YOLOv9 YOLO26: 실시간 객체 탐지의 진화
컴퓨터 비전 분야의 급속한 발전 속에서, 성능, 효율성, 배포 용이성 간의 균형을 맞추기 위해서는 올바른 모델 아키텍처 선택이 매우 중요합니다. 본 비교는 YOLOv9와 2026년 1월 Ultralytics 최신 최첨단 버전인 YOLO26 간의 기술적 차이점을 살펴봅니다. 두 모델 모두 YOLO 중요한 이정표를 나타내지만, 속도, 훈련 안정성, 배포 복잡성 측면에서 서로 다른 요구 사항을 충족시킵니다.
모델 개요 및 저작권
이러한 아키텍처의 계보를 이해하는 것은 그들의 설계 철학에 대한 맥락을 제공한다.
YOLOv9: 프로그래밍 가능한 그래디언트 정보
저자: 왕젠야오(Chien-Yao Wang), 마크 리아오홍위안(Hong-Yuan Mark Liao)
소속기관:중앙연구원 정보과학연구원
날짜: 2024-02-21
링크:Arxiv 논문 | GitHub 저장소
YOLOv9 프로그래머블 그라디언트 정보(PGI) 와 일반화된 효율적 레이어 집계 네트워크(GELAN) 개념을 YOLOv9 . 이러한 혁신은 딥 뉴럴 네트워크에서 데이터가 연속적인 레이어를 통과하면서 손실되는 '정보 병목 현상' 문제를 해결했습니다. PGI는 핵심 특징 정보가 딥 네트워크 전반에 걸쳐 보존되도록 하여, 특히 복잡한 장면에서 높은 정확도의 탐지가 가능하게 합니다.
YOLO26: 엔드투엔드 엣지 전문가
저자: Glenn Jocher, Jing Qiu
소속:Ultralytics
날짜: 2026-01-14
링크:공식 문서 | GitHub 저장소
YOLOv8의 유산을 바탕으로 YOLOv8 과 YOLO11의 유산을 바탕으로, YOLO26은 단순화되고 고속화된 배포를 향한 전환을 나타냅니다. 본래부터 엔드투엔드 NMSNon-Maximum Suppression ) NMS 필요 없어, 후처리 단계에서 NMS를 수행할 필요가 없습니다. 이러한 설계 선택과 함께 DFL(Distribution Focal Loss)을 제거함으로써, YOLO26은 CPU 에지 디바이스에서 매우 빠른 성능을 발휘합니다. 또한 안정적인 수렴을 보장하기 위해 SGD (Muon, LLM 훈련에서 영감을 얻음)의 하이브리드인 MuSGD 최적화기를 최초로 도입했습니다.
성능 및 지표 비교
다음 표는 COCO 데이터셋에서 표준 모델들의 성능을 비교한 것입니다. YOLO26이 CPU 보여주는 상당한 속도 우위는 아키텍처 최적화의 결과임을 주목하십시오.
| 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
성능 분석
YOLO26은 지연 시간과 연산 효율성 측면에서 뚜렷한 우위를 보여줍니다. 예를 들어, YOLO26n은 YOLOv9t(38.3%)보다 높은 mAP 40.9%)를 달성하면서도 훨씬 적은 FLOPs(54억 vs 77억)를 사용합니다. 이러한 효율성은 배터리로 구동되는 에지 장치에서 실행되는 애플리케이션에 매우 중요합니다.
심층적인 아키텍처 분석
YOLOv9
YOLOv9 정보 흐름 유지에 YOLOv9 . GELAN 백본은 CSPNet(경사 경로 계획)과 ELAN(추론 속도)의 장점을 결합하여 가볍지만 강력한 특징 추출기를 구현합니다. PGI 보조 분기는 훈련 중 더 깊은 계층에 신뢰할 수 있는 경사 정보를 제공하며, 추론 시에는 제거되어 모델의 가벼움을 유지합니다.
- 장점: 까다로운 벤치마크에서 탁월한 정확도; 복잡한 장면에 대한 우수한 정보 유지력.
- 단점: NMS 필요; 비표준 작업에 대한 아키텍처 수정 복잡성; 동등한 처리량 대비 최신 세대에 비해 높은 계산 부하.
