YOLOv7과 YOLOv9

실시간 객체 감지 분야는 빠르게 발전해 왔으며, 새로운 버전이 나올 때마다 엣지 장치와 클라우드 서버 모두에서 성능이 향상되었습니다. 컴퓨터 비전 프로젝트에 사용할 아키텍처를 평가할 때 개발자는 검증된 벤치마크와 새로운 설계를 자주 비교합니다. 이 가이드에서는 YOLO 계열의 두 가지 중요한 이정표인 YOLOv7과 YOLOv9을 비교합니다.

이 가이드에서는 아키텍처, 성능 지표, 적합한 배포 시나리오를 살펴보고 애플리케이션에 적합한 모델을 선택하도록 돕습니다. 또한 Ultralytics Platform과 Python API를 사용하면 YOLOv9와 같은 지원 모델을 더 쉽게 학습하고 검증하며 배포할 수 있는 방법을 소개합니다.

모델 계보 및 기술 사양#

이 모델들의 기원과 설계 철학을 이해하면 각 모델의 역량을 파악하는 데 필요한 맥락을 얻을 수 있습니다. 두 모델은 공통된 연구 계보를 공유하지만 서로 다른 아키텍처 병목을 해결하는 데 중점을 둡니다.

YOLOv7: 백 오브 프리 기능의 선구자#

2022년 중반에 출시된 YOLOv7은 널리 사용되는 고도로 최적화된 아키텍처로 자리 잡았습니다. 구조적 재매개변수화와 "학습 가능한 공짜 혜택 묶음" 접근 방식을 도입해 평균 정밀도(mAP)를 떨어뜨리지 않으면서 높은 추론 속도를 유지했습니다.

아키텍처 혁신: YOLOv7은 확장형 효율적 계층 집계 네트워크(E-ELAN)를 갖추고 있어 확장, 셔플, 병합으로 카디널리티를 높이고 더 다양한 특징을 학습합니다. 이 설계는 GPU 활용도와 추론 지연 시간을 개선합니다. 그러나 최신 세대 모델과 비교하면 복잡한 학습 실행 중 상당한 메모리가 필요할 수 있습니다.

YOLOv7에 대해 자세히 알아보기

YOLOv9: 정보 병목 문제 해결#

2024년 초 같은 연구팀이 공개한 YOLOv9은 심층 신경망에 내재된 "정보 병목" 문제를 해결합니다. 데이터가 심층 레이어를 통과하면서 중요한 세부 정보가 자주 손실됩니다. YOLOv9은 새로운 아키텍처 구성 요소를 통해 이 문제를 완화합니다.

아키텍처 혁신: YOLOv9은 프로그래밍 가능한 경사 정보(PGI)와 일반화된 효율적 계층 집계 네트워크(GELAN)를 도입합니다. PGI는 신뢰할 수 있는 경사를 보존하고 정확한 가중치 업데이트를 위해 다시 전달합니다. GELAN은 매개변수 효율을 극대화해 YOLOv9이 이전 모델보다 훨씬 적은 FLOPs로 높은 정확도를 달성하도록 합니다.

YOLOv9에 대해 자세히 알아보기

성능 분석#

아키텍처를 선택할 때 AI 엔지니어는 정확도, 추론 속도, 계산 비용 사이에서 균형을 맞춰야 합니다. 아래 표는 표준 COCO 데이터셋에서 측정한 모델 간 성능 차이를 보여 줍니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

핵심 요약#

  • 파라미터 효율성: YOLOv9m은 YOLOv7l과 동일한 정확도(51.4% mAP)를 내면서 파라미터 수를 약 45% 줄였습니다(20.1M 대 36.9M). 이러한 감소 덕분에 YOLOv9m은 메모리가 제한된 엣지 AI 장치에 더 쉽게 배포할 수 있습니다.
  • 초소형 배포: YOLOv9t(초소형 버전)는 TensorRT를 사용해 T4 GPU에서 2.3ms 만에 실행되므로 실시간 제약이 엄격한 환경에 적합합니다.
  • 최고 정확도: 정확도가 가장 중요한 애플리케이션에서 YOLOv9e는 55.6% mAP를 달성해 YOLOv7x보다 2.5포인트 높습니다.
컴퓨터 비전 프로젝트의 미래 대비

YOLOv7과 YOLOv9은 성능이 뛰어난 모델이지만, 신규 프로젝트에는 현재 YOLO26을 Ultralytics 모델로 권장합니다. YOLO26은 비최대 억제(NMS) 후처리를 건너뛰는 기본 엔드투엔드 NMS-Free 설계를 도입했으며(nms=False을 통해 선택적으로 사용할 수 있음), CPU 추론 속도를 최대 43% 높입니다(YOLO26n과 YOLO11n 비교). MuSGD 옵티마이저는 학습 안정성을 높이고, ProgLoss + STAL(점진적 손실 함수 및 작은 객체를 고려한 레이블 할당)은 소형 객체 감지를 개선합니다.

