YOLOv9 vs. YOLOv10: 객체 감지를 위한 기술 비교
적합한 객체 감지 모델을 선택하는 것은 모든 컴퓨터 비전 프로젝트에서 중요한 결정이며 성능, 속도 및 리소스 효율성에 직접적인 영향을 미칩니다. YOLO 시리즈는 가능한 것의 경계를 계속 넓혀가고 있습니다. 이 페이지에서는 두 가지 최첨단 모델인 YOLOv9와 YOLOv10 간의 자세한 기술 비교를 제공합니다. 정확도, 추론 속도 및 계산 비용과 같은 요소를 균형 있게 조정하여 특정 요구 사항에 가장 적합한 모델을 선택할 수 있도록 아키텍처 혁신, 성능 지표 및 이상적인 사용 사례를 분석합니다.
YOLOv9: 향상된 학습을 위한 Programmable Gradient Information
YOLOv9는 2024년 2월에 발표되었으며, 심층 신경망에서 정보 손실 문제를 해결하는 객체 감지 분야의 중요한 발전입니다. 이 새로운 아키텍처는 모델 전체에서 중요한 데이터가 보존되도록 보장하여 매우 정확한 결과를 제공합니다.
기술 세부 사항:
- 저자: Chien-Yao Wang, Hong-Yuan Mark Liao
- 조직: Institute of Information Science, Academia Sinica, Taiwan
- 날짜: 2024-02-21
- Arxiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
- 문서: https://docs.ultralytics.com/models/yolov9/
아키텍처 및 주요 기능
YOLOv9은 두 가지 획기적인 개념을 도입했습니다.
- 프로그래밍 가능한 기울기 정보 (PGI): 이 메커니즘은 데이터가 심층 네트워크 레이어를 통과할 때 정보 손실 문제를 해결합니다. PGI는 안정적인 기울기를 생성하여 모델이 효과적으로 학습하고 정확한 업데이트를 수행할 수 있도록 보장하며, 이는 복잡한 객체를 감지하는 데 매우 중요합니다.
- Generalized Efficient Layer Aggregation Network (GELAN): YOLOv9는 파라미터 활용도와 계산 효율성을 최적화하는 매우 효율적인 설계인 새로운 네트워크 아키텍처 GELAN을 특징으로 합니다. 이를 통해 YOLOv9는 지나치게 크거나 느리지 않으면서도 최상위 성능을 달성할 수 있습니다.
강점
- 높은 정확도: YOLOv9는 정확도에 대한 높은 기준을 설정했으며, 가장 큰 변형인 YOLOv9-E는 COCO 데이터 세트에서 최첨단 mAP 점수를 달성했습니다.
- 정보 보존: PGI의 핵심 혁신은 정보 병목 현상 문제를 효과적으로 완화하여 더 나은 모델 학습과 성능으로 이어집니다.
- 효율적인 아키텍처: GELAN은 속도와 정확도 간의 균형이 뛰어나 YOLOv9은 파라미터당 성능 면에서 매우 경쟁력이 있습니다.
- Ultralytics 생태계: Ultralytics 프레임워크 내에서 사용될 때 YOLOv9는 간소화된 사용자 경험, 간단한 Python API 및 광범위한 문서의 이점을 누릴 수 있습니다. 이 생태계는 즉시 사용 가능한 사전 학습된 가중치, 활발한 개발, 강력한 커뮤니티 지원 및 일반적으로 트랜스포머와 같은 다른 모델 유형에 비해 더 낮은 메모리 요구 사항으로 효율적인 학습을 보장합니다.
약점
- 더 새로운 모델: 최신 릴리스이므로, 커뮤니티에서 제공하는 예제 및 타사 통합의 범위는 기존 모델에 비해 아직 증가하고 있습니다.
- 복잡성: 새로운 PGI 개념은 강력하지만 보다 간단한 설계에 비해 아키텍처 복잡성 계층을 추가합니다.
이상적인 사용 사례
YOLOv9은 가능한 최고의 정확도를 달성하는 것이 주요 목표인 애플리케이션에 탁월한 선택입니다.
- 고급 로봇 공학: 역동적인 환경에서 정확한 객체 감지가 필요한 복잡한 작업에 유용합니다.
- 고해상도 이미지 분석: 세부 사항이 중요한 위성 이미지 분석과 같은 시나리오에 이상적입니다.
- 중요 안전 시스템: 정확성이 매우 중요한 자율 주행 또는 고급 보안 시스템의 애플리케이션.
YOLOv10: 실시간 엔드 투 엔드 효율성
YOLOv10은(는) 칭화대학교 연구진이 2024년 5월에 출시되었으며, 최대한의 효율성과 속도를 위해 설계되었습니다. YOLO 아키텍처의 주요 구성 요소를 재설계하고, 특히 NMS(Non-Maximum Suppression) 후처리 필요성을 없애 이를 달성합니다.
기술 세부 사항:
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- Organization: Tsinghua University
- 날짜: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- 문서: https://docs.ultralytics.com/models/yolov10/
아키텍처 및 주요 기능
YOLOv10의 디자인 철학은 end-to-end 효율성을 중심으로 합니다.
