YOLOv9과 YOLOv10

연구자들이 성능과 효율성의 절충을 계속 개선하면서 실시간 컴퓨터 비전 분야는 빠르게 발전했습니다. 최첨단 비전 모델의 진화에서 YOLOv9과 YOLOv10은 두 가지 중요한 이정표입니다. 2024년 초에 출시된 두 모델은 정보 병목부터 후처리 지연 시간까지 심층 신경망의 오래된 문제를 해결하기 위해 아키텍처를 크게 변경했습니다.

이 기술 비교에서는 적합한 객체 검출 모델을 선택할 수 있도록 두 모델의 아키텍처, 성능 지표, 이상적인 배포 시나리오를 살펴봅니다.

모델의 기원과 아키텍처#

이러한 모델의 계보와 이론적 기반을 이해하는 것은 특정 컴퓨터 비전 프로젝트에 적합한 아키텍처를 선택하는 데 매우 중요합니다.

YOLOv9: 정보 흐름의 최적화#

2024년 2월 21일에 공개된 YOLOv9는 데이터가 심층 신경망을 통과하면서 발생하는 정보 손실이라는 이론적 문제를 해결합니다.

YOLOv9은 CSPNet과 ELAN의 장점을 결합해 매개변수 활용도를 극대화하는 일반화된 효율적 계층 집계 네트워크(GELAN)를 도입합니다. 또한 심층 레이어가 중요한 공간 정보를 유지하도록 하는 보조 감독 메커니즘인 프로그래밍 가능한 그래디언트 정보(PGI)를 사용합니다. 따라서 YOLOv9은 의료 이미지 분석이나 원거리 감시처럼 높은 특징 충실도가 필요한 작업에서 강점을 보입니다.

YOLOv9에 대해 자세히 알아보기

YOLOv10: 실시간 엔드 투 엔드 효율성#

그 직후인 2024년 5월 23일에 출시된 YOLOv10은 객체 검출의 잘 알려진 지연 시간 병목인 비최대 억제(NMS)를 제거해 배포 파이프라인을 간소화합니다.

YOLOv10은 학습 중 일관된 이중 할당을 활용해 기본적으로 NMS 프리 설계를 구현합니다. 이로써 추론 중 후처리 오버헤드를 제거하고 지연 시간을 줄입니다. 효율성과 정확도를 종합적으로 고려한 모델 설계와 결합해 계산 오버헤드(FLOPs)를 낮추면서도 경쟁력 있는 정확도를 유지하므로 엣지 컴퓨팅 애플리케이션에 적합합니다.

YOLOv10 자세히 알아보기

성능 및 지표 비교#

표준 MS COCO 데이터셋에서 두 모델 계열을 벤치마크하면 순수 정확도와 추론 지연 시간 사이에 뚜렷한 절충점이 나타납니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

데이터 분석#

  1. 지연 시간과 정확도: 일반적으로 YOLOv10 모델의 추론 속도가 더 빠릅니다. 예를 들어 YOLOv10s는 TensorRT에서 2.49ms 만에 46.3% mAP를 달성하는 반면, YOLOv9s는 비슷한 46.8% mAP를 달성하는 데 3.54ms가 필요합니다.
  2. 최고 수준의 정확도: 최고 탐지 정확도가 필요한 연구 시나리오에서는 YOLOv9e가 여전히 강력한 선택지이며, PGI의 도움으로 미세한 특징을 안정적으로 추출하면서 55.6% mAP를 달성합니다.
  3. 효율성: YOLOv10은 FLOPs 효율성에서 탁월합니다. 이는 전력 소비 감소로 이어지며, 비전 AI 모델을 실행하는 배터리 구동 기기에서 중요한 지표입니다.
배포 팁

CPU 또는 Raspberry Pi와 같은 리소스가 제한된 엣지 하드웨어에 배포하는 경우, YOLOv10의 NMS 없는 아키텍처는 지연 시간이 가변적인 후처리 단계를 제거하므로 대체로 더 원활한 파이프라인을 제공합니다.