YOLO26 아키텍처
YOLO26은 추론 속도와 배포 간편성을 최우선으로 합니다.
- NMS 설계: 모델이 기본적으로 일대일 매칭을 예측하도록 훈련함으로써, YOLO26은 경험적 NMS 제거합니다. 이는 지연 시간 변동성을 줄이고 TensorRT 단순화합니다. 효율적인 NMS 더 이상 필수 요소가 아니기 때문입니다.
- MuSGD 최적화기: Moonshot AI의 Kimi K2에서 영감을 받은 이 최적화기는 SGD 추진력과 뮤온 최적화기의 적응 특성을 결합합니다. 이를 통해 컴퓨터 비전 분야에 대규모 언어 모델(LLM) 훈련 안정성을 제공합니다.
- ProgLoss + STAL: 점진적 손실(Progressive Loss)과 소프트 타겟 할당 손실(STAL)의 도입은 앵커 프리 탐지기의 일반적인 약점인 소형 객체 탐지 성능을 크게 향상시킵니다.
학습 및 생태계
두 모델 간의 개발자 경험은 크게 상이하며, 이는 주로 그들이 속한 소프트웨어 생태계에 기인한다.
Ultralytics 사용 편의성
YOLOv9 Ultralytics YOLOv9 , YOLO26은 기본 지원되는 모델입니다. 이는 다음과 같은 모든 기능에 대한 출시 첫날부터의 지원을 보장합니다:
- 통합 API: 작업 간 전환하기 포즈 추정 또는 기울어진 경계 상자 (OBB) 모델 가중치 파일(예:
yolo26n-pose.pt)입니다. - Ultralytics : Ultralytics 사용하여 데이터셋을 원활하게 업로드하고, AI 어시스턴트로 주석을 달며, 클라우드에서 학습을 수행하세요.
- 수출 유연성: CoreML , Android TFLite , Intel OpenVINO 등 다양한 형식으로 iOS Intel Android Intel .
from ultralytics import YOLO
# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")
# Train on a custom dataset with MuSGD optimizer enabled automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export to ONNX for simplified deployment (no NMS plugin needed)
path = model.export(format="onnx")
메모리 및 자원 효율성
YOLO26은 일반적으로 YOLOv9 이중 분기 구조(PGI)에 비해 훈련 중 GPU 적습니다. 이로 인해 연구자들은 NVIDIA 3060이나 4090과 같은 소비자용 하드웨어에서 더 큰 배치 크기를 사용할 수 있어 실험 주기를 가속화할 수 있습니다.
실제 사용 사례
9 선택해야 할 때
YOLOv9 정적 벤치마크에서 최대 정확도를 최우선으로 하며 계산 자원이 풍부한 시나리오에서 여전히 강력한 경쟁자로 YOLOv9 .
- 학술 연구: CNN(컨볼루션 신경망)에서의 정보 병목 이론과 기울기 흐름 연구.
- 서버 측 처리: 실시간 지연 시간이 덜 중요한 환경에서 보관된 영상 자료를 분석하는 고성능 GPU .
YOLO26을 선택해야 할 때
YOLO26은 생산 환경 및 엣지 컴퓨팅에 권장되는 선택입니다.
- 임베디드 시스템: 최대 43% 빠른 CPU 성능으로 로봇 공학 분야의 라즈베리 파이 또는 NVIDIA 배포에 이상적입니다.
- 실시간 분석: NMS 설계는 자율 주행 및 안전 시스템에 필수적인 결정론적 지연 시간을 보장합니다.
- 다중 모달 애플리케이션: 인스턴스 세그멘테이션 및 포즈에 대한 네이티브 지원을 통해 소매점이나 스포츠에서의 인간 행동 분석과 같은 복잡한 파이프라인을 위한 다목적 백본 역할을 수행합니다.
결론
YOLOv9 PGI를 통해 획기적인 이론적 개념을 YOLOv9 , YOLO26은 이러한 교훈을 실용적이고 고성능의 패키지로 정제합니다. 엔드투엔드 아키텍처, 후처리 병목 현상 제거, 그리고 Ultralytics 통합을 통해 차세대 AI 애플리케이션을 구축하는 개발자들에게 탁월한 선택지가 됩니다.