YOLOv5와 YOLOv9 비교
컴퓨터 비전과 실시간 객체 탐지 분야는 지난 몇 년 동안 크게 발전했습니다. 오랜 기간 검증된 모델과 최신 연구 아키텍처 중에서 선택하는 일은 머신러닝 엔지니어가 흔히 겪는 과제입니다. 이 가이드에서는 YOLO 계열의 두 주요 모델인 YOLOv5와 YOLOv9를 포괄적으로 기술 비교합니다.
리소스가 제한된 엣지 디바이스에 배포하거나, 고충실도 특징 추출을 연구하거나, 복잡한 객체 탐지 파이프라인을 구축하려는 경우, 이러한 모델의 아키텍처 차이, 성능 지표, 생태계 지원을 이해하는 것이 중요합니다.
모델 개요#
아키텍처를 비교하기에 앞서 각 모델의 기원과 주요 목표를 이해하는 것이 도움이 됩니다.
Ultralytics YOLOv5#
Glenn Jocher가 개발하고 2020년 6월 26일 Ultralytics가 공개한 YOLOv5는 개발자가 비전 모델과 상호작용하는 방식을 바꾸었습니다. PyTorch 프레임워크를 전면적으로 채택함으로써 YOLOv5는 기존 Darknet 기반 모델의 복잡한 컴파일 과정을 직관적인 Python 중심의 사용자 경험으로 대체했습니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: YOLOv5 저장소
- 문서: YOLOv5 문서
YOLOv5는 사용 편의성과 다양한 하드웨어 환경에서의 안정적인 성능으로 잘 알려져 있습니다. 탐지뿐 아니라 인스턴스 세그멘테이션과 이미지 분류도 지원합니다.
YOLOv9#
대만 Academia Sinica 정보과학연구소의 Chien-Yao Wang과 Hong-Yuan Mark Liao가 공개한 YOLOv9은 심층 신경망의 정보 병목 문제를 완화하기 위해 아키텍처 이론에 중점을 둡니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2024-02-21
- arXiv: 2402.13616
- GitHub: YOLOv9 저장소
- 문서: YOLOv9 문서
YOLOv9의 핵심은 두 가지 주요 이론적 혁신인 Programmable Gradient Information(PGI)과 Generalized Efficient Layer Aggregation Network(GELAN)에 기반합니다. 이러한 개념은 모델이 심층 네트워크 계층을 거치는 동안 중요한 공간 특징을 유지하도록 돕습니다.
YOLOv5와 YOLOv9도 강력하지만, 최신 YOLO26은 속도와 정확도의 균형이 뛰어납니다. 선택적 엔드투엔드 NMS 없는 추론과 최대 43% 빠른 CPU 추론(YOLO26n과 YOLO11n 비교)을 제공하는 YOLO26은 최신 엣지 컴퓨팅 및 프로덕션 배포에 권장됩니다.
아키텍처 및 기술적 차이#
비전 모델의 내부 구동 방식을 이해하는 것은 모델 배포 전략을 최적화하는 데 필수적입니다.
특징 추출 및 정보 보존#
YOLOv5는 Cross Stage Partial Network(CSPNet) 백본을 사용하여 역전파 중 정확한 그래디언트 흐름을 유지하면서 연산 오버헤드를 효과적으로 줄입니다. 이 설계는 기존 GPU 연산에 고도로 최적화되어 있으며, 대규모 트랜스포머 모델보다 학습 시 메모리 요구량이 적습니다.
YOLOv9은 CSPNet 원칙을 확장하는 범용 아키텍처인 GELAN을 도입합니다. 보조 가역 분기인 PGI와 결합된 YOLOv9은 심층 레이어가 신뢰할 수 있는 그래디언트를 계산하는 데 필요한 의미 정보를 보존하도록 돕습니다. 이를 통해 YOLOv9은 특히 작은 객체에서 높은 정확도를 달성할 수 있습니다.
메모리 요구량 및 학습 효율성#
학습 효율 측면에서 YOLOv5는 여전히 강력합니다. 잘 관리되는 Ultralytics 생태계 덕분에 YOLOv5 모델은 CUDA 메모리를 훨씬 적게 사용하므로, 연구자는 일반 소비자용 GPU에서 배치 크기를 최대화할 수 있습니다. YOLOv9은 매개변수 효율(모델 크기 대비 높은 정확도)이 뛰어나지만, 최적화된 프레임워크를 사용하지 않으면 학습 과정에 더 많은 리소스가 필요할 수 있습니다. 다행히 YOLOv9을 Ultralytics API에 통합하면 효율적인 리소스 관리 측면에서 YOLOv5와의 격차를 줄일 수 있습니다.
성능 및 지표#
아래 표에서는 COCO 데이터셋에서의 성능을 비교하며, mAP(평균 정밀도), 추론 속도, 매개변수 수를 포함합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| 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 |
표에서 확인할 수 있듯이 YOLOv9은 동급 모델에서 더 높은 원시 정확도를 달성하며, 이는 더 최신 아키텍처를 반영합니다. 그러나 YOLOv5n은 T4 TensorRT에서 1.12 ms의 낮은 지연 시간을 유지하여, 고속 로컬 엣지 컴퓨팅 애플리케이션에서 지속적인 강점을 보여줍니다.
