YOLOv9와 EfficientDet
컴퓨터 비전 분야에서는 실시간 객체 탐지가 빠르게 발전하고 있으며, 연구자들은 정확도와 효율성을 지속적으로 개선하고 있습니다. 견고한 비전 시스템을 구축할 때 적합한 아키텍처를 선택하는 일은 매우 중요합니다. 널리 논의되는 두 모델은 그래디언트 정보에 초점을 맞춘 YOLO 계열의 고도화 버전인 YOLOv9와 Google이 개발한 확장 가능한 프레임워크인 EfficientDet입니다.
이 가이드에서는 두 아키텍처의 기반 메커니즘, 성능 지표, 적합한 배포 시나리오를 분석하고 기술적으로 비교하여 다음 AI 프로젝트에 적합한 선택을 내릴 수 있도록 돕습니다.
모델의 기원과 기술 사양#
모델의 계보와 설계 철학을 이해하면 모델의 구조적 결정과 실제 적용 방식을 파악하는 데 유용한 맥락을 얻을 수 있습니다.
YOLOv9: 정보 흐름 극대화#
심층 학습의 "정보 병목" 문제를 해결하기 위해 개발된 YOLOv9는 데이터가 심층 신경망을 통과할 때 정보가 손실되지 않도록 하는 방법을 도입합니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2024년 2월 21일
- 링크: arXiv 논문, 공식 GitHub
YOLOv9는 심층 계층 전반에서 신뢰할 수 있는 그래디언트 정보를 보존하는 데 도움이 되는 보조 감독 프레임워크인 프로그래밍 가능 그래디언트 정보(PGI)를 도입합니다. 여기에 일반화된 효율적 계층 집계 네트워크(GELAN)가 결합되어 CSPNet과 ELAN의 강점을 활용해 파라미터 효율성을 최적화합니다. 이를 통해 YOLOv9는 실시간 엣지 처리에 적합한 경량 구조를 유지하면서 높은 정확도를 달성합니다.
EfficientDet: 복합 스케일링과 BiFPN#
Google Brain이 선보인 EfficientDet은 속도와 정확도의 균형을 맞추기 위해 네트워크 차원을 체계적으로 확장하는 방식으로 객체 탐지에 접근합니다.
EfficientDet는 EfficientNet 백본과 양방향 특징 피라미드 네트워크(BiFPN)를 결합합니다. BiFPN을 사용하면 다중 스케일 특징을 쉽고 빠르게 융합할 수 있습니다. 이 아키텍처는 모든 백본, 특징 네트워크, 박스 및 클래스 예측 네트워크의 해상도, 깊이, 너비를 동시에 균일하게 조정하는 복합 스케일링 방식을 사용합니다.
이론적 아키텍처도 중요하지만, 프로젝트의 성공은 소프트웨어 생태계에 좌우되는 경우가 많습니다. Ultralytics는 복잡하고 연구 중심적인 코드베이스보다 시장 출시 시간을 단축하는 간소화된 Python API와 강력한 배포 도구를 제공합니다.
성능 및 지표 비교#
모델 성능을 분석할 때는 정확도와 추론 지연 시간, 계산 비용 사이의 균형을 맞추는 것이 중요합니다. 아래 표에서는 YOLOv9와 EfficientDet의 다양한 크기별 트레이드오프를 보여줍니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
지표에 대한 비판적 분석#
- 정확도 기준: YOLOv9e는 55.6%의 mAP(평균 정밀도)를 달성하여 전체 정확도가 가장 높습니다. 이는 가장 큰 EfficientDet-d7 모델의 53.7%보다 높은 수치이며 TensorRT 속도도 더 빠릅니다.
- 실시간 속도: YOLOv9t는 T4 GPU에서 TensorRT를 사용해 단 2.3ms 만에 실행되며, 이는 고속 비디오 스트림에서 GELAN 아키텍처의 효율성을 보여줍니다. EfficientDet-d0은 3.92ms로 더 느리고 YOLOv9t보다 mAP가 3.7 낮습니다.
- 계산 복잡도: EfficientDet은 복합 계수가 증가할수록 파라미터 수와 FLOPs가 크게 늘어납니다. d7 버전의 지연 시간은 128ms로, 더 정확한 YOLOv9e(16.77ms)보다 약 7.6배 느립니다. 따라서 실시간 추론 환경에서 활용이 제한됩니다.
