YOLOv9 대 YOLO11#
컴퓨터 비전의 급격한 발전은 실시간 object detection 분야에서 가능한 것의 한계를 지속적으로 넓혀왔습니다. 주요 아키텍처를 비교할 때, YOLOv9와 **Ultralytics YOLO11**은 각각 고유한 기술적 요구 사항을 충족하는 기념비적인 도약으로 돋보입니다. YOLOv9는 심층 네트워크 학습 중 그래디언트 흐름을 보존하는 새로운 방법을 도입한 반면, YOLO11은 뛰어난 효율성, 다목적성 및 사용 편의성으로 범용 비전 생태계를 혁신했습니다.
이 포괄적인 기술 비교에서는 다음 AI 프로젝트에 최적의 모델을 선택할 수 있도록 아키텍처, 성능 지표, 메모리 요구 사항 및 이상적인 배포 시나리오를 분석합니다.
YOLOv9와 YOLO11은 훌륭한 모델이지만, 새로 출시된 YOLO26은 그다음 단계의 도약을 나타냅니다. 간소화된 배포를 위한 엔드투엔드 NMS-free 디자인, 최대 43% 더 빠른 CPU 추론, 그리고 빠른 수렴을 위한 혁신적인 MuSGD 옵티마이저를 특징으로 합니다. 모든 신규 프로덕션 프로젝트에 YOLO26을 강력히 권장합니다.
기술 사양 및 저자 정보#
이 모델들의 계보를 이해하는 것은 아키텍처 결정과 프레임워크 의존성에 대한 필수적인 맥락을 제공합니다.
YOLOv9#
YOLOv9는 딥러닝 정보 병목 현상에 대한 학술적 집중을 강화하여, 커스텀 네트워크 블록을 통해 최대의 특징 충실도(feature fidelity)를 우선시했습니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 조직: Institute of Information Science, Academia Sinica
- 날짜: 2024년 2월 21일
- Arxiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
Ultralytics YOLO11#
YOLO11은 최고 수준의 정확도, 실제 배포 속도 및 멀티 태스크 범용성의 균형에 중점을 두고 프로덕션 환경을 위해 처음부터 설계되었습니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024년 9월 27일
- GitHub: https://github.com/ultralytics/ultralytics
아키텍처 혁신#
YOLOv9의 프로그래밍 가능한 그래디언트 정보(PGI)#
YOLOv9는 GELAN(Generalized Efficient Layer Aggregation Network)과 함께 프로그래밍 가능한 그래디언트 정보(PGI)라는 개념을 도입했습니다. 신경망이 깊어질수록 피드포워드 과정에서 중요한 세부 정보가 손실되는 정보 병목 현상이 자주 발생합니다. PGI는 정밀한 공간 정보를 유지하는 신뢰할 수 있는 그래디언트 업데이트를 제공하여 이를 해결하며, GELAN은 파라미터 효율성을 극대화합니다. 이로 인해 YOLOv9는 높은 특징 충실도가 필요한 작업에 특히 뛰어나지만, 후처리 과정에서 표준 NMS(Non-Maximum Suppression)에 의존하므로 엣지 디바이스에서 지연 시간이 발생할 수 있습니다.
YOLO11의 간소화된 효율성#
YOLO11은 수년간의 기초 연구를 바탕으로 구축되어 고도로 최적화된 아키텍처를 제공합니다. 연산 오버헤드를 줄이면서 피처 추출을 극대화하여 이전 버전을 개선했습니다. CPU 성능에 병목 현상을 일으키는 기존의 NMS 파이프라인과 달리, YOLO11은 레이턴시와 정밀도 사이에서 놀라운 균형을 달성하는 정제된 탐지 헤드를 사용합니다. 또한, YOLO11은 학습에 시간이 오래 걸리고 막대한 양의 CUDA 메모리가 필요한 무거운 Transformer 모델에 비해 model training 및 추론 시 본질적으로 더 낮은 메모리 사용량을 자랑합니다.
성능 지표 비교#
표준 COCO dataset에서 이러한 모델을 비교할 때, 두 모델 모두 놀라운 성능을 보여주지만 순수 파라미터 수와 연산 속도 사이에 절충안이 나타납니다.
아래는 YOLO Performance Metrics에 대한 자세한 분석입니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 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 | 7.1 | 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
결과 분석#
- 속도 및 하드웨어 효율성: YOLO11은 추론 속도 면에서 YOLOv9보다 지속적으로 우수한 성능을 보입니다. 예를 들어, YOLO11n은 TensorRT를 사용하는 NVIDIA T4 GPU에서 놀라운 1.5ms를 달성하여 엄격한 실시간 파이프라인에 매우 적합합니다.
