YOLOv9 대 YOLOv10#
실시간 컴퓨터 비전 분야는 성능과 효율성의 한계를 끊임없이 확장하려는 연구자들에 의해 엄청난 발전을 이루었습니다. 최첨단 비전 모델의 진화를 분석할 때 YOLOv9과 YOLOv10은 두 가지 중요한 이정표를 나타냅니다. 2024년 초에 출시된 두 모델 모두 정보 병목 현상부터 후처리 지연 시간에 이르기까지 딥 뉴럴 네트워크의 고질적인 문제를 해결하기 위해 패러다임을 전환하는 아키텍처 설계를 도입했습니다.
이 포괄적인 기술 비교에서는 아키텍처, 성능 지표, 이상적인 배포 시나리오를 살펴봄으로써 현대 object detection 생태계의 복잡성을 헤쳐나갈 수 있도록 돕습니다.
모델 기원 및 아키텍처 혁신#
특정 computer vision 프로젝트에 적합한 아키텍처를 선택하려면 이러한 모델의 계보와 이론적 기초를 이해하는 것이 중요합니다.
YOLOv9: 정보 흐름의 마스터#
2024년 2월 21일에 도입된 YOLOv9은 데이터가 딥 뉴럴 네트워크를 통과할 때 발생하는 정보 손실이라는 이론적 문제를 해결합니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- Organization: Institute of Information Science, Academia Sinica, Taiwan
- Reference: YOLOv9 arXiv Paper
- Repository: YOLOv9 GitHub
YOLOv9은 CSPNet과 ELAN의 강점을 결합하여 파라미터 활용도를 극대화하는 **GELAN (Generalized Efficient Layer Aggregation Network)**을 도입합니다. 또한, 깊은 레이어가 중요한 공간 정보를 유지하도록 보장하는 보조 감독 메커니즘인 **PGI (Programmable Gradient Information)**를 채택합니다. 덕분에 YOLOv9은 medical image analysis나 원거리 감시와 같이 높은 피처 충실도를 요구하는 작업에 매우 강력합니다.
YOLOv10: 실시간 엔드 투 엔드 효율성#
얼마 지나지 않은 2024년 5월 23일에 출시된 YOLOv10은 객체 탐지에서 가장 악명 높은 지연 시간 병목 현상 중 하나인 NMS(Non-Maximum Suppression)를 제거하여 배포 파이프라인을 재구성했습니다.
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: Tsinghua University
- Reference: YOLOv10 arXiv Paper
- Repository: YOLOv10 GitHub
YOLOv10은 학습 중에 **일관된 이중 할당(consistent dual assignments)**을 활용하여 기본적으로 NMS-free 디자인을 구현합니다. 이는 추론 중 후처리 오버헤드를 제거하여 지연 시간을 대폭 줄여줍니다. 효율성과 정확성 중심의 전체적인 모델 디자인이 결합되어, YOLOv10은 경쟁력 있는 정밀도를 유지하면서 연산 오버헤드(FLOPs)를 낮추는 뛰어난 균형을 달성하므로 edge computing 애플리케이션에 매우 매력적입니다.
성능 및 지표 비교#
표준 MS COCO 데이터셋에서 이 두 강력한 모델을 벤치마킹하면 순수 정확도와 추론 지연 시간 사이에서 뚜렷한 상충 관계가 나타납니다.
| 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 |
데이터 분석#
- 지연 시간 대 정확도: YOLOv10 모델은 일반적으로 우수한 추론 속도를 제공합니다. 예를 들어, YOLOv10s는 TensorRT에서 2.66ms만에 46.7% mAP를 달성하는 반면, YOLOv9s는 거의 동일한 46.8% mAP를 얻는 데 3.54ms가 소요됩니다.
- 최고 수준의 정밀도: 최대의 탐지 정확도가 요구되는 연구 시나리오에서는 55.6% mAP라는 인상적인 수치에 도달하는 YOLOv9e가 여전히 강력한 선택지입니다. PGI 아키텍처는 미세한 특징을 안정적으로 추출하도록 보장합니다.
