YOLOv9 vs YOLO11: 기술 비교
실시간 객체 감지 분야는 끊임없이 진화하고 있으며, 새로운 모델이 가능한 것의 경계를 넓히고 있습니다. 이 페이지에서는 강력한 두 경쟁자인 아키텍처 혁신으로 알려진 YOLOv9와 Ultralytics의 최신 최첨단 모델인 Ultralytics YOLO11 간의 심층적인 기술 비교를 제공합니다. 컴퓨터 비전 프로젝트에 가장 적합한 모델을 선택하는 데 도움이 되도록 아키텍처, 성능 지표 및 이상적인 사용 사례를 분석합니다.
YOLOv9: 새로운 아키텍처를 통한 정확도 향상
YOLOv9는 객체 감지 분야에서 상당한 진전으로 소개되었으며, 심층 신경망에서 정보 손실 문제를 해결하는 데 주로 중점을 둡니다. YOLOv9의 새로운 아키텍처 구성 요소는 모델 전체에서 더 많은 데이터를 보존하여 더 높은 정확도를 달성하는 것을 목표로 합니다.
기술 세부 사항:
- 저자: Chien-Yao Wang, Hong-Yuan Mark Liao
- 조직: Institute of Information Science, Academia Sinica, Taiwan
- 날짜: 2024-02-21
- Arxiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
- 문서: https://docs.ultralytics.com/models/yolov9/
아키텍처 및 주요 기능
YOLOv9의 핵심 혁신은 PGI(Programmable Gradient Information)와 GELAN(Generalized Efficient Layer Aggregation Network)입니다. PGI는 손실 함수에 완전한 입력 정보를 제공하도록 설계되어 매우 깊은 네트워크에서 성능을 저하시킬 수 있는 정보 병목 현상 문제를 완화합니다. GELAN은 파라미터 활용률과 계산 효율성을 최적화하는 가볍고 효율적인 네트워크 아키텍처입니다. 이러한 기능이 결합되어 YOLOv9는 COCO와 같은 데이터 세트에서 높은 정확도 벤치마크를 설정할 수 있습니다.
강점
- 높은 정확도: COCO 데이터 세트에서 최첨단 결과를 달성하며, 가장 큰 모델인 YOLOv9-E는 높은 mAP에 도달합니다.
- 정보 보존: PGI는 깊고 복잡한 모델을 훈련하는 데 중요한 정보 병목 현상 문제를 효과적으로 해결합니다.
- 효율적인 설계: GELAN 아키텍처는 뛰어난 정확도-파라미터 비율을 제공합니다.
약점
- 작업 다양성: 원본 YOLOv9 연구는 주로 객체 탐지에 중점을 둡니다. Ultralytics 모델에서 표준으로 제공되는 인스턴스 분할, 포즈 추정 및 분류와 같은 다른 작업에 대한 기본 통합 지원이 부족합니다.
- 생태계 및 사용성: 별도의 연구 그룹의 모델이므로 생태계가 덜 성숙합니다. 프로덕션 워크플로로의 통합이 더 복잡할 수 있으며 Ultralytics에서 제공하는 간소화된 사용자 경험, 광범위한 설명서 및 활발한 커뮤니티 지원이 부족합니다.
- 학습 리소스: 해당 문서에 언급된 바와 같이 YOLOv9 학습은 Ultralytics의 모델과 같이 고도로 최적화된 모델에 비해 더 많은 리소스와 시간이 소요될 수 있습니다.
Ultralytics YOLO11: 최고의 성능과 사용 편의성
Ultralytics YOLO11은 Ultralytics의 최신 주력 모델로, 속도, 정확성 및 다재다능성의 뛰어난 균형을 제공하도록 설계되었습니다. YOLOv8과 같은 이전 모델의 성공을 기반으로 하는 YOLO11은 광범위한 실제 애플리케이션을 위해 설계되었으며 다양한 하드웨어 플랫폼에서 사용 및 배포가 용이하도록 최적화되었습니다.
기술 세부 사항:
- 저자: Glenn Jocher, Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: https://docs.ultralytics.com/models/yolo11/
아키텍처 및 주요 기능
YOLO11은 고급 특징 추출 및 간소화된 네트워크 설계를 통합하여 이전 Ultralytics 모델의 입증된 아키텍처를 개선합니다. 그 결과 더 적은 파라미터와 계산 요구 사항으로 더 높은 정확도를 얻을 수 있습니다. YOLO11의 주요 장점은 성능뿐만 아니라 포괄적인 Ultralytics 생태계에 통합된다는 점입니다. 이는 다음과 같은 몇 가지 주요 이점을 제공합니다.
- 사용 편의성: 간단하고 직관적인 Python API 및 CLI를 통해 초보자와 전문가 모두 모델을 쉽게 학습, 검증 및 배포할 수 있습니다.
- 잘 관리되는 에코시스템: YOLO11은 활발한 개발, 잦은 업데이트, 그리고 강력한 커뮤니티 지원에 의해 뒷받침됩니다. 이는 노코드 학습 및 MLOps를 위한 Ultralytics HUB와 같은 도구와 원활하게 통합됩니다.
