YOLOv9과 YOLO26
실시간 객체 검출 분야는 지난 몇 년간 크게 발전했습니다. ML 실무자들이 다양한 하드웨어에 모델을 배포하고자 하는 가운데, 적합한 아키텍처를 선택하는 일이 중요합니다. 이 기술 가이드에서는 컴퓨터 비전 분야의 주요 이정표 두 가지를 비교합니다. 2024년 초 경로 그래디언트 최적화에 중점을 두고 등장한 YOLOv9과 엣지 추론 및 학습 안정성에 중점을 두고 2026년 1월 출시된 최신 Ultralytics 모델 Ultralytics YOLO26입니다.
요약: 모델 계보와 개발자#
이러한 딥러닝 모델의 기원을 이해하면 아키텍처 설계 선택과 대상 사용자에 관한 중요한 맥락을 파악할 수 있습니다.
YOLOv9#
대만 Academia Sinica 정보과학연구소의 Chien-Yao Wang과 Hong-Yuan Mark Liao가 개발한 YOLOv9은 2024년 2월 21일에 출시되었습니다. 이 모델은 이론적 딥러닝 개념에 중점을 두며, 특히 심층 합성곱 신경망(CNN)의 정보 병목 문제를 다룹니다.
Ultralytics YOLO26#
Ultralytics의 Glenn Jocher와 Jing Qiu가 개발한 YOLO26은 2026년 1월 14일에 출시되었습니다. YOLO11, YOLOv8과 같은 이전 모델을 기반으로, 프로덕션 준비도, 엣지 배포, 기본 엔드투엔드 효율성을 우선시하도록 처음부터 설계되었습니다.
컴퓨터 비전 파이프라인을 업그레이드할 준비가 되셨나요? Ultralytics Platform을 사용하면 코드를 작성하지 않고도 클라우드에서 YOLO26 모델을 손쉽게 학습하고 배포할 수 있습니다.
아키텍처 혁신#
두 모델 모두 신경망의 시각 데이터 처리 방식에 중대한 변화를 가져왔지만, 서로 다른 관점으로 문제에 접근합니다.
YOLOv9의 프로그래밍 가능한 그래디언트 정보#
YOLOv9의 주요 기여는 프로그래밍 가능한 그래디언트 정보(PGI)와 일반화된 효율적 계층 집계 네트워크(GELAN)의 도입입니다. 신경망이 깊어지면 순전파 과정에서 정보 손실이 발생하는 경우가 많습니다. PGI는 역전파 중 가중치를 업데이트하는 데 사용되는 그래디언트가 정확하고 신뢰할 수 있도록 하며, GELAN 아키텍처는 더 적은 매개변수로 높은 정확도를 달성합니다.
그러나 YOLOv9은 후처리에 기존 비최대 억제(NMS)를 사용하므로 실제 추론 시 지연 시간 병목이 발생할 수 있습니다.
YOLO26의 엣지 우선 아키텍처#
YOLO26은 학습부터 실시간 배포까지 전체 파이프라인을 최적화하는 엣지 우선 설계를 바탕으로 다른 접근 방식을 취합니다. YOLO26은 엔드투엔드 NMS 미사용 설계를 기반으로 하며, YOLOv10이 YOLO 모델에 도입한 이 설계에서는 NMS 후처리가 필요하지 않습니다. 이로 인해 지연 시간이 줄어들며, YOLO26은 Raspberry Pi나 NVIDIA Jetson과 같은 엣지 디바이스에 적합합니다.
YOLO26은 Distribution Focal Loss(DFL)도 제거합니다. 이 구조적 변화로 모델을 ONNX로 내보내기가 간편해지고 저전력 엣지 디바이스와의 호환성이 향상됩니다.
학습 단계에서 YOLO26은 MuSGD 옵티마이저를 통합합니다. 이는 확률적 경사 하강법과 Muon의 하이브리드로, Moonshot AI의 Kimi K2 LLM 학습 방법론에서 영감을 받았습니다. 이를 통해 대규모 언어 모델(LLM) 학습의 혁신을 컴퓨터 비전에 적용하여 더 안정적인 학습과 빠른 수렴을 제공합니다.
성능 및 지표 비교#
널리 사용되는 COCO 데이터셋에서 벤치마크를 수행하면 두 모델 모두 우수한 성능을 보이지만, 비슷한 매개변수 수를 유지하면서 YOLO26이 모든 규모에서 정확도와 T4 추론 속도 면에서 앞섭니다.
| 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
결과 분석#
- 속도 및 효율성: YOLO26은 NMS 프리 아키텍처와 간소화된 검출 헤드를 사용하므로 YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠릅니다. YOLO26n 모델은 TensorRT를 사용해 NVIDIA T4 GPU에서 1.7ms 만에 실행되므로 실시간 비디오 스트림에 적합합니다.
- 정확도: YOLO26x 모델은 57.5 mAP를 달성해 가장 큰 YOLOv9e 모델보다 우수한 성능을 보이면서 지연 시간은 더 낮게 유지합니다.
- 메모리 요구 사항: Ultralytics 모델은 효율성이 뛰어난 것으로 알려져 있습니다. YOLO26은 복잡한 Transformer 기반 비전 모델보다 모델 학습과 추론 시 CUDA 메모리를 훨씬 적게 사용하므로 개발자는 소비자용 하드웨어에서 더 큰 배치 크기를 사용할 수 있습니다.
