YOLOv10과 YOLOv9
실시간 컴퓨터 비전은 속도, 정확도, 아키텍처 효율성 면에서 꾸준히 발전해 왔습니다. 다음 배포용 모델을 평가할 때 YOLOv10과 YOLOv9을 비교하면 딥러닝 병목을 해결하는 두 가지 서로 다른 접근 방식을 확인할 수 있습니다. YOLOv9은 학습 중 그래디언트 정보 흐름을 최대화하는 데 집중한 반면, YOLOv10은 NMS 후처리를 없애는 엔드투엔드 설계를 도입했습니다.
이 가이드에서는 개발자와 연구자가 컴퓨터 비전 태스크에 적합한 모델을 선택할 수 있도록 아키텍처 혁신, 성능 지표, 이상적인 사용 사례를 분석합니다.
YOLOv10: NMS 프리 실시간 탐지#
기존 객체 탐지기의 지연 시간 병목을 해결하기 위해 개발된 YOLOv10은 비최대 억제(NMS)가 필요 없는 엔드투엔드 아키텍처를 도입했습니다.
기술 세부 정보 및 계보:
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: Tsinghua University
- 날짜: 2024년 5월 23일
- 링크: arXiv 논문, GitHub 저장소, Ultralytics 문서
아키텍처 및 강점#
YOLOv10이 이 분야에 기여한 가장 중요한 점은 NMS 프리 학습을 위한 일관된 이중 할당 전략입니다. NMS를 없애면 추론 지연 시간이 줄어들며, 특히 후처리가 전체 파이프라인의 병목이 될 수 있는 엣지 기기에서 효과적입니다. 효율성과 정확도 측면에서 다양한 구성 요소를 최적화해 뛰어난 속도와 파라미터 간 균형을 구현합니다. 예를 들어 YOLOv10-S 모델은 TensorRT를 사용하는 T4 GPU에서 2.49ms 만에 실행되어 고속 비디오 분석과 실시간 로봇 내비게이션에 적합합니다.
단점#
NMS 프리 설계는 바운딩 박스 탐지의 중요한 발전이었지만, YOLOv10은 순수 객체 탐지 모델입니다. 인스턴스 세그멘테이션이나 포즈 추정을 기본 지원하는 최신 모델의 다재다능함은 제공하지 않습니다.
YOLOv10을 프로덕션에 적용할 때는 nms=False을 사용해 NMS 프리 일대일 헤드를 선택하고, 모델을 TensorRT 또는 ONNX 같은 최적화 형식으로 내보내세요. 배포 시 최적화되지 않은 그래프 연산 때문에 원본 PyTorch 가중치를 그대로 실행하면 추론 속도가 예상보다 느릴 수 있습니다.
YOLOv9: 프로그래밍 가능한 그래디언트 정보#
YOLOv10에 앞서 YOLOv9은 심층 신경망의 정보 병목 문제를 해결하기 위해 새로운 아키텍처 개념을 도입하여 파라미터를 매우 효율적으로 활용할 수 있도록 했습니다.
기술 세부 정보 및 계보:
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2024년 2월 21일
- 링크: arXiv 논문, GitHub 저장소, Ultralytics 문서
아키텍처 및 강점#
YOLOv9은 프로그래밍 가능한 그래디언트 정보(PGI)와 일반화 효율적 레이어 집계 네트워크(GELAN)를 도입했습니다. PGI는 데이터가 네트워크의 심층 레이어를 통과하는 동안 핵심 타깃 정보가 손실되지 않도록 하여 가중치 업데이트에 신뢰할 수 있는 그래디언트를 생성합니다. GELAN은 네트워크 파라미터의 효율성을 극대화합니다. 이러한 혁신을 결합한 YOLOv9은 mAP 기준으로 MS COCO 데이터셋에서 높은 평균 정밀도를 달성하며, FLOPs를 더 적게 사용하면서도 더 큰 모델보다 뛰어난 성능을 보이는 경우가 많습니다. 정확도 지표 극대화에 집중하는 연구자에게 적합한 모델입니다.
단점#
정확도가 높지만 YOLOv9은 여전히 표준 NMS 후처리에 의존합니다. 따라서 신경망 연산은 빠르더라도 장면 내 객체 밀도에 따라 최종 바운딩 박스 필터링의 지연 시간이 달라질 수 있습니다. 또한 사용자 지정 데이터셋으로 미세 조정할 때 후속 모델보다 학습 과정에 더 많은 메모리가 필요할 수 있어 강력한 GPU 리소스가 요구됩니다.