Ultralytics의 강점: 학습 및 생태계#

아키텍처 차이가 중요하지만, 프로젝트의 성공 여부는 주변 소프트웨어 생태계에 좌우되는 경우가 많습니다. YOLOv9와 YOLOv10은 모두 Ultralytics 생태계에 완전히 통합되어 일관된 개발자 경험을 제공합니다.

간편한 사용과 메모리 효율성#

많은 메모리가 필요할 수 있는 복잡한 Transformer 기반 아키텍처와 달리, Ultralytics YOLO 모델은 GPU 메모리를 효율적으로 사용하도록 설계되었습니다. 따라서 연구자는 소비자용 하드웨어에서 더 큰 배치 크기를 활용할 수 있어 최첨단 AI를 더 쉽게 이용할 수 있습니다.

통합 Python API는 데이터 증강과 하이퍼파라미터 튜닝의 복잡한 작업을 처리합니다. 가중치 파일 문자열을 변경하는 것만으로 아키텍처를 전환할 수 있습니다.

from ultralytics import YOLO

# YOLOv10 모델 로드(필요하면 "yolov9c.pt"로 바꿔 YOLOv9 사용)
model = YOLO("yolov10n.pt")

# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# 모델 성능 검증
metrics = model.val()

# 배포를 위해 학습된 모델을 ONNX 형식으로 내보내기
model.export(format="onnx")

MLflow에 메트릭을 기록하거나 고속 하드웨어 배포를 위해 TensorRT로 내보내는 등, Ultralytics Python 패키지에서 이러한 기능을 기본적으로 지원합니다.

적합한 사용 사례#

이러한 모델 중 선택은 배포 제약 조건에 따라 달라집니다.

  • YOLOv9를 선택할 경우: 항공 드론 이미지 분석이나 작은 종양 탐지와 같은 소형 객체 탐지 작업을 수행하며, GELAN 아키텍처의 특징 보존 능력이 가장 높은 충실도를 제공하는 경우에 적합합니다.
  • 다음과 같은 경우 YOLOv10을 선택하세요: 엣지 디바이스에서 실시간 추론을 수행하는 것이 주요 목표인 경우입니다. NMS 없는 설계는 자율 로보틱스, 실시간 교통 모니터링 및 스마트 감시에 적합합니다.

미래를 위한 선택: YOLO26으로의 전환#

YOLOv8, YOLOv9, YOLOv10도 뛰어난 모델이지만, 최신 AI 솔루션을 구축하려는 개발자라면 2026년 1월에 공개된 Ultralytics YOLO26을 고려해야 합니다.

YOLO26은 이전 세대의 성과를 바탕으로 YOLOv10의 NMS 없는 효율성과 이 비교의 두 모델보다 높은 정확도를 결합합니다.

YOLO26의 주요 혁신#

  • 엔드 투 엔드 NMS가 필요 없는 설계: YOLOv10의 기반을 바탕으로, YOLO26의 선택적 일대일 헤드(nms=False)는 NMS 후처리를 생략해 배포를 간소화합니다.
  • MuSGD 옵티마이저: SGD와 Muon을 결합한 하이브리드로, LLM 학습의 혁신을 컴퓨터 비전에 적용해 안정적인 학습과 빠른 수렴을 지원합니다.
  • 최대 43% 빠른 CPU 추론: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 엣지 컴퓨팅 및 전용 GPU가 없는 디바이스에 적합합니다.
  • DFL 제거: Distribution Focal Loss를 제거해 모델 내보내기를 간소화하고 저전력 기기와의 호환성을 높였습니다.
  • ProgLoss + STAL: 점진적 손실(Progressive Loss)과 소형 객체 인식 레이블 할당(STAL)은 소형 객체 탐지를 향상합니다.

다른 아키텍처를 평가하는 연구자라면 RT-DETR과 YOLO11도 Ultralytics 생태계에서 충분한 문서를 제공하는 대안입니다. 그러나 모든 비전 작업에서 다용성을 원한다면 새 프로젝트에 Ultralytics Platform의 YOLO26을 사용하는 것이 권장됩니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.