YOLOv10 vs. YOLOv9: 기술 비교
올바른 객체 감지 모델을 선택하는 것은 모든 컴퓨터 비전 프로젝트에 매우 중요하며, 성능, 속도 및 배포 가능성에 직접적인 영향을 미칩니다. 이 분야가 빠르게 진화함에 따라 최신 아키텍처에 대한 정보를 유지하는 것이 중요합니다. 이 페이지에서는 두 가지 최첨단 모델인 YOLOv10과 YOLOv9 간의 자세한 기술 비교를 제공합니다. 정확도, 속도 및 리소스 요구 사항과 같은 요소를 기반으로 정보에 입각한 결정을 내리는 데 도움이 되도록 아키텍처 혁신, 성능 지표 및 이상적인 사용 사례를 분석합니다.
YOLOv10: 실시간 엔드 투 엔드 효율성
YOLOv10은(는) 2024년 5월에 칭화대학교 연구진이 발표한 최첨단 모델입니다. 진정한 엔드 투 엔드 객체 감지 파이프라인을 구축하여 탁월한 실시간 성능을 제공하도록 설계되었습니다. 가장 눈에 띄는 혁신은 기존에 추론 지연 시간을 추가하는 후처리 단계인 NMS(Non-Maximum Suppression)를 제거했다는 점입니다. 이를 통해 YOLOv10은(는) 속도가 중요한 애플리케이션에 매우 효율적인 선택이 됩니다.
기술 세부 사항:
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 날짜: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- 문서: https://docs.ultralytics.com/models/yolov10/
아키텍처 및 주요 기능
YOLOv10은 속도-정확도 절충의 경계를 넓히기 위해 여러 아키텍처 발전을 도입했습니다.
- NMS-Free 학습: 핵심 혁신은 학습 중에 일관된 이중 할당을 사용하는 것입니다. 이 전략은 모델에 풍부한 감독 정보를 제공하는 동시에 추론 중에 NMS 없이 작동할 수 있도록 합니다. YOLOv10은 이 후처리 병목 현상을 제거하여 더 낮은 지연 시간을 달성하고 배포 파이프라인을 단순화합니다.
- 전체적인 효율성-정확도 중심 설계: 작성자는 모델 구성 요소를 포괄적으로 최적화했습니다. 여기에는 계산 부하를 줄이기 위한 경량 분류 헤드, 정보를 보다 효과적으로 보존하기 위한 공간-채널 분리 다운샘플링, 계산 중복성을 제거하기 위한 순위 기반 블록 설계가 포함됩니다. 최소한의 오버헤드로 정확도를 높이기 위해 아키텍처는 대형 커널 컨볼루션 및 부분적 자체 주의(PSA)를 통합합니다.
강점과 약점
강점:
- 최고의 효율성: YOLOv10은 최소한의 지연 시간과 계산 비용에 최적화되어 사용 가능한 가장 빠른 객체 감지기 중 하나입니다.
- End-to-End 배포: NMS가 없는 설계는 후처리 단계를 제거하여 배포를 간소화하고 추론 시간을 줄입니다.
- 뛰어난 성능 균형: 속도와 정확도 간의 최첨단 균형을 달성하여 유사한 규모의 다른 모델보다 뛰어난 성능을 제공하는 경우가 많습니다.
- Ultralytics 통합: YOLOv10은 Ultralytics 생태계에 완벽하게 통합되어 있습니다. 이를 통해 사용자는 간단한 Python API, 광범위한 문서 및 잘 관리되는 프레임워크의 지원을 포함하여 간소화된 경험을 얻을 수 있습니다.
약점:
- 최신성: 매우 새로운 모델이므로 커뮤니티 및 타사 리소스는 Ultralytics YOLOv8과 같이 더 확립된 모델에 비해 아직 성장하고 있습니다.
이상적인 사용 사례
YOLOv10은 실시간 성능과 효율성이 가장 중요한 애플리케이션에 이상적인 선택입니다.
- Edge AI: 낮은 지연 시간과 작은 공간 차지로 인해 NVIDIA Jetson 및 모바일 플랫폼과 같이 리소스가 제한된 장치에 배포하는 데 적합합니다.
- 고속 비디오 분석: 교통 관리 또는 실시간 보안 모니터링과 같이 비디오 스트림에서 즉각적인 감지가 필요한 시나리오입니다.
- 자율 시스템: 빠른 의사 결정이 필수적인 로봇 공학 및 드론 분야에 적용됩니다.
YOLOv9: Programmable Gradient Information
2024년 2월에 소개된 YOLOv9는 대만 Academia Sinica 정보 과학 연구소 연구진의 중요한 발전입니다. 이는 심층 신경망에서 데이터가 연속적인 레이어를 통과할 때 발생하는 정보 손실이라는 근본적인 문제를 해결합니다. YOLOv9는 네트워크 업데이트에 신뢰할 수 있는 기울기 정보를 제공하여 보다 효과적인 학습과 더 높은 정확도를 제공하는 Programmable Gradient Information (PGI)을 도입했습니다.
기술 세부 사항:
- 저자: Chien-Yao Wang, Hong-Yuan Mark Liao
- Organization: Institute of Information Science, Academia Sinica, Taiwan
- 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 및 주요 기능
YOLOv9의 아키텍처는 정보 보존 및 학습 효율성을 극대화하도록 설계되었습니다.