Ultralytics의 강점#

모델 아키텍처를 선택하는 것은 첫 단계일 뿐입니다. 모델을 둘러싼 소프트웨어 생태계에 따라 프로토타입에서 프로덕션으로 얼마나 빠르게 전환할 수 있는지가 달라집니다. Ultralytics Python API를 통해 YOLOv9와 같은 지원 모델을 통합하면 개발자와 연구자에게 상당한 이점이 있습니다.

사용 편의성 및 학습 효율성#

과거에는 YOLOv7을 학습하려면 복잡한 데이터 준비와 대폭 수정된 스크립트가 필요했습니다. Ultralytics 프레임워크가 이러한 세부 작업을 처리하므로 개발자는 아키텍처를 전환하고, 하이퍼파라미터 튜닝을 실험하고, 코드 몇 줄만으로 내장 데이터 증강 파이프라인을 사용할 수 있습니다.

Ultralytics는 학습과 추론 중 메모리 사용량도 최적화합니다. RT-DETR과 같은 대형 Transformer 모델과 비교할 때 Ultralytics YOLO 아키텍처는 일반적으로 학습 속도가 더 빠르고 CUDA 메모리를 덜 사용하므로 일반 소비자용 GPU에서도 실용적입니다.

코드 예제: 간소화된 학습#

다음 실행 가능한 예제에서는 Ultralytics Python API를 사용해 YOLOv9 모델을 학습하고 검증한 뒤 내보냅니다.

from ultralytics import YOLO

# 모델을 초기화합니다('yolov9c.pt'를 'yolo26n.pt'로 바꿀 수 있습니다).
model = YOLO("yolov9c.pt")

# COCO8 샘플 데이터셋으로 모델을 학습합니다.
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="0",  # 사용 가능한 경우 GPU 0을 사용합니다.
    batch=16,  # 메모리 효율성을 고려해 배치 크기를 최적화합니다.
)

# 검증 세트에서 모델 성능을 검증합니다.
metrics = model.val()

# 배포를 위해 학습된 모델을 ONNX 형식으로 내보내기
model.export(format="onnx")

다양한 작업 지원#

잘 관리되는 생태계에서는 더 다양한 컴퓨터 비전 작업을 수행할 수 있습니다. YOLOv7은 주로 객체 감지를 위해 설계되었지만(다른 작업을 위한 실험적 분기는 나중에 추가됨), 최신 Ultralytics 모델은 여러 작업을 기본 지원합니다. 별도의 설정 없이 인스턴스 분할, 이미지 분류, 포즈 추정, 방향 바운딩 박스(OBB) 감지를 수행할 수 있습니다.

적합한 사용 사례 및 응용 분야#

YOLOv7과 YOLOv9 중 어느 모델을 선택할지는 대개 특정 산업의 제약 조건과 하드웨어 가용성에 따라 달라집니다.

YOLOv7을 사용해야 하는 경우#

  • 레거시 엣지 배포: YOLOv7의 E-ELAN 아키텍처에 맞게 이미 튜닝된 하드웨어 환경에서는 YOLOv7이 산업용 IoT에 적합한 신뢰할 만한 선택지입니다.
  • 교통 모니터링: YOLOv7의 높은 프레임 레이트와 검증된 안정성은 스마트 시티 인프라와 실시간 교통 관리에 적합합니다.
  • 로보틱스 통합: 동적인 환경을 탐색하려면 지연 시간이 짧은 처리가 필요하며, 이러한 시나리오에서 YOLOv7 변형 모델은 충분한 테스트를 거쳤습니다.

YOLOv9을 사용해야 하는 경우#

  • 의료 영상: PGI는 YOLOv9이 심층 레이어를 통과하는 동안 세밀한 정보를 보존하도록 돕습니다. 이러한 특성은 종양 감지와 같은 의료 영상 분석 작업에 유용합니다.
  • 밀집 소매 분석: 소매점 진열대에 빽빽하게 놓인 상품을 추적하고 계수할 때 YOLOv9의 특징 통합 기능은 정확도를 높이고 위음성을 줄일 수 있습니다.
  • 항공 및 드론 이미지: YOLOv9m의 파라미터 효율성은 드론에서 고해상도 이미지를 처리할 수 있게 하며, 배터리 수명을 소모하지 않고 야생동물 보호와 농업 모니터링을 지원합니다.

결론#

YOLOv7과 YOLOv9은 모두 YOLO 계열의 중요한 이정표입니다. YOLOv7은 실시간 처리를 위한 필수 최적화를 도입했고, YOLOv9은 심층 네트워크의 정보 손실 문제를 해결해 파라미터 효율성을 개선했습니다.

하지만 신규 프로젝트에는 YOLO11, YOLO26과 같은 최신 Ultralytics 모델이 속도, 정확도, 개발자 경험 측면에서 더 나은 균형을 제공합니다. MuSGD 옵티마이저와 더 폭넓은 하드웨어 호환성을 위한 Distribution Focal Loss(DFL) 제거를 적용한 YOLO26을 시작 모델로 권장합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.