YOLOv9과 YOLO11#

컴퓨터 비전은 빠르게 발전하며 실시간 객체 감지의 가능성을 지속적으로 확장해 왔습니다. 주요 아키텍처를 비교할 때 YOLOv9과 Ultralytics YOLO11은 각각 서로 다른 기술적 요구를 충족하는 중요한 도약으로 주목받습니다. YOLOv9은 심층 네트워크 학습 중 그래디언트 흐름을 보존하는 새로운 방법을 선보였으며, YOLO11은 탁월한 효율성, 활용성, 사용 편의성으로 범용 비전 생태계를 혁신했습니다.

이 종합 기술 비교에서는 아키텍처, 성능 지표, 메모리 요구 사항, 이상적인 배포 시나리오를 분석하여 다음 AI 프로젝트에 적합한 모델을 선택할 수 있도록 돕습니다.

기술 사양 및 개발 주체#

이 모델들의 계보를 이해하면 아키텍처 설계와 프레임워크 의존성을 파악하는 데 필요한 맥락을 얻을 수 있습니다.

YOLOv9#

YOLOv9은 딥러닝의 정보 병목에 학문적으로 깊이 접근했으며, 맞춤형 네트워크 블록을 통해 특징 충실도를 극대화하는 데 크게 중점을 두었습니다.

• 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

YOLOv9에 대해 자세히 알아보기

Ultralytics YOLO11#

YOLO11은 프로덕션 환경에 맞춰 처음부터 설계되었으며, 최고 수준의 정확도, 실제 환경에서의 배포 속도, 멀티태스크 활용성 간의 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 프로그래밍 가능한 그래디언트 정보(PGI) 개념과 함께 일반화된 효율적 레이어 집계 네트워크(GELAN)를 도입합니다. 신경망이 깊어지면 순전파 과정에서 중요한 세부 정보가 손실되는 정보 병목이 자주 발생합니다. PGI는 세밀한 공간 정보를 보존하는 신뢰할 수 있는 그래디언트 업데이트를 제공하여 이 문제를 해결하고, GELAN은 파라미터 효율성을 극대화합니다. 따라서 YOLOv9은 높은 특징 충실도가 필요한 태스크에 특히 적합하지만, 후처리에서 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. 연산 오버헤드를 줄이면서 특징 추출을 극대화해 이전 버전을 개선했습니다. YOLO11은 표준 NMS 후처리를 계속 사용하지만, 개선된 감지 헤드를 통해 지연 시간과 정밀도 간의 놀라운 균형을 달성합니다. 또한 학습 속도가 느리고 대량의 CUDA 메모리가 필요한 대형 Transformer 모델에 비해 모델 학습과 추론 중 메모리 사용량이 본질적으로 더 적습니다.

성능 지표 비교#

표준 COCO 데이터셋에서 이 모델들을 비교하면 모두 뛰어난 역량을 보여주지만, 파라미터 수와 실제 실행 속도 사이에 절충점이 나타납니다.

아래에서 YOLO 성능 지표를 자세히 살펴봅니다.

결과 분석#

1. 속도와 하드웨어 효율성: YOLO11은 추론 속도에서 YOLOv9보다 일관되게 뛰어난 성능을 보입니다. 예를 들어 YOLO11n은 TensorRT를 사용해 NVIDIA T4 GPU에서 놀라운 1.5ms를 기록하므로 엄격한 실시간 파이프라인에도 매우 적합합니다.
2. 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.
3. 비슷한 정확도: YOLOv9e는 절대 mAP 기준으로 YOLO11x보다 약간 앞서지만(55.6 대 54.7), YOLO11은 훨씬 짧은 지연 시간으로 최고 정확도에 도달합니다(11.3ms 대 16.77ms). 이는 실제 배포에서 더 유리한 성능 균형을 보여줍니다.

생태계와 사용 편의성#

절대적인 성능 지표도 중요하지만, 프로젝트의 성공은 프레임워크 생태계에 좌우되는 경우가 많습니다. Ultralytics의 강점이 특히 두드러지는 부분입니다.

기존 YOLOv9 저장소는 고도로 전문화되어 최첨단 연구 구현을 제공합니다. 하지만 Ultralytics Platform과 관련 오픈 소스 패키지는 간소화된 사용자 경험, 간단한 API, 광범위한 문서를 제공하여 시장 출시 시간을 크게 단축합니다.

멀티태스크 활용성#

YOLOv9은 주로 경계 상자 감지에 중점을 둡니다. 반면 YOLO11은 다음을 기본 지원하는 통합형 멀티태스크 모델입니다.

• 인스턴스 분할
• 자세 추정
• 방향성 경계 상자(OBB)
• 이미지 분류

원활한 배포#

Ultralytics 생태계를 사용하면 개발자는 한 줄의 Python 코드만으로 다양한 형식으로 모델을 내보낼 수 있습니다. ONNX, OpenVINO, LiteRT, CoreML 중 어느 형식을 대상으로 하든 학습부터 프로덕션까지 원활하게 전환할 수 있습니다.

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 활용할 시기#

YOLOv9은 연구 중심 환경이나 하드웨어 지연 시간이 주요 제약이 아닌 상황에서 특징 충실도를 극대화하려는 경우 유용한 도구입니다. GELAN 아키텍처는 가장 작은 픽셀 변화까지 감지하는 것이 중요한 의료 영상 분석에서 큰 이점을 제공할 수 있습니다.

YOLO11이 더 나은 선택인 이유#

개발자, 엔지니어, 프로덕션 팀에는 YOLO11을 적극 권장합니다. YOLO11은 고속의 확장 가능한 배포가 필요한 환경에서 뛰어난 성능을 발휘합니다.

• 스마트 리테일 분석: 표준 Intel 프로세서를 사용해 제품과 고객을 원활하게 추적합니다.
• 자율 드론: FLOPs가 적은 아키텍처가 배터리 수명을 보존하면서도 강력한 소형 객체 감지 성능을 제공합니다.
• 변화하는 프로젝트: 객체 감지로 시작해 추후 포즈 추정이나 세그멘테이션이 필요해질 수 있는 워크플로입니다.

향후 전망: 다음 진화#

YOLO11은 해당 세대의 최첨단 모델이지만 컴퓨터 비전 분야는 계속 발전하고 있습니다. AI의 가능성을 탐구하는 사용자는 YOLO26도 살펴보아야 합니다.

YOLOv10에서 처음 탐구된 엔드투엔드 NMS 없는 설계를 선도적으로 발전시킨 YOLO26은 전례 없는 학습 안정성을 위해 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)를 도입합니다. 내보내기를 간소화하기 위해 Distribution Focal Loss(DFL)를 제거하고 ProgLoss와 STAL 같은 고급 손실 메커니즘을 적용하여 CPU 추론 속도를 최대 43% 높였습니다. 현대적인 프로젝트에 YOLO26은 학술적 혁신과 프로덕션에 적합한 신뢰성을 최적으로 결합해 제공합니다. 또한 Ultralytics YOLOv8과 같은 기존 시스템에서 업그레이드하는 팀은 통합 Ultralytics API 덕분에 YOLO26 또는 YOLO11으로 원활하게 전환할 수 있습니다.