- 프로그래밍 가능한 기울기 정보 (PGI): 이 새로운 개념은 네트워크 가중치를 업데이트하기 위해 안정적인 기울기를 생성하는 데 도움이 되며, 정보 병목 현상 문제를 효과적으로 해결하고 심층 아키텍처에서 세부 정보가 손실되는 것을 방지합니다.
- Generalized Efficient Layer Aggregation Network (GELAN): YOLOv9는 파라미터 활용도와 계산 효율성을 최적화하는 새로운 네트워크 아키텍처인 GELAN을 도입했습니다. 이전 아키텍처의 강점을 결합함으로써 GELAN은 계산 비용이 과도하게 들지 않으면서도 YOLOv9가 높은 성능을 달성할 수 있도록 합니다.
강점과 약점
강점:
- 높은 정확도: YOLOv9는 최첨단 정확도를 달성했으며, 가장 큰 변형인 YOLOv9-E는 COCO 데이터 세트에서 새로운 mAP 벤치마크를 설정했습니다.
- 효율적인 아키텍처: PGI와 GELAN의 조합은 유사한 정확도 수준을 목표로 하는 다른 모델에 비해 더 적은 파라미터로 뛰어난 성능을 제공합니다.
- 정보 보존: 핵심 설계는 정보 손실을 효과적으로 완화하여 더 나은 특징 표현과 감지하기 어려운 객체 감지로 이어집니다.
- Ultralytics 생태계: YOLOv10과 마찬가지로 YOLOv9는 Ultralytics 프레임워크에 통합되어 사용 편의성, 포괄적인 문서 및 학습 및 배포를 위한 강력한 도구 세트에 대한 액세스를 제공합니다.
약점:
- YOLOv10보다 높은 지연 시간: 정확도 등급에 비해 효율적이지만, 성능 표에서 볼 수 있듯이 일반적으로 YOLOv10에 비해 추론 지연 시간이 더 깁니다.
- 복잡성: PGI 및 보조 가역적 분기 개념은 보다 간단한 설계에 비해 아키텍처에 복잡성 계층을 추가합니다.
이상적인 사용 사례
YOLOv9은 가능한 최고의 정확도를 달성하는 것이 주요 목표이고 컴퓨팅 리소스 제약이 적은 애플리케이션에 적합합니다.
- 고해상도 분석: 의료 영상 또는 위성 이미지 분석과 같이 대형 이미지의 세부 분석이 필요한 시나리오.
- 고급 보안 시스템: 광범위한 객체를 정확하게 식별하는 것이 보안에 중요한 복잡한 감시 환경에 적합합니다.
- 품질 관리: 제조 품질 관리에 필요한 고정밀도로 미세한 결함을 감지해야 하는 산업 응용 분야.
성능 및 벤치마크: YOLOv10 vs. YOLOv9
다음 표는 COCO 데이터 세트에서 YOLOv10과 YOLOv9 모델의 다양한 스케일 간의 자세한 성능 비교를 제공합니다. 이 지표는 두 제품군 간의 설계상의 장단점을 명확하게 보여줍니다.
YOLOv10은 모든 유사한 모델 크기에서 일관되게 더 낮은 지연 시간과 더 큰 파라미터 효율성을 보여줍니다. 예를 들어 YOLOv10-B는 YOLOv9-C와 유사한 mAP를 달성하지만 지연 시간은 46% 더 짧고 파라미터는 25% 더 적습니다. 이는 실시간 애플리케이션에서 YOLOv10의 강점을 강조합니다.
반면에 YOLOv9-E는 가장 높은 mAP인 55.6%를 달성하여 더 높은 지연 시간과 더 많은 파라미터의 비용을 감수하더라도 정확성이 중요한 시나리오에 가장 적합합니다.
| 모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 T4 TensorRT10 (ms) |
파라미터 (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
결론: 어떤 모델을 선택해야 할까요?
YOLOv10과 YOLOv9 중 선택은 프로젝트의 특정 요구 사항에 따라 전적으로 달라집니다.
-
주요 제약 조건이 속도, 대기 시간 및 계산 효율성인 경우 YOLOv10을 선택하십시오. NMS가 필요 없는 엔드 투 엔드 디자인으로 실시간 비디오 처리, 에지 장치 배포 및 빠르고 효율적인 추론이 중요한 모든 응용 분야에 탁월한 옵션입니다.
-
가능한 최고의 감지 정확도를 달성하는 것이 주요 목표인 경우 YOLOv9를 선택하십시오. 혁신적인 아키텍처는 정보를 보존하는 데 뛰어나므로 정밀도가 절대적으로 낮은 대기 시간의 필요성보다 중요한 복잡한 장면과 중요한 응용 분야에 이상적입니다.
두 모델 모두 강력한 최첨단 아키텍처로, Ultralytics 에코시스템에 통합되어 사용 및 배포가 간소화되어 큰 이점을 얻습니다.
다른 모델 살펴보기
YOLOv10과 YOLOv9은 최첨단을 대표하지만, Ultralytics 생태계는 광범위한 모델을 지원합니다. 성숙하고 다재다능하며 균형 잡힌 모델을 찾는 개발자에게는 Ultralytics YOLOv8이 여전히 훌륭한 선택이며, 탐지 외에도 여러 비전 작업에 대한 지원을 제공합니다. Ultralytics의 최신 발전을 찾고 있다면 YOLO11을 확인하십시오. 모델 비교 페이지에서 더 많은 비교를 살펴볼 수 있습니다.