생태계, 사용 편의성, 활용성#
Ultralytics 에코시스템의 주요 강점은 사용자 경험입니다. YOLOv9 GitHub 코드베이스를 사용하는 연구자는 복잡한 환경 설정과 수동 스크립트 작성 과정을 거쳐야 하지만, YOLO26은 직관적인 Ultralytics Python API에 완전히 통합되어 있습니다.
간소화된 API 예제#
YOLO26 모델을 학습하는 데 필요한 것은 Python 코드 몇 줄뿐입니다.
from ultralytics import YOLO
# 최신 기본 엔드투엔드 YOLO26 모델을 로드합니다.
model = YOLO("yolo26s.pt")
# 모델을 학습합니다. optimizer="auto"는 장시간 실행(>10k 반복) 시 MuSGD를 선택합니다.
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 단일 명령으로 ONNX 형식으로 기본 내보내기를 수행합니다.
model.export(format="onnx")작업 범용성#
표준 객체 검출에 주로 맞춰진 YOLOv9과 달리, YOLO26은 시맨틱 분할과 깊이 추정을 포함한 Ultralytics의 컴퓨터 비전 작업 7가지를 모두 기본 지원합니다. 아키텍처에는 다양한 애플리케이션을 위한 다음과 같은 개선 사항이 포함됩니다.
- 인스턴스 분할: 시맨틱 분할 손실과 다중 스케일 프로토 모듈을 추가해 마스크 품질을 높입니다.
- 이미지 분류: ImageNet 표준에 기반해 이미지 전체를 안정적으로 분류합니다.
- 포즈 추정: 잔차 로그 가능도 추정(RLE)을 통합해 키포인트 위치를 더 정확하게 찾습니다.
- 방향 바운딩 박스(OBB): 항공 이미지에서 회전 객체를 검출할 때 발생하는 경계 문제를 해결하도록 설계된 전용 각도 손실을 포함합니다.
모든 YOLO26 모델은 Ultralytics Platform과 통합되어 있으며, 내장된 데이터셋 어노테이션, 클라우드 학습, 배포 파이프라인을 제공합니다.
실제 애플리케이션#
이러한 모델 중 무엇을 선택할지는 배포 환경에 따라 달라지는 경우가 많습니다.
IoT 및 엣지 로보틱스#
로보틱스, 자율 드론, 스마트 홈 IoT 디바이스에는 YOLO26이 더 적합합니다. ProgLoss + STAL은 고고도 드론을 이용한 농업 모니터링에 중요한 소형 객체 검출 성능을 향상시킵니다. 최대 43% 빠른 CPU 추론(YOLO26n과 YOLO11n 비교)과 NMS 프리 설계를 결합한 YOLO26은 전용 GPU가 없는 하드웨어에서도 원활하게 실행됩니다.
학술 연구 및 그래디언트 분석#
YOLOv9은 학계에서 여전히 높이 평가받는 모델입니다. 그래디언트 흐름의 이론적 한계를 연구하거나 PGI 개념에 기반한 커스텀 PyTorch 레이어를 만들려는 연구자에게 YOLOv9 코드베이스는 딥러닝 이론을 탐구하기 위한 좋은 기반이 됩니다.
고속 제조 파이프라인#
고속 컨베이어 벨트에서 자동으로 결함을 검출하는 산업 환경에서는 YOLO26 모델의 빠른 TensorRT 속도가 프레임 누락을 방지해 품질 보증 시스템의 처리량을 극대화합니다.
사용 사례 및 권장 사항#
YOLOv9과 YOLO26 중 무엇을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약, 생태계 선호도에 따라 달라집니다.
YOLOv9을 선택해야 하는 경우#
YOLOv9은 다음과 같은 경우에 적합합니다.
- 정보 병목 연구: 프로그래밍 가능한 그래디언트 정보(PGI) 및 일반화된 효율적 계층 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트입니다.
- 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 계층의 정보 손실을 이해하고 완화하는 데 초점을 둔 연구입니다.
- 고정확도 탐지 벤치마킹: 아키텍처 비교의 기준점으로 YOLOv9의 우수한 COCO 벤치마크 성능이 필요한 시나리오입니다.
YOLO26을 선택해야 하는 경우#
YOLO26은 다음과 같은 경우에 권장됩니다:
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 장치에서는 YOLO26의 최대 43% 빠른 CPU 추론(YOLO26n 대 YOLO11n)이 결정적인 이점을 제공합니다.
- 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.
결론#
두 모델 모두 오픈 소스 커뮤니티의 중요한 발전을 나타냅니다. YOLOv9은 그래디언트 흐름에 관한 중요한 이론적 개선을 도입했으며, 이는 새로운 아키텍처에도 계속 영향을 주고 있습니다. 하지만 속도, 정확도, 배포 편의성의 균형을 원하는 개발자, 스타트업, 엔터프라이즈 팀에는 Ultralytics YOLO26을 확실히 권장합니다.
NMS 프리 추론, MuSGD 옵티마이저, 검출·분할·포즈 추정 등을 아우르는 도구를 갖춘 YOLO26은 컴퓨터 비전 프로젝트에 신뢰할 수 있고 지원이 잘되는 기반을 제공합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.