO26 대 YOLOv9#

컴퓨터 비전 분야는 급격히 발전하고 있으며, 새로운 아키텍처가 끊임없이 속도와 정확도의 한계를 뛰어넘고 있습니다. 이 기술 비교에서는 실시간 객체 탐지 분야에서 매우 영향력 있는 두 모델인 YOLO26과 YOLOv9의 차이점을 살펴봅니다. 두 모델 모두 독특한 아키텍처 혁신을 제공하지만, 차기 비전 프로젝트에 적합한 도구를 선택하려면 성능 트레이드오프, 배포 역량 및 하드웨어 요구 사항을 이해하는 것이 중요합니다.

YOLO26: 엣지 최적화된 강력한 모델#

2026년 초에 출시된 Ultralytics YOLO26은 배포 효율성과 모델 학습 안정성 측면에서 세대적 도약을 이뤄냈습니다. 네이티브 엔드투엔드(end-to-end) 프레임워크로 설계되어, 그동안 엣지 AI 애플리케이션을 괴롭혀 온 배포 병목 현상을 직접적으로 해결합니다.

모델 세부 정보:

아키텍처 및 혁신#

YOLO26은 End-to-End NMS-Free Design을 도입하여 후처리 파이프라인을 근본적으로 재설계했습니다. 비최대 suppressed(NMS) 과정의 필요성을 없앰으로써 모델은 지연 시간의 변동성을 대폭 줄였습니다. 이로 인해 특히 ONNX 및 Apple CoreML과 같은 프레임워크로 내보낼 때 모바일 및 엣지 플랫폼에 훨씬 쉽게 배포할 수 있습니다.

또한 DFL(Distribution Focal Loss)을 제거하여 내보내기 프로세스를 간소화하고 저전력 마이크로컨트롤러와의 호환성을 높였습니다. 학습 안정성을 향상하기 위해 YOLO26은 SGD(Stochastic Gradient Descent)와 Muon(거대 언어 모델 학습 혁신에서 영감을 얻음)을 결합한 새로운 MuSGD Optimizer를 통합했습니다. 그 결과 더 빠른 수렴 속도를 얻고 복잡한 데이터셋 전반에서 더 강력한 특징 추출이 가능해졌습니다.

엣지 디바이스 추론

아키텍처 단순화와 DFL 제거 덕분에 YOLO26은 최대 43% 더 빠른 CPU 추론을 달성하여, Raspberry Pi나 NVIDIA Jetson Nano와 같이 자원이 제한된 엣지 디바이스에 이상적인 선택이 됩니다.

드론 항공 이미지와 같이 매우 까다로운 항목을 감지하기 위해, YOLO26은 업데이트된 ProgLoss + STAL 손실 함수를 활용합니다. 이를 통해 소형 객체 인식 재현율이 눈에 띄게 향상됩니다. 또한 인스턴스 분할을 위한 다중 스케일 프로토, 포즈 추정을 위한 RLE(Residual Log-Likelihood Estimation), 유향 바운딩 박스(OBB) 감지를 위한 특화된 각도 손실 등 태스크별 기능이 강화되었습니다.

YOLO26에 대해 자세히 알아보기

YOLOv9: 프로그래밍 가능한 그래디언트 정보#

2024년 초에 소개된 YOLOv9는 학습 단계에서 신경망이 그래디언트 흐름을 처리하는 방식에 대한 이론적 발전을 가져왔으며, 파라미터 효율성과 딥 피처 유지에 중점을 두었습니다.

모델 세부 정보:

아키텍처 및 강점#

YOLOv9은 PGI(Programmable Gradient Information)와 GELAN(Generalized Efficient Layer Aggregation Network) 개념을 바탕으로 구축되었습니다. 이 개념들은 심층 신경망에서 자주 관찰되는 정보 병목 현상 문제를 해결합니다. 피드포워드 과정 전체에 걸쳐 필수 정보를 보존함으로써, GELAN은 가중치 업데이트에 사용되는 기울기가 안정적으로 유지되도록 보장합니다. 이 아키텍처는 높은 정확도를 제공하며, PyTorch 프레임워크를 사용하는 신경망 이론 및 기울기 경로 최적화에 대한 학술 연구에 YOLOv9을 강력한 후보로 만듭니다.

한계점#

뛰어난 파라미터 효율성에도 불구하고, YOLOv9은 바운딩 박스 후처리를 위해 전통적인 NMS에 크게 의존하므로 엣지 디바이스에서 추론 시 연산 병목 현상이 발생할 수 있습니다. 또한, 공식 저장소는 주로 객체 검증에 초점을 맞추고 있어 트래킹이나 포즈 추정 같은 특수 작업에 맞게 조정하려면 상당한 커스텀 엔지니어링이 필요합니다.