- NMS-Free 학습: YOLOv10은 학습 중에 일관된 이중 할당을 사용하여 NMS 단계 없이 깔끔한 예측을 생성할 수 있습니다. 이는 추론 지연 시간을 크게 줄이고 배포 파이프라인을 단순화합니다.
- 전체적인 효율성-정확도 중심 설계: 모델 아키텍처가 처음부터 끝까지 최적화되었습니다. 여기에는 경량 분류 헤드, 정보를 효율적으로 보존하기 위한 공간-채널 분리 다운샘플링, 계산 중복성을 제거하기 위한 순위 기반 블록 설계가 포함됩니다.
강점
- 최고의 효율성과 속도: 최소한의 지연 시간과 계산 비용에 최적화되어 있어, 사용 가능한 가장 빠른 객체 감지기 중 하나입니다.
- End-to-End 배포: NMS가 없는 설계는 후처리 오버헤드를 제거하여 단일 단계에서 진정한 end-to-end 감지를 가능하게 합니다.
- 뛰어난 와트당 성능: 낮은 연산 및 메모리 사용량으로 인해 전력 제약이 있는 장치에 이상적입니다.
- Ultralytics 통합: YOLOv10은 Ultralytics 생태계에 완전히 통합되어 사용자에게 잘 관리되고 사용하기 쉬운 플랫폼을 제공합니다. 여기에는 간단한 API, 포괄적인 문서 및 Ultralytics 도구의 전체 제품군에 대한 액세스가 포함됩니다.
약점
- 최신 모델: 시리즈 중 가장 최신 모델이므로 커뮤니티 리소스와 실제 배포 예제가 계속 축적되고 있습니다.
- Task Specialization: YOLOv10은 객체 탐지에 특화되어 있습니다. 인스턴스 분할 또는 포즈 추정과 같이 Ultralytics YOLOv8 모델의 기본 기능인 다른 작업에 대한 기본 제공 다기능성이 부족합니다.
이상적인 사용 사례
YOLOv10은 실시간 성능과 효율성이 중요한 애플리케이션에서 뛰어납니다.
- Edge Computing: NVIDIA Jetson 및 모바일 플랫폼과 같이 리소스가 제한된 장치에 배포하는 데 적합합니다.
- 고속 비디오 분석: 교통 모니터링 또는 라이브 스포츠 분석과 같이 비디오 스트림에서 즉각적인 객체 감지가 필요한 애플리케이션입니다.
- 모바일 및 임베디드 시스템: 사용자 경험에 속도와 전력 소비가 중요한 요소인 앱에 통합됩니다.
성능 대결: YOLOv9 vs. YOLOv10
YOLOv9와 YOLOv10의 주요 차이점은 설계 우선순위에 있습니다. YOLOv9는 정교한 아키텍처 설계를 통해 정확도를 극대화하는 데 중점을 두는 반면, YOLOv10은 탁월한 계산 효율성과 짧은 지연 시간을 위해 설계되었습니다.
아래 표는 가장 큰 모델인 YOLOv9-E가 가장 높은 전체 mAP를 달성하는 반면, YOLOv10 모델은 유사한 정확도 수준에서 일관되게 더 나은 속도와 파라미터 효율성을 제공한다는 것을 보여줍니다. 예를 들어, YOLOv10-B는 유사한 성능에 대해 YOLOv9-C보다 대기 시간이 46% 적고 파라미터 수가 25% 적습니다. 따라서 YOLOv10은 추론 속도가 중요한 병목 현상인 애플리케이션에 매우 강력한 선택입니다.
| 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 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
결론: 어떤 모델을 선택해야 할까요?
YOLOv9와 YOLOv10 중에서 선택하는 것은 전적으로 프로젝트의 우선 순위에 달려 있습니다.
-
주요 요구 사항이 최대 정확도인 경우 YOLOv9를 선택하십시오. 정밀도가 협상 불가능하고 약간 더 높은 계산 오버헤드를 수용할 수 있는 복잡한 작업에 이상적입니다.
-
주요 요구 사항이 실시간 속도 및 효율성인 경우 YOLOv10을 선택하십시오. NMS가 필요 없는 아키텍처로 대기 시간이 짧은 응용 분야 및 리소스가 제한된 하드웨어에 배포하는 데 탁월한 선택입니다.
두 모델 모두 최첨단 객체 감지를 나타내며 각자의 영역에서 훌륭한 선택입니다. Ultralytics 생태계에 통합되어 개발자와 연구자가 이러한 강력한 도구를 쉽고 강력하게 지원할 수 있습니다.
다른 모델 살펴보기
YOLOv9 또는 YOLOv10이 요구 사항에 완벽하게 부합하지 않는 사용자를 위해 Ultralytics 생태계는 다른 강력한 대안을 제공합니다. Ultralytics YOLOv8은 뛰어난 성능과 다재다능함의 균형을 유지하며, 분할, 분류 및 포즈 추정과 같은 작업을 즉시 지원하므로 최고의 선택으로 남아 있습니다. 최신 발전을 추구하는 사용자를 위해 Ultralytics YOLO11은 이전 모델을 기반으로 성능과 효율성에서 새로운 기준을 설정합니다. 프로젝트에 적합한 모델을 찾기 위해 YOLOv9 vs. YOLOv8 및 YOLOv8 vs. YOLOv10과 같은 추가 비교를 탐색할 수 있습니다.
