YOLOv8과 YOLOv9
실시간 객체 탐지의 발전은 더 높은 정확도, 더 낮은 지연 시간, 향상된 하드웨어 활용률을 끊임없이 추구해 온 과정입니다. 이 과정의 주요 이정표로는 Ultralytics YOLOv8과 YOLOv9이 있습니다. 두 모델 모두 컴퓨터 비전 분야의 최첨단 성능을 보여주지만, 서로 다른 배포 요구 사항과 아키텍처 철학, 개발자 생태계를 겨냥합니다.
이 가이드에서는 기술적 차이, 아키텍처 혁신, 실제 배포 시 고려 사항을 분석해 다음 인공지능 프로젝트에 적합한 모델을 선택하도록 돕습니다.
모델 계보와 핵심 철학#
지표를 살펴보기 전에 각 모델의 배경과 주요 설계 목표를 이해하는 것이 도움이 됩니다.
Ultralytics YOLOv8: 다재다능한 생태계 표준#
Ultralytics 팀이 출시한 YOLOv8은 독립형 객체 탐지기로만 설계된 것이 아니라 통합 다중 작업 프레임워크로 개발되었습니다. 원활한 개발자 경험, 낮은 메모리 요구량, 폭넓은 하드웨어 호환성을 우선시합니다.
- 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직: Ultralytics
- 날짜: 2023-01-10
- GitHub: ultralytics/ultralytics
- 문서: YOLOv8 문서
YOLOv9: 프로그래밍 가능한 그래디언트 정보#
Academia Sinica 연구진이 독자적으로 개발한 YOLOv9은 아키텍처 이론에 중점을 두며, 특히 심층 신경망의 정보 병목 현상을 해결하는 데 주력합니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2024-02-21
- arXiv: 2402.13616
- GitHub: WongKinYiu/yolov9
대규모 상용 배포를 계획하고 있다면 간소화된 클라우드 학습, 데이터셋 관리, 전용 API 엔드포인트를 제공하는 Ultralytics Platform을 살펴보세요.
아키텍처 심층 분석#
딥러닝의 아키텍처 선택은 모델의 학습 효율과 NVIDIA Jetson이나 Intel CPU 같은 대상 하드웨어에서의 실행 속도를 좌우합니다.
YOLOv8 아키텍처: C2f와 분리형 헤드#
YOLOv8은 이전 C3 모듈을 대체한 C2f 모듈(2개의 합성곱을 사용하는 크로스 스테이지 부분 병목)을 도입했습니다. 이 변경으로 그래디언트 흐름이 개선되고 네트워크가 GPU 메모리에 큰 부담을 주지 않으면서 더 풍부한 특징 표현을 학습할 수 있습니다.
YOLOv8은 앵커 프리 설계와 분리형 헤드를 사용합니다. 분류와 회귀를 별도의 경로로 처리하므로 학습 중 더 빠르게 수렴하고 다양한 사용자 지정 데이터셋에 더 잘 일반화됩니다.
YOLOv9 아키텍처: PGI와 GELAN#
YOLOv9은 프로그래밍 가능한 그래디언트 정보(PGI)와 일반화된 효율적 계층 집계 네트워크(GELAN)를 도입했습니다. PGI는 네트워크 계층을 통과할 때 중요한 데이터가 손실되지 않도록 하여 가중치 업데이트에 신뢰할 수 있는 그래디언트를 제공합니다. GELAN은 파라미터 효율성을 극대화해 FLOPs를 관리 가능한 수준으로 유지하면서 높은 정확도를 달성할 수 있게 합니다.
그러나 학습 중에만 사용하는 YOLOv9의 보조 가역 브랜치는 표준 파이프라인보다 학습 코드를 사용자 지정하기 어렵게 만들 수 있습니다.
성능 지표 및 벤치마크#
아래 표는 다양한 크기의 모델을 직접 비교합니다. 성능은 객체 탐지 표준 벤치마크인 MS COCO 데이터셋에서 측정했습니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
참고: 각 열에서 가장 높은 값은 굵게 표시했습니다.
절충점 분석#
YOLOv9은 비교 가능한 각 크기에서 더 높은 정확도(mAP)를 달성하고 파라미터 수도 더 적습니다. 그러나 GPU 추론 속도는 Ultralytics YOLOv8이 더 빠릅니다. 예를 들어 TensorRT로 컴파일했을 때 YOLOv8n은 1.47ms, YOLOv9t는 2.3ms입니다. 또한 ONNX와 같은 형식으로 쉽게 내보낼 수 있습니다. Raspberry Pi나 구형 모바일 칩처럼 리소스가 제한된 엣지 하드웨어에서 초당 프레임(FPS)이 높아야 하는 애플리케이션에는 YOLOv8의 n 및 s 변형이 실용적인 성능 균형을 제공합니다.
학습 효율성과 생태계 통합#
모델을 선택할 때 정확도 표만 살펴봐서는 충분하지 않습니다. 개발자 경험도 그만큼 중요합니다.
Ultralytics의 장점: 사용 편의성#
YOLOv9을 학습하려면 복잡한 GitHub 리포지토리를 복제하고 PyTorch 환경을 세심하게 관리하며 보조 손실 가중치를 수동으로 구성해야 하는 경우가 많습니다.
