YOLOv9과 YOLO11
컴퓨터 비전의 급속한 발전으로 실시간 객체 검출에서 가능한 범위가 계속 넓어지고 있습니다. 주요 아키텍처를 비교할 때 YOLOv9과 Ultralytics YOLO11은 서로 다른 기술적 요구에 대응하는 중요한 발전으로 주목받습니다. YOLOv9은 심층 네트워크 학습 중 그래디언트 흐름을 보존하는 새로운 방법을 도입했고, YOLO11은 효율성, 다용도성, 사용 편의성을 높이도록 범용 Ultralytics 프레임워크를 개선했습니다.
이 기술 비교에서는 다음 AI 프로젝트에 적합한 모델을 선택할 수 있도록 두 모델의 아키텍처, 성능 지표, 메모리 요구 사항, 이상적인 배포 시나리오를 분석합니다.
YOLOv9과 YOLO11은 성능이 뛰어난 모델이지만, 현재 Ultralytics가 권장하는 모델은 YOLO26입니다. 배포를 간소화하는 엔드투엔드 NMS 프리 설계, 최대 43% 빠른 CPU 추론(YOLO26n과 YOLO11n 비교), 빠른 수렴을 위한 MuSGD 옵티마이저를 갖춰 새로운 프로덕션 프로젝트를 시작하기에 가장 적합합니다.
기술 사양 및 개발 주체#
이 모델들의 계보를 이해하면 아키텍처 설계와 프레임워크 의존성을 파악하는 데 필요한 맥락을 얻을 수 있습니다.
YOLOv9#
YOLOv9은 커스텀 네트워크 블록을 통해 특징 충실도를 우선시하며 딥러닝 정보 병목에 학문적으로 집중했습니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 조직: 정보과학연구소, Academia Sinica
- 날짜: 2024년 2월 21일
- arXiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
Ultralytics YOLO11#
YOLO11은 높은 정확도, 실제 배포 속도, 다중 작업 다용도성의 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#
YOLOv9은 일반화된 효율적 계층 집계 네트워크(GELAN)와 함께 프로그래밍 가능한 그래디언트 정보(PGI) 개념을 도입합니다. 신경망이 깊어지면 순전파 과정에서 중요한 세부 정보가 손실되는 정보 병목 현상이 발생하는 경우가 많습니다. PGI는 세밀한 공간 정보를 보존하는 신뢰할 수 있는 그래디언트 업데이트를 제공해 이 문제를 해결하고, GELAN은 매개변수 효율성을 극대화합니다. 따라서 YOLOv9은 높은 특징 충실도가 필요한 작업에 특히 적합하지만, 후처리 중에는 표준 비최대 억제(NMS)에 의존하므로 엣지 디바이스에서 지연 시간이 발생할 수 있습니다.
YOLO11의 간소화된 효율성#
YOLO11은 수년간의 YOLO 연구를 바탕으로 효율적인 아키텍처를 제공합니다. 이전 버전보다 계산 오버헤드를 줄이는 동시에 특징 추출 성능을 향상합니다. YOLO11은 여전히 표준 NMS 후처리에 의존하지만, 개선된 검출 헤드는 지연 시간과 정확도 사이에서 뛰어난 균형을 이룹니다. 또한 YOLO11은 모델 학습과 추론 중에 대형 트랜스포머 모델보다 메모리를 적게 사용하며, 트랜스포머 모델은 학습 속도가 느리고 많은 CUDA 메모리를 필요로 하는 경우가 많습니다.
성능 지표 비교#
표준 COCO 데이터셋에서 두 모델을 비교하면 모두 우수한 성능을 보이지만, 순수 매개변수 수와 실제 작동 속도 사이에 절충점이 나타납니다.
아래 표에서 주요 YOLO 성능 지표를 비교합니다.
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
결과 분석#
- 속도 및 하드웨어 효율성: 이 표의 모든 규모에서 YOLO11이 YOLOv9보다 빠릅니다. 예를 들어 YOLO11n은 NVIDIA T4 GPU에서 TensorRT를 사용해 1.5ms 만에 실행되므로 엄격한 실시간 파이프라인에 적합합니다.
