YOLOv9과 YOLO26#

실시간 객체 감지 분야는 지난 몇 년간 크게 발전했습니다. 머신러닝 실무자들이 다양한 하드웨어에 모델을 배포하려는 가운데, 적합한 아키텍처를 선택하는 일이 매우 중요합니다. 이 종합 기술 가이드에서는 컴퓨터 비전 분야의 주요 이정표 두 가지를 비교합니다. 2024년 초 그래디언트 경로 최적화에 중점을 두고 출시된 YOLOv9과, 2026년 초에 출시되어 엣지 추론과 학습 안정성을 완전히 새롭게 정의한 최신 최첨단 프레임워크 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.

YOLOv9에 대해 자세히 알아보기

Ultralytics YOLO26#

Ultralytics의 Glenn Jocher와 Jing Qiu가 개발한 YOLO26은 2026년 1월 14일에 출시되었습니다. YOLO11과 YOLOv8 등 이전 모델의 큰 성공을 기반으로, YOLO26은 프로덕션 준비성, 엣지 배포, 기본 엔드투엔드 효율성을 우선시하도록 처음부터 설계되었습니다.

아키텍처 혁신#

두 모델 모두 신경망이 시각 데이터를 처리하는 방식을 획기적으로 바꾸지만, 서로 다른 관점에서 문제에 접근합니다.

YOLOv9의 프로그래밍 가능한 그래디언트 정보#

YOLOv9의 주요 기여는 프로그래밍 가능한 그래디언트 정보(PGI)와 일반화된 효율적 레이어 집계 네트워크(GELAN)를 도입한 것입니다. 신경망이 깊어질수록 순전파 과정에서 정보 손실이 발생하는 경우가 많습니다. PGI는 역전파 중 가중치 업데이트에 사용되는 그래디언트가 정확하고 신뢰할 수 있도록 하여, GELAN 아키텍처가 더 적은 파라미터로 높은 정확도를 달성하게 합니다.

하지만 YOLOv9은 후처리에 기존 비최대 억제(NMS)를 크게 의존하므로 실제 추론에서 지연 시간 병목이 발생할 수 있습니다.

YOLO26의 엣지 우선 아키텍처#

YOLO26은 학습부터 실시간 배포까지 전체 파이프라인을 최적화하는 완전히 다른 접근 방식을 취합니다. YOLOv10이 처음 선보인 엔드투엔드 NMS 없는 설계를 기반으로 NMS 후처리를 완전히 제거했습니다. 그 결과 지연 시간이 매우 낮아져 Raspberry Pi나 NVIDIA Jetson과 같은 엣지 디바이스에 최적화되었습니다.

또한 YOLO26은 Distribution Focal Loss(DFL)를 완전히 제거합니다. 이러한 구조적 변경으로 모델을 ONNX로 내보내기가 간소화되고 저전력 엣지 디바이스와의 호환성이 크게 향상됩니다.

학습 단계에서 YOLO26은 MuSGD 옵티마이저를 통합합니다. 이는 확률적 경사 하강법과 Muon을 결합한 하이브리드 방식으로, Moonshot AI의 Kimi K2가 사용하는 LLM 학습 방법론에서 영감을 얻었습니다. 이를 통해 대규모 언어 모델(LLM) 학습 혁신과 컴퓨터 비전 간의 격차를 해소하고, 훨씬 안정적인 학습과 빠른 수렴을 실현합니다.

성능 및 지표 비교#

널리 사용되는 COCO 데이터셋에서 벤치마크를 수행하면 두 모델 모두 뛰어난 역량을 보이지만, 실제 추론 속도와 파라미터 효율성에서는 Ultralytics 생태계가 두드러집니다.

결과 분석#

• 속도와 효율성: YOLO26은 NMS 없는 아키텍처와 간소화된 손실 함수를 사용하므로 기존 아키텍처보다 CPU 추론 속도가 최대 43% 빠릅니다. YOLO26n 모델은 TensorRT를 사용해 NVIDIA T4 GPU에서 1.7ms라는 매우 빠른 속도로 실행되므로 실시간 비디오 스트림에 최적입니다.
• 정확도: YOLO26x 모델은 57.5 mAP라는 탁월한 성능을 달성해, 지연 시간은 더 낮게 유지하면서 가장 큰 YOLOv9e 모델보다 뛰어난 성능을 보입니다.
• 메모리 요구 사항: Ultralytics 모델은 효율성으로 잘 알려져 있습니다. YOLO26은 복잡한 Transformer 기반 비전 모델에 비해 모델 학습 및 추론 중 CUDA 메모리를 훨씬 적게 사용하므로, 개발자는 일반 소비자용 하드웨어에서도 더 큰 배치 크기를 활용할 수 있습니다.