학습 방법론 및 사용 편의성#
오늘날 컴퓨터 비전의 실질적인 가치는 상당 부분 도구 체인의 접근성에 있습니다.
Ultralytics의 강점#
YOLOv9 같은 모델의 원본 연구 리포지토리는 기초 자료로서 중요하지만, 복잡한 종속성 구성과 상용구 스크립트가 포함된 경우가 많습니다. Ultralytics Python API는 이러한 복잡성 대부분을 추상화합니다. Ultralytics 생태계를 이용하면 동일한 통합 구문으로 YOLOv5와 YOLOv9을 학습하고 평가하며 내보낼 수 있습니다.
from ultralytics import YOLO
# 빠른 배포를 위해 사전 학습된 YOLOv5 모델을 불러옵니다
model_v5 = YOLO("yolov5su.pt") # YOLOv5u: ultralytics 패키지용 앵커 프리 YOLOv5 가중치
# 또는 고충실도 정확도를 위해 YOLOv9 모델을 활용합니다
model_v9 = YOLO("yolov9c.pt")
# COCO8 예제 데이터셋으로 학습합니다
results = model_v9.train(data="coco8.yaml", epochs=50, imgsz=640)
# 학습된 모델을 ONNX로 내보냅니다
model_v9.export(format="onnx")이 단일 API 접근 방식은 폭넓은 범용성을 제공하며, 선택한 모델에 따라 탐지뿐 아니라 인스턴스 세그멘테이션, 자세 추정, 방향성 바운딩 박스 (OBB)도 지원합니다. Comet과 Weights & Biases 같은 도구와의 통합도 학습 루프에 기본 제공됩니다.
적합한 사용 사례 및 실제 응용 분야#
이러한 아키텍처 중 무엇을 선택할지는 하드웨어 제약과 애플리케이션 분야에서 요구하는 정밀도에 크게 좌우됩니다.
YOLOv5를 선택할 경우#
YOLOv5는 안정성, 적은 메모리 사용량, 폭넓은 내보내기 호환성을 우선시하는 배포에 적합한 성숙한 모델입니다.
- 모바일 배포: 구형 스마트폰에서 온디바이스 추론을 위해 YOLOv5를 LiteRT 또는 CoreML로 내보내는 작업은 간단합니다.
- 레거시 엣지 하드웨어: Raspberry Pi나 초기 세대 NVIDIA Jetson Nano 같은 디바이스에서 YOLOv5의 단순한 합성곱은 스마트 주차 관리 같은 애플리케이션의 프레임률을 안정적으로 유지하는 데 도움이 됩니다.
- 신속한 프로토타이핑: 풍부한 커뮤니티 튜토리얼, 맞춤형 사전 학습 가중치, 폭넓은 데이터셋 호환성 덕분에 개념 증명을 가장 빠르게 검증할 수 있습니다.
YOLOv9을 선택해야 하는 경우#
YOLOv9은 복잡한 세부 사항을 포착하고 거짓 음성을 최소화하는 것이 중요하며, 약간 더 많은 컴퓨팅 오버헤드를 감수할 수 있는 시나리오에 적합합니다.
- 항공 및 위성 이미지: PGI 프레임워크는 작은 객체의 충실도를 유지하는 데 도움을 주므로, YOLOv9은 드론 기반 농업 모니터링에 적합합니다.
- 의료 영상 진단: 고해상도 스캔에서 미세한 이상이나 병변을 탐지할 때 GELAN의 정확한 그래디언트 흐름은 재현율을 높이는 데 필요한 이점을 제공합니다.
- 고급 리테일 분석: 밀집된 진열대에서 서로 겹친 제품을 추적하는 작업은 YOLOv9의 향상된 특징 보존 성능을 활용할 수 있습니다.
시야를 넓혀 보세요#
YOLOv5와 YOLOv9을 비교하면 2020년부터 2024년까지 아키텍처가 어떻게 발전했는지 명확히 알 수 있지만, 이 분야는 계속 빠르게 진화하고 있습니다. 최신 성능을 원하는 개발자에게는 YOLO26 모델을 권장합니다. 기존 Non-Maximum Suppression의 대안으로 네이티브 엔드투엔드 NMS 없는 설계(nms=False)를 제공하고 고급 MuSGD 옵티마이저를 활용하는 YOLO26은 연구 수준의 정확도와 프로덕션 수준의 속도 간 격차를 줄입니다. DFL 제거(간소화된 내보내기와 엣지 및 저전력 디바이스 호환성 향상을 위해 Distribution Focal Loss 제거)를 통해 YOLO26n은 YOLO11n보다 CPU 추론이 최대 43% 빠르므로 엣지 컴퓨팅에 적합합니다. 또한 ProgLoss + STAL은 점진적 손실과 소형 객체 인식 레이블 할당을 결합해 소형 객체 인식 성능을 크게 개선하며, 이는 IoT, 로보틱스, 항공 이미지 분야에서 중요합니다.
이 아키텍처와 다른 모델의 비교에도 관심이 있다면 YOLOv5와 RT-DETR 비교 또는 YOLOv5와 YOLO11 비교를 살펴보세요. 통합된 Ultralytics 프레임워크는 어떤 모델을 선택하든 개발 파이프라인의 일관성을 유지합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.