YOLOv7 YOLOv9: 종합적인 기술 비교
신경망 아키텍처의 지속적인 혁신을 통해 추론 속도, 정확도, 계산 효율성 사이의 중요한 균형을 맞추면서 YOLO (You Only Look Once) 제품군의 진화가 이루어졌습니다. 이 비교에서는 YOLOv7과 훈련 가능한 '공짜 가방'으로 유명한 2022년 출시 예정 제품인 YOLOv9은 딥 네트워크의 정보 병목 현상을 극복하기 위해 프로그래머블 그라데이션 정보(PGI)를 도입하는 2024년 아키텍처입니다.
성능 및 효율성 분석
YOLOv7 YOLOv9 전환은 파라미터 효율성이 크게 향상되었음을 의미합니다. YOLOv7 확장된 효율적인 계층 집계 네트워크(E-ELAN)를 사용하여 실시간 객체 감지의 한계를 뛰어넘도록 최적화되었지만, YOLOv9 더 적은 매개변수와 부동 소수점 연산(FLOP)으로 더 높은 평균 정밀도mAP를 달성할 수 있는 아키텍처 변경이 도입되었습니다.
엣지 AI 배포에 중점을 둔 개발자에게는 이러한 효율성이 매우 중요합니다. 아래 표에서 볼 수 있듯이, YOLOv9e는 55.6%의 압도적인 mAP 달성하여 경쟁적인 컴퓨팅 풋프린트를 유지하면서 더 큰 YOLOv7x를 능가합니다. 반대로 더 작은 YOLOv9t는 매우 제약이 많은 디바이스를 위한 경량 솔루션을 제공하며, YOLOv7 동일한 세분성으로 명시적으로 타겟팅하지 않는 계층입니다.
| 모델 | 크기 (픽셀) | mAPval 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 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
YOLOv7: 훈련 가능한 공짜 가방 최적화하기
2022년 7월에 출시된 YOLOv7 추론 비용 증가 없이 훈련 프로세스를 최적화하는 데 중점을 두고 YOLO 아키텍처에 몇 가지 구조적 개혁을 도입했습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 조직:기관: 대만 학술원 정보 과학 연구소
- 날짜: 2022-07-06
- Arxiv:YOLOv7: 훈련 가능한 공짜 가방으로 새로운 최첨단 기술을 선보입니다.
- GitHub:WongKinYiu/yolov7
아키텍처 하이라이트
YOLOv7 네트워크가 더 많은 기능을 효과적으로 학습할 수 있도록 최단 및 최장 기울기 경로를 제어하는 E-ELAN(확장 효율 레이어 집계 네트워크)을 활용합니다. 또한 연결 기반 모델에 대한 모델 스케일링을 대중화하여 깊이와 너비를 동시에 확장할 수 있도록 했습니다. 주요 혁신은 추론 중에 모델 아키텍처를 간소화하여 속도를 향상시키는 계획된 재파라미터화된 컨볼루션이었습니다.
레거시 상태
YOLOv7 여전히 유능한 모델이지만, Ultralytics 에코시스템에서 볼 수 있는 최신 최적화에 대한 기본 지원은 부족합니다. 개발자는 최신 MLOps 도구와의 통합이 최신 반복에 비해 더 어렵다고 느낄 수 있습니다.
YOLOv9: 정보 병목 현상 해결
2024년 초에 출시된 YOLOv9 딥러닝의 근본적인 문제인 데이터가 연속적인 계층을 통과할 때 발생하는 정보 손실을 해결합니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 조직:기관: 대만 학술원 정보 과학 연구소
- 날짜: 2024-02-21
- Arxiv:YOLOv9: PGI를 사용하여 배우고 싶은 것을 학습하기
- GitHub:WongKinYiu/yolov9
아키텍처 하이라이트
YOLOv9 핵심 혁신은 프로그래머블 그라디언트 정보(PGI)입니다. 딥 네트워크에서는 피드포워드 프로세스 중에 유용한 정보가 손실되어 그라데이션이 불안정해질 수 있습니다. PGI는 손실 함수에 대한 주요 정보가 보존되도록 보장하는 보조 감독 프레임워크를 제공합니다. 또한 일반화된 효율적인 계층 집계 네트워크(GELAN) 는 임의의 차단을 허용하여 매개변수와 계산 리소스의 사용을 극대화함으로써 ELAN의 기능을 확장합니다.
이러한 아키텍처 덕분에 YOLOv9 복잡한 환경에서 작은 물체를 감지하거나 고해상도 항공 이미지 분석과 같은 복잡한 감지 작업에 매우 강력합니다.
