YOLOv6-3.0과 YOLOv9
더 높은 정확도, 더 낮은 지연 시간, 더 나은 하드웨어 활용에 대한 요구로 실시간 객체 탐지는 계속 발전하고 있습니다. 이 비교에서는 산업용 처리량을 위해 개발된 YOLOv6-3.0과 딥러닝 정보 병목 현상을 해결하는 새로운 아키텍처를 도입한 YOLOv9이라는 분야의 두 가지 중요한 이정표를 살펴봅니다.
두 모델 모두 독창적인 아키텍처 혁신을 제공하지만, 성능과 배포 간편성의 균형을 원하는 개발자는 최신 생태계로 전환하는 경우가 많습니다. 새로운 프로젝트를 시작한다면 선택형 엔드투엔드 NMS-Free 헤드를 갖춘 Ultralytics YOLO26을 권장합니다. 이 모델은 최첨단 정확도와 간소화된 개발자 경험을 제공합니다.
YOLOv6-3.0: 산업용 처리량 최적화#
Meituan의 Vision AI 부서에서 개발한 YOLOv6-3.0은 특히 GPU 하드웨어를 사용하는 산업 애플리케이션에서 처리량을 극대화하도록 집중적으로 설계되었습니다.
- 저자: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, Xiangxiang Chu
- 조직: Meituan
- 날짜: 2023년 1월 13일
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
아키텍처 혁신#
YOLOv6-3.0은 특징 융합과 하드웨어 효율성을 향상하기 위해 몇 가지 주요 변경 사항을 도입했습니다. 아키텍처의 넥에는 더 정확한 위치 추정 신호를 제공하는 양방향 연결(BiC) 모듈이 포함되어 있습니다. 또한 앵커 지원 학습(AAT) 전략을 활용합니다. 이 접근 방식은 앵커 기반 학습의 풍부한 가이드와 앵커 프리 방식의 추론 속도를 결합하여 배포 속도를 늦추지 않으면서 성능을 향상합니다.
백본은 GPU 추론에 적합하도록 하드웨어 친화적으로 최적화된 EfficientRep 설계를 기반으로 합니다. 따라서 고강도 배치 처리가 일반적인 산업 제조 시나리오에서 뛰어난 성능을 발휘합니다.
장점과 단점#
YOLOv6-3.0의 주요 강점은 NVIDIA T4와 같은 GPU에서 높은 프레임률을 제공한다는 점이며, 고밀도 비디오 이해 스트림에 적합합니다. 그러나 특정 하드웨어 최적화에 크게 의존하므로 CPU 전용 엣지 디바이스에서는 최적이 아닌 지연 시간이 발생할 수 있습니다. 또한 통합 프레임워크에 비해 학습 파이프라인 설정이 복잡할 수 있습니다.
YOLOv9: 프로그래밍 가능한 그래디언트 정보#
1년 뒤에 출시된 YOLOv9은 심층 합성곱 신경망(CNN)에 내재된 정보 병목 현상 문제 해결에 초점을 맞춥니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 조직: 정보과학연구소, Academia Sinica
- 날짜: 2024년 2월 21일
- arXiv: 2402.13616
- GitHub: WongKinYiu/yolov9
아키텍처 혁신#
YOLOv9의 주요 기여는 프로그래밍 가능한 그래디언트 정보(PGI)로, 여러 네트워크 계층을 거치는 동안 중요한 정보를 보존해 더 신뢰할 수 있는 가중치 업데이트를 가능하게 합니다. PGI와 함께 이 모델은 일반화 효율 계층 집계 네트워크(GELAN)를 특징으로 합니다. GELAN은 파라미터 효율성을 극대화하여 YOLOv9이 많은 이전 모델보다 적은 FLOPs로 높은 정확도를 달성할 수 있도록 합니다.
장점과 단점#
YOLOv9은 COCO와 같은 벤치마크 데이터 세트에서 높은 평균 정밀도(mAP)를 달성하므로, 순수 정확도를 우선시하는 연구자에게 인기가 높습니다. 그러나 YOLOv6과 마찬가지로 후처리에 기존 비최대 억제(NMS)를 사용합니다. 이로 인해 지연 시간이 늘고 모델 배포 파이프라인이 복잡해지며, 특히 ONNX 또는 TensorRT 형식을 사용해 엣지 장치로 이식할 때 이러한 문제가 두드러집니다.