반면 Ultralytics YOLOv8은 간소화된 Python API를 제공합니다. 사용 편의성을 위해 설계되어 데이터 증강, Weights & Biases 및 Comet ML과 같은 도구를 사용한 로깅, 다중 GPU 학습을 기본 지원합니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv8 소형 모델 불러오기
model = YOLO("yolov8s.pt")
# 사용자 지정 데이터로 모델을 효율적으로 학습하기
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 엣지 배포용으로 내보내기
model.export(format="engine", quantize=16) # TensorRT 내보내기이 단일 API를 통해 프로토타입에서 프로덕션에 이르는 시간을 줄일 수 있습니다. 또한 YOLOv8은 일반적으로 학습 시 CUDA 메모리를 적게 사용하므로 개발자는 일반 소비자용 하드웨어에서 더 큰 배치 크기를 사용할 수 있습니다.
작업 범용성#
YOLOv9은 뛰어난 바운딩 박스 탐지기이지만, 실제 비전 AI에는 더 많은 기능이 필요한 경우가 많습니다. YOLOv8은 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB)를 기본 지원합니다. 여러 작업에 단일 프레임워크를 사용하면 소프트웨어 복잡성과 유지 관리 오버헤드를 줄일 수 있습니다.
새 프로젝트를 시작한다면 현재 권장 모델이며 종단 간 NMS 프리 추론을 선택적으로 지원하는 Ultralytics YOLO11 또는 YOLO26도 평가해 볼 수 있습니다.
실제 활용 사례#
이 모델들은 프로덕션 환경에서 어떤 성능을 보일까요?
자율 드론과 로보틱스#
장애물을 빠르게 회피해야 하는 로보틱스에는 YOLOv8이 적합합니다. YOLOv8n의 낮은 지연 시간 덕분에 자율 시스템은 주변 환경에 실시간으로 대응하고 충돌을 피할 수 있습니다. OpenVINO 및 CoreML로 기본 내보내기를 지원하므로 상업용 드론에서 흔히 사용하는 저전력 칩에 간편하게 배포할 수 있습니다.
고해상도 결함 탐지#
미세한 이상 징후 탐지가 중요하고 오프라인 처리가 허용되는 특수 제조 환경에서는 YOLOv9이 효과적일 수 있습니다. PGI 아키텍처는 머리카락처럼 가느다란 균열이나 PCB 납땜 오류를 식별하는 데 필요한 세밀한 시각 정보를 네트워크가 보존하도록 돕습니다.
스마트 리테일 및 보안 분석#
매장 통로를 지나는 고객을 추적하거나 자동 결제 시스템을 관리할 때는 YOLOv8이 가장 적합합니다. BoT-SORT 같은 표준 알고리즘을 사용해 탐지와 다중 객체 추적을 동시에 실행할 수 있어 여러 카메라를 사용하는 리테일 배포에 강력한 솔루션을 제공합니다.
사용 사례 및 권장 사항#
YOLOv8과 YOLOv9 중에서 선택할 때는 구체적인 프로젝트 요구 사항, 배포 제약, 생태계 선호도를 고려해야 합니다.
YOLOv8을 선택해야 하는 경우#
YOLOv8은 다음과 같은 경우에 적합합니다.
- 다목적 배포: Ultralytics 생태계에서 탐지, 분할, 분류, 자세 추정을 수행할 검증된 모델이 필요한 프로젝트입니다.
- 안정적인 프로덕션 시스템: 이미 YOLOv8 아키텍처를 기반으로 구축되어 안정적이고 충분히 테스트된 배포 파이프라인을 갖춘 기존 프로덕션 환경.
- 폭넓은 커뮤니티 및 생태계 지원: YOLOv8의 방대한 튜토리얼, 타사 통합, 활발한 커뮤니티 리소스를 활용하는 애플리케이션.
YOLOv9을 선택해야 하는 경우#
다음과 같은 경우 YOLOv9을 권장합니다:
- 정보 병목 연구: 프로그래밍 가능한 그래디언트 정보(PGI) 및 일반화된 효율적 계층 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트입니다.
- 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 계층의 정보 손실을 이해하고 완화하는 데 초점을 둔 연구입니다.
- 고정확도 탐지 벤치마킹: 아키텍처 비교의 기준점으로 YOLOv9의 우수한 COCO 벤치마크 성능이 필요한 시나리오입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- NMS 프리 엣지 배포: 비최대 억제 (NMS) 후처리의 복잡성 없이 일관되고 낮은 지연 시간으로 추론해야 하는 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서는 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
- 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.
다음 진화 단계: YOLO26#
YOLOv8과 YOLOv9은 유능한 모델이지만 AI 분야는 빠르게 변화합니다. 2026년 1월에 출시된 신규 프로젝트용 YOLO26은 이전 세대의 강점을 발전시켰습니다.
YOLO26은 선택적 종단 간 NMS 프리 설계(nms=False)를 도입해 NMS 후처리를 제거하고 배포를 간소화하며 지연 시간을 더 예측 가능하게 합니다. MuSGD 옵티마이저, ProgLoss + STAL(Progressive Loss와 작은 객체 인식형 레이블 할당), DFL 제거(내보내기를 간소화하고 엣지 및 저전력 장치 호환성을 높이기 위해 Distribution Focal Loss 제거)를 적용한 YOLO26n은 작은 객체 탐지 성능을 개선하면서 YOLO11n보다 CPU 추론 속도가 최대 43% 빠릅니다. 엣지 컴퓨팅 프로젝트의 권장 시작 모델은 YOLO26입니다.
요약하면 YOLOv9은 가치 있는 아키텍처 연구와 뛰어난 최고 정확도를 제공하지만, 신뢰할 수 있는 소프트웨어를 빠르게 출시하려는 대부분의 컴퓨터 비전 엔지니어에게 Ultralytics YOLOv8은 여전히 실용적이고 지원이 잘되는 다재다능한 선택입니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.