Ultralytics 모델YOLO11 및 YOLOv8)이 선호되는 이유
YOLOv7 YOLOv9 인상적인 학업 성취를 이루었지만, 그보다 더 중요한 것은 Ultralytics YOLO 시리즈를 포함한 YOLOv8 과 최첨단 YOLO11-은 실용적인 실제 애플리케이션 개발을 위해 특별히 설계되었습니다. 이러한 모델은 사용 편의성, 에코시스템 통합 및 운영 효율성을 우선시하므로 대부분의 엔지니어링 팀에게 탁월한 선택이 될 것입니다.
간소화된 사용자 경험
Ultralytics 모델은 훈련 파이프라인의 복잡성을 추상화하는 통합 Python API로 래핑되어 있습니다. 객체 감지, 인스턴스 분할, 포즈 추정, OBB(방향성 경계 상자) 작업 간에 전환하려면 단 한 번의 인수 변경만 필요하며, 표준 YOLOv7 또는 YOLOv9 구현에는 없는 다양성을 제공합니다.
from ultralytics import YOLO
# Load a model (YOLO11 automatically handles architecture)
model = YOLO("yolo11n.pt") # Load a pretrained model
# Train the model with a single line of code
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Perform inference on an image
results = model("path/to/image.jpg")
잘 관리된 에코시스템
Ultralytics 모델을 선택하면 강력한 에코시스템에 액세스할 수 있습니다. 여기에는 클라우드 교육 및 데이터 세트 관리를 위한 Ultralytics HUB (및 곧 출시될 Ultralytics Platform)와의 원활한 통합이 포함됩니다. 또한 활발한 커뮤니티와 잦은 업데이트를 통해 최신 하드웨어와의 호환성을 보장합니다. TensorRT 또는 OpenVINO 로 내보내는 등 최신 하드웨어와의 호환성을 보장합니다.
메모리 및 교육 효율성
Ultralytics 모델은 교육 효율성이 뛰어난 것으로 유명합니다. 트랜스포머 기반 모델( RT-DETR)과 같이 메모리를 많이 사용하고 수렴 속도가 느릴 수 있는 트랜스포머 기반 모델과 달리, Ultralytics YOLO 모델은 최적화된 데이터 로더와 모자이크 증강을 활용하여 CUDA 메모리 요구 사항을 낮추면서 빠른 훈련 시간을 제공합니다. 이를 통해 개발자는 소비자용 GPU에서 최첨단 모델을 훈련할 수 있습니다.
이상적인 사용 사례
올바른 모델을 선택하는 것은 프로젝트의 특정 제약 조건에 따라 달라집니다.
YOLOv9 실제 애플리케이션
- 연구 및 벤치마킹: COCO 데이터 세트에서 가장 높은 정확도를 요구하는 학술 연구에 이상적입니다.
- 고충실도 감시: 보안 경보 시스템과 같이 1~2%의 정확도 향상으로 더 높은 구현 복잡성을 정당화할 수 있는 시나리오에서.
YOLOv7 실제 애플리케이션
- 레거시 시스템: 전체 코드베이스를 리팩토링하지 않고도 안정적이고 알려진 수량이 필요한 다크넷 또는 초기 PyTorch 생태계에 이미 구축된 프로젝트입니다.
Ultralytics YOLO11 위한 실제YOLO11
- 스마트 시티: 속도와 배포 용이성이 가장 중요한 교통 흐름 분석에 객체 추적을 사용합니다.
- 의료: 세분화와 검출이 동시에 필요한 경우가 많은의료 이미지 분석.
- 제조: NVIDIA Jetson 또는 Raspberry Pi와 같은 엣지 디바이스에 품질 관리 시스템을 배포하고 TFLite 및 ONNX 간단한 내보내기 옵션의 이점을 활용하세요.
결론
YOLOv7 YOLOv9 모두 컴퓨터 비전 역사에서 중요한 이정표가 될 것입니다. YOLOv9 은 PGI 아키텍처를 통해 v7보다 강력한 업그레이드를 제공하여 효율성과 정확성을 향상시킵니다. 하지만 다재다능하고 사용하기 쉬우며 지원이 잘 갖춰진 솔루션을 찾는 개발자를 위한 솔루션입니다, Ultralytics YOLO11 을 추천합니다. 성능, 포괄적인 문서화, 멀티태스크 기능detect, segment, classify, 포즈)이 균형을 이루고 있어 개념에서 생산까지 가장 빠른 경로를 제공합니다.
다른 모델 살펴보기
특정 컴퓨터 비전 작업에 가장 적합한 제품을 찾으려면 다음과 같은 다른 비교 항목을 살펴보세요:
- YOLOv8 YOLOv9 - 널리 채택된 v8과 연구 중심의 v9을 비교합니다.
- YOLOv10 YOLOv9 비교 - 엔드투엔드 YOLOv10 비교를 확인하세요.
- YOLO11 YOLOv8 비교 - 최신 Ultralytics 릴리스의 개선 사항에 대해 알아보세요.
- RT-DETR YOLOv9 - 트랜스포머 기반 탐지와 CNN을 비교합니다.