성능 비교#
아래 표는 두 모델의 주요 지표를 보여줍니다. YOLOv10은 일반적으로 TensorRT를 사용해 지연 시간을 낮추는 반면, YOLOv9은 가장 큰 구성에서 정확도의 상한을 높이는 것을 확인할 수 있습니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| 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 |
차세대 모델: YOLO26을 권장하는 이유#
YOLOv9과 YOLOv10은 중요한 이정표였지만 머신러닝 분야는 빠르게 발전하고 있습니다. 프로덕션 환경에서는 많은 개발자가 통합된, 잘 관리되는 Ultralytics Platform 생태계를 활용합니다. 2026년 기준 연구 및 엔터프라이즈용 Ultralytics 권장 모델은 YOLO26입니다.
YOLO26은 이전 모델의 개념을 발전시켜 간소화된 사용자 경험과 간단한 API를 제공하며, Transformer 기반 아키텍처보다 학습 중 메모리 요구량이 적습니다.
YOLO26의 주요 혁신#
- 엔드투엔드 NMS 프리 설계: YOLOv10의 기반을 발전시킨 YOLO26은 선택적 엔드투엔드 추론을 지원합니다.
nms=False으로 NMS 후처리를 생략해 배포를 간소화하고 지연 시간을 더 예측 가능하게 합니다. - CPU 추론 최대 43% 향상: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 전용 GPU가 없는 엣지 AI 및 임베디드 시스템에 적합합니다.
- MuSGD Optimizer: SGD와 Muon의 하이브리드로, 대규모 언어 모델 최적화에서 영감을 얻었으며 안정적인 학습과 빠른 수렴을 지원합니다.
- DFL 제거: Distribution Focal Loss를 제거해 YOLO26의 모델 내보내기 과정을 간소화하고 저전력 기기 및 다양한 엣지 배포 프레임워크와의 호환성을 높입니다.
- 태스크별 개선 사항: 단일 태스크 탐지기와 달리 YOLO26은 탐지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 분류, 포즈 추정, OBB를 지원합니다. 인스턴스 세그멘테이션을 개선하기 위해 시맨틱 세그멘테이션 손실을 사용하고, 더 정확한 포즈 추정을 위해 잔차 로그 가능도 추정(RLE)을 적용하며, OBB(방향성 바운딩 박스)의 경계 문제를 해결하는 특수 각도 손실도 사용합니다.
실제 구현#
Ultralytics Python 패키지를 사용하면 이러한 모델의 학습과 배포를 간편하게 진행할 수 있습니다. 다음 예시에서는 학습률 스케줄링과 데이터 증강을 자동으로 처리하는 Ultralytics 학습 워크플로를 보여줍니다.
from ultralytics import YOLO
# 권장 YOLO26 모델을 로드합니다
model = YOLO("yolo26n.pt") # 'yolov10n.pt' 또는 'yolov9c.pt'와도 호환됩니다
# COCO8 예제 데이터셋으로 모델 학습
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)
# 추론 실행
predictions = model.predict("https://ultralytics.com/images/bus.jpg")
# 간편한 엣지 배포를 위해 ONNX로 내보냅니다
model.export(format="onnx")사용 사례 및 권장 사항#
YOLOv10과 YOLOv9 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구사항, 배포 제약 조건 및 생태계 선호도에 따라 달라집니다.
YOLOv10을 선택해야 하는 경우#
YOLOv10은 다음과 같은 경우에 적합합니다:
- NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
- 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
- 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 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.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 기기에서 YOLO26n은 CPU 기준 YOLO11n보다 최대 43% 빠르게 실행됩니다.
- 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.
결론#
YOLOv9과 YOLOv10은 각각 고유한 장점을 제공합니다. YOLOv9은 파라미터 효율성과 그래디언트 흐름을 극대화하며, 이 비교에서 YOLOv9e가 가장 높은 정확도를 달성합니다. YOLOv10은 NMS로 인한 지연 시간 비용 없이 YOLO 제품군에 엔드투엔드 바운딩 박스 탐지를 도입했습니다.
성능, 다재다능함, 사용 편의성의 균형을 원하는 개발자라면 최신 모델로 업그레이드할 가치가 있습니다. MuSGD 옵티마이저, 소형 객체 탐지 성능을 높이는 ProgLoss + STAL, 멀티태스크 지원을 갖춘 YOLO26을 실제 컴퓨터 비전 프로젝트에 권장합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.