YOLOv9와 YOLO11#
컴퓨터 비전의 빠른 발전은 실시간 객체 감지에서 가능한 것의 한계를 지속적으로 확장해 왔습니다. 주요 아키텍처를 비교할 때 YOLOv9와 **Ultralytics YOLO11**은 각각 서로 다른 기술적 요구 사항을 충족하면서도 획기적인 도약을 이룬 모델로 두드러집니다. YOLOv9은 심층 네트워크 학습 중 그래디언트 흐름을 보존하는 새로운 방법을 도입했으며, YOLO11은 탁월한 효율성, 범용성, 사용 편의성을 바탕으로 범용 비전 생태계를 혁신했습니다.
이 종합적인 기술 비교에서는 아키텍처, 성능 지표, 메모리 요구 사항 및 적합한 배포 시나리오를 분석하여 다음 AI 프로젝트에 가장 적합한 모델을 선택할 수 있도록 지원합니다.
YOLOv9과 YOLO11도 뛰어난 모델이지만, 새롭게 출시된 YOLO26은 한 단계 더 발전한 모델입니다. YOLO26은 배포를 간소화하는 엔드투엔드 NMS 없는 설계, 최대 43% 더 빠른 CPU 추론 속도, 빠른 수렴을 지원하는 혁신적인 MuSGD 옵티마이저를 제공합니다. 새롭게 시작하는 모든 프로덕션 프로젝트에는 YOLO26을 적극 권장합니다.
기술 사양 및 저자 정보#
이러한 모델의 계보를 이해하면 아키텍처 결정과 프레임워크 종속성에 대한 중요한 맥락을 파악할 수 있습니다.
YOLOv9#
YOLOv9은 딥러닝의 정보 병목 현상에 학술적으로 중점을 두었으며, 사용자 정의 네트워크 블록을 통해 최대한의 특징 충실도를 확보하는 데 우선순위를 두었습니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 기관: Academia Sinica 정보과학연구소
- 날짜: 2024년 2월 21일
- Arxiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
Ultralytics YOLO11#
YOLO11은 처음부터 프로덕션 환경을 위해 설계되었으며, 최고 수준의 정확도, 실제 배포 속도 및 멀티태스크 범용성의 균형에 중점을 둡니다.
- 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 레이어 집계 네트워크(GELAN)와 함께 프로그래밍 가능한 그래디언트 정보(PGI) 개념을 도입합니다. 신경망이 깊어질수록 피드 포워드 과정에서 중요한 세부 정보가 손실되는 정보 병목 현상이 발생하는 경우가 많습니다. PGI는 세밀한 공간 정보를 유지하는 신뢰할 수 있는 그래디언트 업데이트를 제공하여 이 문제를 해결하며, GELAN은 파라미터 효율성을 극대화합니다. 따라서 YOLOv9은 높은 특징 충실도가 필요한 작업에 특히 적합하지만, 후처리 단계에서 표준 비최대 억제(NMS)에 의존하므로 엣지 디바이스에서 지연 시간이 발생할 수 있습니다.
YOLO11의 간소화된 효율성#
YOLO11은 수년에 걸친 기초 연구를 바탕으로 고도로 최적화된 아키텍처를 제공합니다. 이전 버전보다 연산 오버헤드를 줄이는 동시에 특징 추출을 극대화하여 성능을 향상했습니다. CPU 성능을 저해하는 기존 NMS 파이프라인과 달리, YOLO11은 지연 시간과 정밀도 사이에서 놀라운 균형을 달성하는 개선된 검출 헤드를 사용합니다. 또한 YOLO11은 학습 속도가 느리고 막대한 CUDA 메모리가 필요한 경우가 많은 대형 Transformer 모델에 비해 모델 학습과 추론 모두에서 본질적으로 더 적은 메모리를 사용합니다.
성능 지표 비교#
표준 COCO 데이터셋에서 이러한 모델을 비교하면 두 모델 모두 뛰어난 성능을 보여 주지만, 파라미터 수와 실제 운영 속도 사이에 상충 관계가 나타납니다.
다음은 YOLO 성능 지표에 대한 상세한 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 속도에서 YOLOv9을 일관되게 능가합니다. 예를 들어 YOLO11n은 TensorRT를 사용한 NVIDIA T4 GPU에서 놀라운 1.5ms를 달성하므로, 엄격한 실시간 파이프라인에 매우 적합합니다.
