YOLOv9와 PP-YOLOE+ 비교

실시간 객체 탐지 분야는 계속 빠르게 발전하며, 컴퓨터 비전 엔지니어에게 엣지 및 클라우드 인프라에 고정확도 모델을 배포할 수 있는 다양한 선택지를 제공합니다. 이 분야의 대표 모델로는 YOLOv9와 PP-YOLOE+가 있습니다. 두 모델 모두 높은 정확도와 속도를 제공하지만, 서로 다른 연구 계보와 소프트웨어 생태계에서 발전했습니다.

이 기술 비교에서는 두 모델의 아키텍처, 학습 방법론, 성능 지표, 실제 환경에 적합한 활용 사례를 살펴봅니다. 또한 사용 편의성, 메모리 효율성, 유연한 배포를 중시하는 개발자에게 Ultralytics 생태계가 어떤 도움을 주는지 설명합니다.

모델의 기원과 기술 사양#

이러한 모델의 배경을 이해하면 아키텍처 결정과 프레임워크 종속성을 맥락에 맞게 파악할 수 있습니다.

YOLOv9: 정보 병목 문제 해결#

2024년 초에 소개된 YOLOv9는 정보가 심층 신경망을 통과하면서 발생하는 데이터 손실 문제를 해결합니다. 파라미터 효율성을 극대화하도록 설계된 효율적인 합성곱 신경망입니다.

YOLOv9에 대해 자세히 알아보기

PP-YOLOE+: Paddle 생태계의 발전#

2022년 Baidu가 출시한 PP-YOLOE+는 PP-YOLOv2를 반복적으로 개선한 모델입니다. 앵커 프리 설계를 사용하며, PaddlePaddle 프레임워크에서 수렴과 정확도를 개선하기 위해 동적 라벨 할당 전략을 도입했습니다.

PP-YOLOE+ 자세히 알아보기

아키텍처 비교#

프로그래밍 가능 기울기 정보와 CSPRepResStage 비교#

YOLOv9의 핵심 혁신은 프로그래밍 가능 그래디언트 정보(PGI)입니다. PGI는 보조 감독 프레임워크로 작동하여 학습 중 중요한 그래디언트 정보가 보존되고 얕은 계층으로 정확하게 전파되도록 합니다. 여기에 일반화된 효율적 계층 집계 네트워크(GELAN)가 결합되어 CSPNet과 ELAN의 강점을 바탕으로 계산 비용(FLOPs)을 줄이면서 높은 정확도를 제공합니다.

PP-YOLOE+는 CSPRepResStage라는 특수 백본에 의존합니다. 재매개변수화 기법(RepVGG에서 사용되는 기법과 유사)을 활용해 배포 중 합성곱 계층을 병합함으로써 추론 속도를 높입니다. 또한 분류와 회귀 작업의 균형을 맞추기 위해 효율적인 작업 정렬 헤드(ET-head)를 사용합니다.

PP-YOLOE+도 견고한 모델이지만 YOLOv9의 GELAN 아키텍처는 모든 모델 크기에서 파라미터를 더 적게 사용하므로 추론 시 메모리 사용량이 더 적고 엣지 AI 디바이스에 적합합니다.

성능 비교#

프로덕션용 모델을 평가할 때는 mAP(평균 정밀도), 추론 속도, 모델 크기 간의 절충이 중요합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
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
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

분석#

  • 파라미터 효율성: YOLOv9는 파라미터 효율성이 더 높습니다. 예를 들어 YOLOv9c는 파라미터 25.5M만으로 mAP 53.0%를 달성합니다. 반면 PP-YOLOE+l은 mAP 52.9%를 달성하는 데 파라미터가 두 배 이상인 52.2M 필요하므로, YOLOv9의 메모리 요구량이 더 낮습니다. 다만 PP-YOLOE+는 s 및 m 크기에서 FLOPs가 더 적습니다.
  • 추론 속도: YOLOv9는 NVIDIA T4 GPU에서 TensorRT를 사용할 때 경쟁력 있는 속도를 보이며, 여기서는 YOLOv9t가 가장 빠릅니다. 반면 PP-YOLOE+는 s, m, x 크기에서 더 빠릅니다. 두 모델 계열 모두 실시간 추론에 적합합니다.

학습 방법론 및 생태계#

이러한 모델 중 무엇을 선택할지는 소프트웨어 생태계에 따라 결정되는 경우가 많습니다.

