YOLOv7과 YOLOv9#
실시간 객체 탐지 분야는 빠르게 발전해 각 세대가 엣지 장치와 클라우드 서버에서 가능한 범위를 넓히고 있습니다. 컴퓨터 비전 프로젝트의 아키텍처를 평가할 때 개발자는 기존 벤치마크와 새로운 혁신을 자주 비교합니다. 이 종합 가이드에서는 YOLO 제품군의 두 가지 중요한 이정표인 YOLOv7과 YOLOv9을 비교합니다.
애플리케이션에 적합한 모델을 선택할 수 있도록 아키텍처의 획기적 발전, 성능 지표, 이상적인 배포 시나리오를 분석합니다. 또한 Ultralytics Platform과 Python API를 통해 YOLOv9와 같은 지원 모델을 더 쉽게 학습하고 검증 및 배포하는 방법도 살펴봅니다.
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 신뢰성이 높고 최적화가 잘된 아키텍처로 자리 잡았습니다. 구조적 재매개변수화와 "학습 가능한 공짜 혜택 묶음" 접근 방식을 도입해 평균 정밀도(mAP)를 유지하면서 높은 추론 속도를 확보했습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2022년 7월 6일
- Arxiv: 2207.02696
- GitHub: WongKinYiu/yolov7
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.
YOLOv9: 정보 병목 문제 해결#
2024년 초 같은 연구팀이 공개한 YOLOv9은 심층 신경망에 내재한 "정보 병목" 문제를 해결합니다. 데이터가 심층 계층을 통과하면서 중요한 세부 정보가 자주 손실됩니다. YOLOv9은 근본적으로 새로운 계층 설계를 통해 이 문제를 완화합니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2024년 2월 21일
- Arxiv: 2402.13616
- GitHub: WongKinYiu/yolov9
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.
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.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
핵심 요약#
- 매개변수 효율성: YOLOv9m은 매개변수를 약 45% 적게 사용하면서 YOLOv7l과 동일한 정확도(51.4% mAP)를 달성합니다(20.1M 대 36.9M). 이러한 큰 폭의 감소로 메모리 제약이 있는 엣지 AI 장치에 YOLOv9m을 훨씬 쉽게 배포할 수 있습니다.
- 마이크로 배포: YOLOv9t(tiny) 변형이 도입되어 실시간 제약이 절대적인 환경에서 놀라운 속도(T4 TensorRT 기준 2.3ms)를 제공합니다.
- 최고 정확도: 정밀도가 가장 중요한 애플리케이션에서 YOLOv9e는 탐지 정확도를 55.6% mAP까지 높여 YOLOv7x를 크게 앞섭니다.
YOLOv7과 YOLOv9도 강력하지만, 새롭게 출시된 YOLO26은 확실한 도약을 보여줍니다. YOLO26은 복잡한 후처리를 생략하는 기본 엔드투엔드 NMS-free 설계(nms=False을 통해 선택 가능)를 도입하고, CPU 추론 속도를 최대 43% 높입니다. 새로운 MuSGD 옵티마이저와 개선된 ProgLoss + STAL 손실 함수를 활용하여 탁월한 학습 안정성과 소형 객체 탐지 정확도를 제공합니다.
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 맞춤화된 스크립트가 필요했습니다. Ultralytics 프레임워크는 이러한 딥러닝의 복잡성을 추상화합니다. 개발자는 최소한의 코드로 아키텍처를 쉽게 전환하고, 하이퍼파라미터 튜닝을 실험하며, 지능형 데이터 증강 파이프라인을 활용할 수 있습니다.
또한 Ultralytics는 학습과 추론 중 메모리 사용량을 최적화합니다. 무거운 Transformer 모델(예: RT-DETR)과 달리, Ultralytics YOLO 아키텍처는 훨씬 빠르게 학습되고 CUDA 메모리를 훨씬 적게 사용하므로 일반 소비자용 GPU에 적합합니다.
코드 예제: 간소화된 학습#
Ultralytics 생태계에서는 최첨단 모델도 간편하게 학습할 수 있습니다. 다음은 YOLOv9 모델을 학습하고 검증하는 방법을 보여주는 완전히 실행 가능한 예제입니다.
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")작업 전반에서 비교할 수 없는 다용성#
잘 관리되는 생태계는 다양한 컴퓨터 비전 작업을 이용할 수 있음을 의미합니다. YOLOv7은 주로 객체 탐지를 위해 개발되었으며 다른 작업을 위한 실험적 포크는 나중에 등장했지만, 최신 Ultralytics 모델은 처음부터 다용성을 고려해 설계되었습니다. 별도 설정 없이 인스턴스 분할, 자세 추정, 이미지 분류, 방향성 경계 상자(OBB) 탐지를 원활하게 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 활용해야 하는 경우#
- 기존 엣지 배포: YOLOv7의 E-ELAN 아키텍처에 맞춰 이미 세밀하게 튜닝하고 최적화한 하드웨어 환경에서는 여전히 산업용 IoT에 적합한 견고한 선택입니다.
- 교통 모니터링: YOLOv7의 높은 프레임 속도와 검증된 안정성은 스마트 시티 인프라와 실시간 교통 관리에 매우 적합합니다.
- 로보틱스 통합: 동적인 환경을 탐색하려면 지연 시간이 짧은 처리가 필요하며, 이러한 시나리오에서 YOLOv7 변형 모델은 충분한 테스트를 거쳤습니다.
YOLOv9을 활용할 시기#
- 의료 영상: YOLOv9의 PGI 아키텍처는 깊은 레이어를 통과하면서 세밀한 정보를 보존하는 데 탁월합니다. 이는 종양 탐지와 같은 복잡한 의료 영상 분석 작업에서 매우 중요합니다.
- 소매 환경의 밀집 데이터 분석: 소매점 진열대에 빽빽하게 놓인 상품을 추적하고 계수할 때, YOLOv9의 특징 통합 방식은 더 높은 정확도를 제공하고 미탐을 줄입니다.
- 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 컴퓨터 비전 역사에 확고한 자리를 잡았습니다. YOLOv7은 실시간 처리를 위한 필수 최적화를 도입했고, YOLOv9은 파라미터 효율성을 극대화하기 위해 구조적인 딥러닝 병목 현상을 해결했습니다.
그러나 오늘날 새 프로젝트를 시작하는 개발자에게는 Ultralytics 생태계, 특히 YOLO11과 YOLO26 같은 차세대 모델을 활용하는 것이 속도, 정확도, 개발자 경험 간에 가장 유리한 균형을 제공합니다. MuSGD 옵티마이저와 더 폭넓은 하드웨어 호환성을 위한 Distribution Focal Loss(DFL) 제거 등의 혁신을 바탕으로 Ultralytics는 비전 AI 전문가를 위한 가장 접근하기 쉽고 강력한 도구를 계속 제공하고 있습니다.