- 컴퓨팅 요구 사항: YOLO11 모델은 일반적으로 더 적은 FLOPs를 요구합니다(예: YOLO11m은 68.0B, YOLOv9m은 76.3B). 이는 Raspberry Pi와 같은 배터리로 작동하는 엣지 디바이스나 모바일 하드웨어에서 더 낮은 전력 소비로 이어집니다.
- 정확도 동등성: YOLOv9e가 절대 mAP에서는 YOLO11x를 약간 앞서지만(55.6 대 54.7), YOLO11은 훨씬 더 짧은 지연 시간으로 최고 정확도에 도달합니다(11.3ms 대 16.77ms). 이는 실제 배포에 더 유리한 성능 균형을 보여 줍니다.
생태계 및 사용 편의성#
원시 지표도 중요하지만, 프레임워크 생태계가 프로젝트의 성공을 좌우하는 경우가 많습니다. 바로 이 지점에서 Ultralytics의 강점이 진정으로 돋보입니다.
기존 YOLOv9 리포지토리는 최첨단 연구 구현을 제공하는 고도로 전문화된 도구입니다. 그러나 Ultralytics Platform과 해당 오픈 소스 패키지는 간소화된 사용자 경험, 간단한 API 및 광범위한 문서를 제공하여 출시까지 걸리는 시간을 크게 단축합니다.
멀티태스크 활용성#
YOLOv9은 주로 바운딩 박스 감지에 중점을 둡니다. 반면 YOLO11은 다음 기능을 기본적으로 지원하는 통합 멀티태스크 강력 모델입니다:
원활한 배포#
Ultralytics 생태계를 사용하면 한 줄의 Python 코드만으로 다양한 형식으로 모델을 내보낼 수 있습니다. ONNX, OpenVINO, TFLite 또는 CoreML을 대상으로 하더라도 학습에서 프로덕션으로의 전환이 원활합니다.
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#
YOLOv9을 활용할 시기#
YOLOv9은 연구 중심 환경이나 하드웨어 지연 시간이 주요 제약 조건이 아닌 상황에서 극도의 특징 충실도를 우선시하는 데 탁월한 도구입니다. GELAN 아키텍처는 가장 작은 픽셀 변화도 감지하는 것이 중요한 의료 영상 분석에서 매우 유리할 수 있습니다.
YOLO11이 탁월한 선택인 이유#
개발자, 엔지니어 및 프로덕션 팀에는 YOLO11을 적극 권장합니다. YOLO11은 고속의 확장 가능한 배포가 필요한 환경에서 뛰어난 성능을 발휘합니다:
- 스마트 리테일 분석: 표준 Intel 프로세서를 사용하여 제품과 고객을 원활하게 추적합니다.
- 자율 드론: 낮은 FLOP 아키텍처를 통해 배터리 수명을 보존하면서도 소형 객체를 강력하게 감지합니다.
- 동적 프로젝트: 감지로 시작한 후 나중에 포즈 추정이나 세그멘테이션이 필요하도록 발전할 수 있는 워크플로입니다.
미래 전망: 다음 단계의 진화#
YOLO11은 해당 세대의 최신 기술을 대표하지만, 컴퓨터 비전 분야는 계속 발전하고 있습니다. AI의 한계를 탐구하는 사용자는 **YOLO26**도 검토해야 합니다.
YOLOv10에서 처음 탐구된 엔드투엔드 NMS 없는 설계를 개척한 YOLO26은 전례 없는 학습 안정성을 제공하는 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)를 도입합니다. 내보내기를 간소화하기 위해 분포 초점 손실(DFL)을 제거하고 ProgLoss 및 STAL과 같은 고급 손실 메커니즘을 적용하여 YOLO26은 최대 43% 더 빠른 CPU 추론을 달성합니다. 최신 프로젝트에서 YOLO26은 학술적 혁신과 프로덕션 수준의 신뢰성을 결합한 궁극적인 솔루션을 제공합니다. 또한 Ultralytics YOLOv8과 같은 레거시 시스템에서 업그레이드하는 팀은 통합 Ultralytics API 덕분에 YOLO26 또는 YOLO11로 원활하게 전환할 수 있습니다.