PP-YOLOE+와 PaddlePaddle#

PP-YOLOE+는 PaddleDetection 제품군과 긴밀하게 연계되어 있습니다. 강력한 기능을 제공하지만, 사용자는 구성이 복잡하고 명령줄 중심인 환경을 다뤄야 합니다. PyTorch 또는 TensorFlow 생태계에 깊이 자리 잡은 팀은 PaddlePaddle로 전환할 때 상당한 마찰과 가파른 학습 곡선을 겪게 됩니다.

Ultralytics의 강점: 간소화된 워크플로#

반면 YOLOv9는 개발자와 연구자를 위해 사용 편의성을 우선시하는 Ultralytics 생태계에서 지원됩니다. Python API를 사용하면 대부분의 상용구 코드를 줄일 수 있습니다.

from ultralytics import YOLO

# 사전 학습된 YOLOv9 모델 불러오기
model = YOLO("yolov9c.pt")

# 사용자 지정 데이터셋으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# 추론을 실행하고 결과 시각화
results = model("https://ultralytics.com/images/bus.jpg")

# 프로덕션 배포를 위해 ONNX로 내보내기
model.export(format="onnx")

이 워크플로는 Ultralytics 모델의 학습 효율성을 보여줍니다. 데이터 증강, 분산 학습, Weights & Biases 또는 MLflow와 같은 플랫폼에 자동으로 로깅하는 기능이 기본 제공됩니다.

최신 Vision AI 살펴보기

YOLOv9의 성능은 우수하지만, 신규 프로젝트에는 Ultralytics YOLO26을 권장합니다. YOLO26은 네이티브 엔드투엔드 NMS-Free 설계(nms=False, 선택 사항)를 제공하여 비최대 억제(NMS) 후처리를 제거하고 배포를 간소화합니다. DFL 제거(내보내기를 간소화하고 엣지 및 저전력 디바이스 호환성을 높이기 위해 Distribution Focal Loss를 제거)를 통해 YOLO26n은 엣지 컴퓨팅에서 YOLO11n보다 CPU 추론 속도가 최대 43% 빠릅니다. MuSGD 옵티마이저는 안정적인 학습과 빠른 수렴을 지원하며, ProgLoss + STAL(점진적 손실 및 작은 객체 인식 라벨 할당)은 IoT, 로보틱스, 항공 이미지에 중요한 작은 객체 탐지를 개선합니다.

다용도성과 작업 지원#

최신 컴퓨터 비전 프로젝트는 단순한 바운딩 박스만 다루지 않습니다.

PP-YOLOE+는 주로 표준 객체 탐지용으로 설계되었습니다. 아키텍처를 다른 작업에 적용하려면 상당한 맞춤형 엔지니어링이 필요합니다.

반면 Ultralytics 프레임워크는 여러 작업을 지원합니다. 통합 API를 사용하면 개발자는 표준 객체 탐지에서 인스턴스 분할, 이미지 분류, 포즈 추정, 항공 이미지용 방향성 바운딩 박스(OBB) 탐지로 전환할 수 있습니다. 이러한 다용도성은 팀이 YOLOv9, YOLO11, YOLO26과 같이 Ultralytics에서 지원하는 모델을 선택하는 주요 이유입니다.

적합한 사용 사례 및 응용 분야#

  • 스마트 시티 분석 및 교통 관리: YOLOv9(및 후속 모델인 YOLO26)는 파라미터 효율성이 높고 지연 시간이 짧아 NVIDIA Jetson 디바이스와 같은 제한된 엣지 하드웨어에 배포하여 교통 흐름과 도시 보안을 모니터링하는 데 적합합니다.
  • 소매 재고 시스템: 선반에 빽빽하게 진열된 작은 품목을 탐지할 때 YOLOv9의 PGI는 세밀한 공간 정보를 유지하는 데 도움이 되어 작은 객체 탐지 성능을 높입니다.
  • 레거시 배포: 기존 인프라에서 Baidu/PaddlePaddle 소프트웨어 스택을 사용해야 하는 팀에는 PP-YOLOE+가 여전히 실용적인 선택지입니다.

트랜스포머 기반 아키텍처를 연구하는 분들을 위해 Ultralytics는 동일한 API 내에서 RT-DETR도 기본 지원하므로 배포 요구 사항에 가장 적합한 모델을 선택할 수 있습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.