생태계, 사용 편의성, 활용성#

Ultralytics 생태계의 진정한 강점은 사용자 경험에 있습니다. YOLOv9 GitHub 코드베이스를 사용하는 연구자는 복잡한 환경 설정과 수동 스크립트 작성에 어려움을 겪을 수 있지만, YOLO26은 직관적인 Ultralytics Python API에 완전히 통합되어 있습니다.

간소화된 API 예제#

최첨단 YOLO26 모델은 몇 줄의 Python 코드만으로 학습할 수 있습니다.

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")

탁월한 태스크 활용성#

주로 표준 객체 감지에 맞춰 설계된 YOLOv9과 달리 YOLO26은 다양한 컴퓨터 비전 태스크를 기본적으로 폭넓게 지원합니다. 아키텍처에는 다양한 애플리케이션을 위한 구체적인 개선 사항이 포함되어 있습니다.

• 인스턴스 세그멘테이션: 특화된 시맨틱 세그멘테이션 손실 함수와 멀티스케일 프로토를 통해 정밀한 픽셀 수준 마스크를 생성합니다.
• 포즈 추정: 잔차 로그 우도 추정(RLE)을 통합해 골격 키포인트를 매우 정밀하게 추적합니다.
• 방향성 경계 상자(OBB): 항공 이미지의 회전 객체 감지에서 경계 문제를 해결하도록 특별히 설계된 전용 각도 손실 함수를 포함합니다.
• 이미지 분류: ImageNet 표준에 기반해 이미지 전체를 안정적으로 분류합니다.

실제 애플리케이션#

이러한 모델 중 무엇을 선택할지는 배포 환경에 따라 달라지는 경우가 많습니다.

IoT 및 엣지 로보틱스#

로보틱스, 자율 드론, 스마트 홈 IoT 디바이스 분야에서는 YOLO26이 단연 최고의 선택입니다. ProgLoss + STAL 통합으로 작은 객체 인식 성능이 크게 향상되며, 이는 고고도 드론을 이용한 농업 모니터링에 매우 중요합니다. CPU 추론 속도가 43% 빠르고 NMS가 필요 없는 설계까지 결합되어, YOLO26은 전용 GPU가 없는 하드웨어에서도 원활하게 실행됩니다.

학술 연구 및 그래디언트 분석#

YOLOv9은 학계에서 여전히 높은 평가를 받는 모델입니다. 그래디언트 흐름의 이론적 한계를 연구하거나 PGI 개념을 기반으로 맞춤형 PyTorch 레이어를 구축하려는 연구자에게 YOLOv9 코드베이스는 딥러닝 이론을 탐구하기 위한 훌륭한 기반이 됩니다.

고속 제조 파이프라인#

고속 컨베이어 벨트에서 자동화된 결함 감지를 수행하는 산업 환경에서는 YOLO26 모델의 매우 빠른 TensorRT 속도 덕분에 프레임이 누락되지 않아 품질 보증 시스템의 처리량을 극대화할 수 있습니다.

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 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
• 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.

결론#

두 모델 모두 오픈 소스 커뮤니티에 놀라운 도약을 가져왔습니다. YOLOv9은 그래디언트 흐름에 중요한 이론적 개선을 도입하여 앞으로 수년간 아키텍처 개발에 영감을 줄 것입니다. 하지만 속도, 정확도, 배포 편의성의 균형을 원하는 현대적인 개발자, 스타트업, 엔터프라이즈 팀에는 Ultralytics YOLO26을 명확히 권장합니다.

YOLO26은 NMS 없는 추론을 제공하고 강력한 MuSGD 옵티마이저를 도입했으며, 감지·세그멘테이션·포즈 태스크 전반에 걸쳐 탁월한 도구 모음을 제공합니다. 이를 통해 오늘날 이용할 수 있는 가장 신뢰할 수 있고 미래에도 유효한 프레임워크를 기반으로 컴퓨터 비전 프로젝트를 구축할 수 있습니다.