- 연산 요구 사항: YOLO11 모델은 일반적으로 더 적은 FLOPs(예: YOLOv9m의 76.3B 대비 YOLO11m의 68.0B)를 요구하므로, Raspberry Pi 또는 모바일 하드웨어와 같은 배터리 구동 에지 디바이스에서 전력 소비를 줄여줍니다.
- 정확도 동등성: YOLOv9e가 절대 mAP에서 YOLO11x를 약간 앞서지만(55.6 대 54.7), YOLO11은 훨씬 더 짧은 지연 시간(11.3ms 대 16.77ms)으로 최고 정확도에 도달하여 실제 배포에 더 유리한 성능 균형을 보여줍니다.
생태계 및 사용 편의성#
원시 지표도 중요하지만, 프레임워크 생태계가 프로젝트의 성공을 결정하는 경우가 많습니다. 이것이 바로 Ultralytics의 강점이 진가를 발휘하는 부분입니다.
오리지널 YOLOv9 리포지토리는 최첨단 연구 구현을 제공하며 매우 특화되어 있습니다. 그러나 Ultralytics Platform과 해당 오픈소스 패키지는 간소화된 사용자 경험, 간단한 API 및 광범위한 문서를 제공하여 출시 시간을 대폭 단축합니다.
멀티태스킹 다재다능성#
YOLOv9는 주로 바운딩 박스 탐지에 중점을 둡니다. 반면, YOLO11은 다음과 같은 기능을 기본적으로 지원하는 통합 멀티 태스크 파워하우스입니다:
원활한 배포#
Ultralytics 생태계를 사용하면 개발자가 단 한 줄의 Python 코드로 다양한 포맷에 export models를 원활하게 수행할 수 있습니다. ONNX, OpenVINO, TFLite, CoreML 중 무엇을 타겟팅하든 학습에서 프로덕션으로의 전환이 손쉽습니다.
from ultralytics import YOLO
# Load a highly efficient YOLO11 model
model = YOLO("yolo11n.pt")
# Train rapidly on a custom dataset with minimal memory footprint
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export the trained model to OpenVINO for Intel CPU acceleration
model.export(format="openvino")이상적인 사용 사례#
YOLOv9 활용 시기#
YOLOv9는 하드웨어 지연 시간이 주요 제약 사항이 아닌 연구 중심 환경이나 극단적인 특징 충실도를 우선시하는 시나리오에 환상적인 도구입니다. GELAN 아키텍처는 가장 작은 픽셀 변화를 감지하는 것이 중요한 의료 영상 분석에서 매우 유리할 수 있습니다.
YOLO11이 우수한 선택인 이유#
개발자, 엔지니어 및 프로덕션 팀에게 YOLO11을 강력히 권장합니다. 고속의 확장 가능한 배포가 필요한 환경에서 탁월한 성능을 발휘합니다:
- 스마트 리테일 분석: 표준 Intel standard processors을 사용하여 제품과 고객을 원활하게 추적합니다.
- 자율 드론: 저전력 FLOP 아키텍처가 배터리 수명을 보존하면서도 강력한 소형 객체 탐지를 제공합니다.
- 동적 프로젝트: 감지로 시작하지만 나중에 pose estimation 또는 세분화가 필요한 워크플로.
미래 전망: 다음 진화#
YOLO11은 해당 세대의 최첨단을 나타내지만, 컴퓨터 비전 환경은 계속해서 발전하고 있습니다. AI의 한계를 탐구하는 사용자는 **YOLO26**에도 주목해야 합니다.
YOLOv10에서 처음 탐구된 엔드투엔드 NMS-free 디자인을 선구하는 YOLO26은 전례 없는 학습 안정성을 위해 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)를 도입합니다. 내보내기를 단순화하기 위해 DFL(Distribution Focal Loss)을 제거하고 ProgLoss 및 STAL과 같은 고급 손실 메커니즘을 통해 YOLO26은 최대 43% 더 빠른 CPU 추론을 달성합니다. 최신 프로젝트의 경우 학술적 혁신과 프로덕션 준비가 완료된 안정성의 궁극적인 조합을 제공합니다. 또한 Ultralytics YOLOv8과 같은 레거시 시스템에서 업그레이드하는 팀은 통합된 Ultralytics API 덕분에 YOLO26 또는 YOLO11로의 전환이 전적으로 마찰 없이 이루어짐을 알 수 있습니다.