성능 비교#
이러한 모델을 비교할 때는 정확도, 파라미터 수, 추론 속도 간의 균형을 살펴보는 것이 중요합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| 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 |
Ultralytics의 강점: YOLO26 소개#
YOLOv6-3.0과 YOLOv9은 견고한 아키텍처를 제공하지만, 프로덕션 환경에는 잘 관리되는 생태계, 낮은 메모리 요구 사항, 사용 편의성이 필요합니다. Ultralytics Platform과 YOLO11 및 최신 YOLO26과 같은 모델은 이러한 요구를 충족하도록 설계되었습니다.
2026년 1월에 출시된 YOLO26은 여러 기존 병목 현상을 제거해 배포 효율성을 개선합니다.
YOLO26은 엔드투엔드 NMS-Free 설계를 특징으로 합니다. 선택형 일대일 헤드(nms=False)를 사용하면 비최대 억제 후처리가 필요하지 않습니다. 이를 통해 추론 지연 시간의 변동을 줄이고 엣지 배포 로직을 간소화합니다.
YOLO26의 주요 혁신#
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델(LLM) 학습에서 영감을 받은 YOLO26은 SGD와 Muon의 하이브리드를 활용합니다. 이를 통해 컴퓨터 비전 태스크에서 안정적인 학습과 빠른 수렴을 지원합니다.
- 최대 43% 더 빠른 CPU 추론: YOLOv6의 GPU 중심 설계와 달리 YOLO26은 엣지 장치에 최적화되어 있습니다. YOLO26n은 YOLO11n보다 CPU에서 최대 43% 빠르게 실행됩니다. 분포 초점 손실(DFL)을 제거해 헤드를 단순화하므로 저전력 CPU 및 엣지 컴퓨팅 하드웨어와 호환됩니다.
- ProgLoss + STAL: 점진적 손실 함수와 소형 객체 인식 레이블 할당은 소형 객체 탐지 성능을 높이며, 이는 항공 이미지와 로보틱스에서 매우 중요합니다.
- 다용도성: YOLOv6이 탐지 전용 엔진인 반면, YOLO26은 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 포즈 추정, 회전 경계 상자(OBB) 탐지도 처리합니다.
Ultralytics를 사용한 학습#
최첨단 모델을 학습하기 위해 복잡한 bash 스크립트가 필요해서는 안 됩니다. Ultralytics Python API는 자동 데이터 로드, 최소한의 CUDA 메모리 사용량, 기본 제공 추적 기능으로 간소화된 경험을 제공합니다.
from ultralytics import YOLO
# YOLO26 나노 모델을 불러옵니다
model = YOLO("yolo26n.pt")
# COCO8 데이터셋에서 학습 (optimizer='auto'는 학습 실행 시간이 길수록 MuSGD를 선택합니다)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 단일 명령으로 학습된 모델을 ONNX로 내보내기
model.export(format="onnx")적합한 사용 사례#
적절한 아키텍처는 전적으로 목표 배포 환경에 따라 달라집니다:
- YOLOv6-3.0 사용: A100과 같은 서버급 GPU가 충분하고 배치 처리로 처리량을 극대화할 수 있는 공장 자동화 및 결함 탐지에 적합합니다.
- YOLOv9 사용 사례: COCO와 같은 표준 데이터 세트에서 가능한 한 높은 mAP를 달성하는 것이 주목표인 학술 연구 또는 대회.
- YOLO26 사용 사례: 거의 모든 현대 상용 애플리케이션. 선택형 NMS-Free 추론, 낮은 메모리 사용량, 고속 CPU 추론을 갖춘 YOLO26은 보안 경보 시스템, 스마트 리테일, 임베디드 장치에서의 실시간 객체 추적에 적합합니다.
포괄적인 Ultralytics 생태계를 활용하면 개발자는 YOLOv8, YOLO11, YOLO26을 손쉽게 시험해 특정 실제 문제에 적합한 성능 균형을 찾을 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.