학습 효율성과 생태계#
모델을 선택할 때는 개발자 생태계를 평가해야 합니다. Ultralytics 생태계는 학습 효율성, 배포 유연성, 다용도성 측면에서 분명한 이점을 제공합니다.
Ultralytics의 강점#
YOLOv9, YOLOv8, YOLO11을 포함해 Ultralytics 프레임워크에서 지원하는 모델은 일반적으로 트랜스포머 기반 모델이나 EfficientDet과 같은 구형 TensorFlow 아키텍처보다 학습 메모리를 적게 사용합니다. PyTorch 백엔드는 빠른 수렴과 안정적인 학습을 지원합니다.
- 다용도성: 바운딩 박스 탐지에만 초점을 맞추는 EfficientDet과 달리 Ultralytics API는 인스턴스 분할, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB)를 기본 지원합니다.
- 사용 편의성: EfficientDet은 오래된 TensorFlow 라이브러리와 복잡한 AutoML 구성을 사용하므로 설정이 불안정할 수 있습니다. 반면 Ultralytics는 하이퍼파라미터 튜닝과 데이터셋 관리를 위한 개선된 API를 제공합니다.
구현 예시#
컴퓨터 비전 모델을 학습하는 데 수백 줄의 상용구 코드가 필요해서는 안 됩니다. 다음 예제에서는 Ultralytics Python 패키지를 사용해 학습을 시작합니다:
from ultralytics import YOLO
# 공식 Ultralytics 모델을 불러옵니다(예: YOLO11 또는 YOLO26)
model = YOLO("yolo11n.pt")
# 사용자 지정 데이터셋으로 모델을 기본 방식으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 배포를 위해 학습된 모델을 ONNX 형식으로 내보내기
model.export(format="onnx")적합한 사용 사례 및 실제 응용 분야#
구조적 패러다임이 서로 다르므로 각 모델은 서로 다른 시나리오에 적합합니다.
EfficientDet 사용 시기: EfficientDet은 PyTorch로의 마이그레이션이 불가능하고 TensorFlow 생태계에 깊이 의존하는 레거시 시스템에서 여전히 사용할 수 있습니다. 또한 고해상도 스캔을 오프라인에서 느리게 처리해도 되는 의료 영상 분석 연구에서 역사적으로 중요한 모델입니다.
YOLOv9 사용 시기: YOLOv9는 파라미터 수를 크게 늘리지 않으면서 높은 정확도가 필요한 애플리케이션에 적합합니다. 스마트 시티 교통 관리와 고밀도 군중 모니터링 같은 애플리케이션은 특징 세부 정보를 보존하는 PGI의 이점을 얻습니다.
미래 대비: 차세대 비전 AI#
YOLOv9와 EfficientDet은 성능이 뛰어난 모델이지만, 엣지 컴퓨팅 속도, 학습 안정성, 배포 편의성의 균형을 최적으로 맞추려는 개발자라면 최신 혁신 모델을 고려해야 합니다.
2026년 1월에 출시된 Ultralytics YOLO26은 현재 권장되는 Ultralytics 모델입니다. YOLO11 및 YOLOv8을 포함한 이전 세대 모델을 기반으로 다음과 같은 주요 변경 사항을 적용했습니다:
- 엔드투엔드 NMS 프리 설계: YOLO26은 비최대 억제(NMS)를 완전히 생략하는 선택적 일대일 헤드(
nms=False)를 제공합니다. YOLOv10이 YOLO 모델에 도입한 이 접근 방식은 더 빠르고 간단한 모델 배포를 지원합니다. - DFL 제거: 분포 초점 손실(DFL)을 제거하여 내보내기를 간소화하고 엣지 디바이스 및 저전력 디바이스와의 호환성을 높였습니다.
- CPU 추론 속도 최대 43% 향상: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 IoT 디바이스와 전용 GPU가 없는 환경에 적합합니다.
- MuSGD 옵티마이저: SGD와 Muon을 결합한 방식으로, LLM 학습의 혁신에서 영감을 얻어 더 빠른 수렴과 안정적인 학습을 지원합니다.
- ProgLoss + STAL: 점진적 손실 및 작은 객체 인식 라벨 할당(STAL)은 작은 객체 탐지를 개선하며, 이는 드론 항공 이미지와 로보틱스에서 매우 중요합니다.
Ultralytics Platform을 사용하면 팀이 데이터셋을 관리하고 실험을 추적하며 다양한 하드웨어에 YOLO26과 같은 모델을 배포하여 컴퓨터 비전 파이프라인을 프로덕션 환경에 적합한 상태로 유지할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.