YOLOv9에 대해 더 알아보기

성능 비교#

실제 배포를 위해 이러한 모델을 평가할 때 정확도(mAP), 추론 속도, 메모리 사용량 간의 균형을 맞추는 것이 중요합니다. Ultralytics 모델은 학습과 추론 모두에서 낮은 메모리 요구 사항으로 잘 알려져 있으며, RT-DETR과 같은 트랜스포머 기반 대안보다 훨씬 적은 CUDA memory를 필요로 합니다.

아래는 COCO 데이터셋에서 YOLO26과 YOLOv9의 성능을 직접 비교한 것입니다. 각 열에서 가장 우수한 값은 굵은 글씨로 강조되어 있습니다.

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 달라지며 일반적으로 YOLO26의 네이티브 NMS-free 구현보다 느리기 때문에 생략되었습니다.

활용 사례 및 권장 사항#

YOLO26과 YOLOv9 중 선택하는 것은 귀하의 특정 프로젝트 요구 사항, 배포 제약 조건 및 생태계 선호도에 따라 달라집니다.

YOLO26을 선택해야 할 때#

YOLO26은 다음에 적합한 강력한 선택입니다:

  • NMS 미사용 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
  • CPU 전용 환경: 전용 GPU 가속이 없는 디바이스에서, 최대 43% 더 빠른 YOLO26의 CPU 추론 속도가 결정적인 이점을 제공합니다.
  • 소형 객체 감지: 항공 드론 이미지나 IoT 센서 분석과 같은 까다로운 시나리오에서 ProgLoss와 STAL이 아주 작은 객체의 정확도를 크게 향상시킵니다.

YOLOv9를 선택해야 할 때#

YOLOv9는 다음에 권장됩니다:

  • 정보 병목 현상 연구: PGI(Programmable Gradient Information) 및 GELAN(Generalized Efficient Layer Aggregation Network) 아키텍처를 연구하는 학술 프로젝트.
  • 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 계층에서의 정보 손실을 이해하고 완화하는 데 중점을 둔 연구.
  • 고정밀 탐지 벤치마킹: YOLOv9의 강력한 COCO 벤치마크 성능을 아키텍처 비교를 위한 참조 지점으로 활용해야 하는 시나리오.

Ultralytics의 장점#

모델 선택에는 정확도 벤치마크를 읽는 것 이상의 과정이 포함됩니다. 주변 소프트웨어 생태계가 데이터 수집부터 프로덕션 단계까지 얼마나 빨리 도달할 수 있는지를 결정합니다.

사용 편의성 및 생태계#

Ultralytics Python API는 원활한 "zero-to-hero" 경험을 제공합니다. 복잡한 저장소를 클론하거나 분산 학습 스크립트를 수동으로 구성할 필요 없이, 개발자는 pip을 통해 패키지를 설치하고 즉시 학습을 시작할 수 있습니다. 활발히 유지 관리되는 Ultralytics 생태계는 빈번한 업데이트, Weights & Biases와 같은 ML 플랫폼과의 자동화된 통합, 그리고 광범위한 문서를 보장합니다.

기타 Ultralytics 모델

Ultralytics 생태계 내의 다른 모델들을 살펴보고 싶다면 YOLO11이나 클래식한 YOLOv8을 비교해 보는 것도 좋습니다. 두 모델 모두 커스텀 애플리케이션을 위해 뛰어난 유연성을 제공합니다.

비전 작업 전반의 다재다능함#

YOLOv9이 주로 객체 감지 엔진인 반면, YOLO26은 범용 비전 도구입니다. 단 하나의 통합된 구문을 사용하여 객체 감지에서 픽셀 단위의 이미지 분할 또는 전체 이미지 분류로 쉽게 전환할 수 있습니다. 이러한 다기능성 덕분에 서로 다른 컴퓨터 비전 기능을 위해 여러 개의 분리된 코드베이스를 유지 관리해야 하는 기술 부채가 줄어듭니다.

효율적인 학습 및 배포#

학습 효율성은 Ultralytics 철학의 핵심입니다. YOLO26은 손쉽게 구할 수 있는 사전 학습된 가중치를 활용하며, 부피가 큰 비전 트랜스포머에 비해 현저히 낮은 메모리 사용량을 자랑합니다. 학습이 완료되면 내장된 내보내기 파이프라인을 통해 TensorRT나 TensorFlow Lite와 같은 최적화된 포맷으로 원클릭 변환이 가능하여 프로덕션으로 가는 길을 원활하게 만들어 줍니다.

코드 예시: YOLO26 시작하기#

YOLO26 구현은 매우 간단합니다. 다음 Python 코드 조각은 사전 학습된 모델을 로드하고, 커스텀 데이터로 학습하며, Ultralytics API를 사용하여 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 및 강력한 생태계를 활용함으로써 팀은 그 어느 때보다 빠르게, 그리고 기술적 장애물을 줄이면서 고급 비전 AI 애플리케이션을 시장에 출시할 수 있습니다.

기여자
GLglenn-jocher7

댓글