- 연산 요구 사항: YOLO11 모델은 일반적으로 FLOPs가 더 적습니다(예: YOLO11m은 68.1B, YOLOv9m은 76.8B). 이에 따라 Raspberry Pi나 모바일 하드웨어와 같은 배터리 구동 엣지 디바이스에서 전력 소비가 줄어듭니다.
- 정확도 동등성: YOLOv9e가 절대 mAP에서 YOLO11x를 근소하게 앞서지만(55.6 대 54.7), YOLO11은 훨씬 낮은 지연 시간(11.3ms 대 16.77ms)으로 최고 정확도를 달성해 실제 배포에 더 유리한 성능 균형을 보여줍니다.
생태계와 사용 편의성#
순수 성능 지표도 중요하지만, 프로젝트의 성공은 프레임워크 에코시스템에 좌우되는 경우가 많으며 이 점에서 Ultralytics가 두각을 나타냅니다.
기존 YOLOv9 저장소는 연구용 구현을 제공하는 전문화된 저장소입니다. 반면 Ultralytics Platform과 해당 오픈 소스 패키지는 간소화된 사용자 경험, 단순한 API, 풍부한 문서를 제공해 출시까지 걸리는 시간을 줄입니다.
멀티태스크 활용성#
YOLOv9은 주로 바운딩 박스 검출에 집중합니다. 반면 YOLO11은 다음 작업을 기본 지원하는 통합 다중 작업 모델입니다.
배포#
Ultralytics 에코시스템을 사용하면 Python 코드 한 줄로 다양한 형식으로 모델을 내보낼 수 있습니다. ONNX, OpenVINO, LiteRT, CoreML 중 어느 형식을 대상으로 하든 학습에서 프로덕션으로의 전환은 간단합니다.
from ultralytics import YOLO
# 효율성이 뛰어난 YOLO11 모델을 로드합니다.
model = YOLO("yolo11n.pt")
# 메모리 사용량을 최소화하면서 사용자 지정 데이터셋을 빠르게 학습합니다.
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 학습된 모델을 OpenVINO로 내보내 Intel CPU 가속을 활용합니다.
model.export(format="openvino")적합한 사용 사례#
YOLOv9을 사용해야 하는 경우#
YOLOv9은 하드웨어 지연 시간이 주요 제약이 아닌 환경이나 높은 특징 충실도를 우선시하는 연구 중심 시나리오에서 유용합니다. GELAN 아키텍처는 가장 작은 픽셀 변화의 검출이 중요한 의료 이미지 분석에 도움이 될 수 있습니다.
YOLO11을 선택해야 하는 이유#
이 두 모델 중 하나를 선택하는 개발자, 엔지니어, 프로덕션 팀에는 YOLO11을 권장합니다. YOLO11은 고속의 확장 가능한 배포가 필요한 환경에서 뛰어난 성능을 발휘합니다.
- 스마트 소매 분석: 표준 Intel 프로세서를 사용해 제품과 고객을 추적합니다.
- 자율 드론: FLOPs가 적은 아키텍처가 배터리 수명을 보존하면서도 강력한 소형 객체 감지 성능을 제공합니다.
- 변화하는 프로젝트: 검출 작업으로 시작했지만 이후 포즈 추정이나 분할이 필요해질 수 있는 워크플로입니다.
향후 전망: 다음 진화#
YOLO11은 해당 세대의 최첨단 모델이었지만 컴퓨터 비전 분야는 계속 발전하고 있습니다. 새 프로젝트에는 현재 Ultralytics가 권장하는 모델인 YOLO26을 고려해 보십시오.
YOLOv10에서 처음 탐구한 엔드투엔드 NMS 프리 설계를 바탕으로, YOLO26은 더 안정적인 학습을 위해 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)를 도입합니다. 내보내기를 간소화하기 위해 Distribution Focal Loss(DFL)를 제거하고 ProgLoss와 STAL(Progressive Loss 및 소형 객체 인식 라벨 할당)로 소형 객체 검출 성능을 향상시켜, YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠릅니다. 통합 Ultralytics API 덕분에 Ultralytics YOLOv8과 같은 이전 모델을 사용하던 팀도 코드 변경을 최소화해 YOLO26 또는 YOLO11로 전환할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.