- 다양성: YOLO11은 단일 통합 프레임워크 내에서 객체 탐지, 인스턴스 분할, 이미지 분류, 포즈 추정 및 OBB(Oriented Bounding Box)를 지원하는 멀티태스크 모델입니다.
- 학습 및 메모리 효율성: YOLO11은 효율적인 학습에 매우 최적화되어 있으며 즉시 사용 가능한 사전 훈련된 가중치가 있습니다. 일반적으로 다른 모델 유형, 특히 대규모 트랜스포머 기반 모델에 비해 학습 및 추론에 필요한 메모리가 더 적습니다.
강점
- 뛰어난 성능 균형: 속도와 정확도 간의 우수한 균형을 제공하므로 실시간 추론에 이상적입니다.
- 다중 작업 지원: 단일 모델로 다양한 컴퓨터 비전 작업을 처리할 수 있어 유용성이 향상되고 개발 복잡성이 줄어듭니다.
- 하드웨어 최적화: CPU와 GPU 모두에서 뛰어난 성능을 제공하며 엣지 장치에서 클라우드 서버에 이르기까지 다양한 하드웨어에 배포하도록 최적화되었습니다.
- 견고하고 성숙함: 수년간의 연구 개발을 통해 얻은 이점으로, 생산 환경의 안정성과 신뢰성을 보장합니다.
약점
- 단일 단계 검출기인 YOLO는 일부 특화된 2단계 검출기에 비해 매우 작거나 혼잡한 객체에 대한 문제점이 있을 수 있습니다.
- 가장 큰 YOLO11 모델은 효율적이지만 최대 성능을 위해 여전히 상당한 컴퓨팅 성능이 필요합니다.
성능 비교: YOLOv9 vs. YOLO11
성능을 비교할 때 두 모델 모두 매우 유능하다는 것을 알 수 있습니다. YOLOv9-E는 COCO 데이터 세트에서 가장 높은 mAP를 달성하지만 이는 더 높은 대기 시간이라는 비용이 따릅니다. 대조적으로 Ultralytics YOLO11 제품군은 보다 균형 잡히고 실용적인 범위의 옵션을 제공합니다. 예를 들어 YOLO11l은 YOLOv9c와 비슷한 mAP를 달성하지만 GPU 추론 속도가 더 빠릅니다. 또한 YOLO11n 및 YOLO11s와 같은 더 작은 모델은 뛰어난 실시간 성능을 제공하므로 리소스가 제한된 애플리케이션에 훨씬 더 적합합니다.
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 |
이상적인 사용 사례
YOLOv9
YOLOv9은 절대적으로 최대 감지 정확도를 달성하는 것이 주요 목표이고 사용 편의성, 다중 작업 기능 및 훈련 시간과 같은 요소가 부차적인 연구 중심 프로젝트 또는 애플리케이션에 가장 적합합니다.
Ultralytics YOLO11
YOLO11은 신속한 프로토타입 제작에서 대규모 프로덕션 배포에 이르기까지 광범위한 실제 애플리케이션에 이상적인 선택입니다. 성능, 다재다능성 및 사용 편의성의 조합은 뛰어난 올라운드 솔루션입니다.
- 스마트 시티: 실시간 교통 관리 및 공공 안전 모니터링.
- 산업 자동화: 생산 라인에서 품질 관리 및 결함 감지.
- 소매 분석: 재고 관리 및 고객 행동 분석.
- 농업: 작물 건강 모니터링 및 자동 수확.
결론: YOLO11이 권장되는 이유
YOLOv9도 중요한 학문적 개념을 도입한 훌륭한 모델이지만, Ultralytics YOLO11은 개발자와 연구자에게 더욱 실용적이고 강력하며 다재다능한 선택으로 돋보입니다.
YOLOv9는 순수한 정확도에 중점을 둔 점이 인상적이지만, YOLO11은 훨씬 뛰어난 사용자 경험, 멀티태스킹 기능 및 강력하고 잘 지원되는 생태계를 제공하면서 매우 경쟁력 있는 성능을 제공합니다. 개념에서 생산으로 효율적으로 전환해야 하는 프로젝트의 경우 YOLO11의 간소화된 워크플로, 광범위한 문서 및 활성 커뮤니티가 비교할 수 없는 이점을 제공합니다. 속도와 정확도에 대한 균형 잡힌 접근 방식을 통해 경량 에지 장치에서 강력한 클라우드 서버에 이르기까지 모든 애플리케이션에 적합한 모델을 찾을 수 있습니다.
이러한 이유로 Ultralytics YOLO11은 차세대 AI 기반 컴퓨터 비전 솔루션 구축을 위한 확실한 선택입니다.
다른 모델 살펴보기
YOLO11과 YOLOv9이 다른 모델과 비교하여 어떠한지 궁금하시다면, 다른 비교 페이지를 확인해 보세요. YOLOv10 및 RT-DETR과 같은 모델은 특정 요구 사항에 따라 성능 및 아키텍처 측면에서 다양한 장단점을 제공합니다. 전체적인 개요는 메인 모델 비교 페이지를 참조하세요.