- Efficiency: YOLOv10은 FLOPs efficiency 측면에서 뛰어납니다. 이는 vision AI models을 구동하는 배터리 구동 기기의 핵심 지표인 전력 소비 감소로 직접 이어집니다.
CPU나 Raspberry Pi와 같은 자원이 제한된 엣지 하드웨어에 배포하는 경우, YOLOv10의 NMS-free 아키텍처는 비결정적 후처리 단계를 제거하여 일반적으로 더 매끄러운 파이프라인을 제공합니다.
Ultralytics의 강점: 교육 및 생태계#
아키텍처의 차이도 중요하지만, 주변 소프트웨어 생태계 역시 프로젝트의 성공을 크게 좌우합니다. YOLOv9과 YOLOv10은 모두 Ultralytics ecosystem에 완벽하게 통합되어 비할 데 없는 개발자 경험을 제공합니다.
사용 편의성 및 메모리 효율성#
막대한 메모리 팽창 문제를 겪는 복잡한 Transformer 기반 아키텍처와 달리, Ultralytics YOLO 모델은 최적의 GPU memory 사용량을 위해 설계되었습니다. 이를 통해 연구원들은 소비자용 하드웨어에서 더 큰 batch sizes를 활용할 수 있으며, 최첨단 AI를 쉽게 이용할 수 있습니다.
통합된 Python API는 data augmentation 및 hyperparameter tuning의 복잡성을 추상화합니다. 가중치 파일 문자열을 변경하는 것만으로 아키텍처 간을 원활하게 전환할 수 있습니다.
from ultralytics import YOLO
# Load a YOLOv10 model (Easily swap to "yolov9c.pt" for YOLOv9)
model = YOLO("yolov10n.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Validate the model's performance
metrics = model.val()
# Export the trained model to ONNX format for deployment
model.export(format="onnx")MLflow에 지표를 기록해야 하거나 고속 하드웨어 배포를 위해 TensorRT로 내보내야 하는 경우에도 Ultralytics 플랫폼이 기본적으로 처리해 줍니다.
이상적인 사용 사례#
이 모델들 중에서 선택하는 것은 배포 환경의 제약 조건에 따라 달라집니다:
- YOLOv9을 선택해야 하는 경우: 항공 드론 이미지 또는 작은 종양 감지와 같이 GELAN 아키텍처의 특징 유지 기능이 가장 높은 충실도를 제공하는 소물체 감지 작업을 수행하는 경우.
- Choose YOLOv10 if: 주된 목표가 엣지 디바이스에서의 real-time inference인 경우. NMS-free 디자인 덕분에 자율 로봇, 실시간 교통 모니터링, smart surveillance에 완벽합니다.
미래 대비: YOLO26으로의 전환#
YOLOv8, YOLOv9, YOLOv10도 훌륭한 모델이지만, 현대적인 AI 솔루션을 구축하려는 개발자는 2026년 1월에 출시된 **Ultralytics YOLO26**을 고려해야 합니다.
YOLO26은 이전 세대들의 장점을 종합하여 YOLOv9의 정확도와 YOLOv10의 효율성을 모두 결합한 궁극적인 통합 모델입니다.
주요 YOLO26 혁신#
- 엔드 투 엔드 NMS-free 설계: YOLOv10이 마련한 기반을 바탕으로, YOLO26은 더 단순한 배포를 위해 NMS 후처리를 기본적으로 제거합니다.
- MuSGD 최적화 도구: SGD와 Muon의 하이브리드 모델로, 고급 LLM 학습 혁신을 컴퓨터 비전에 도입하여 매우 안정적이고 빠른 수렴을 제공합니다.
- 최대 43% 더 빠른 CPU 추론: 엣지 컴퓨팅 및 전용 GPU가 없는 기기에 특별히 최적화되었습니다.
- DFL Removal: model export를 단순화하고 저전력 디바이스 호환성을 높이기 위해 Distribution Focal Loss가 제거되었습니다.
- ProgLoss + STAL: 향상된 손실 함수를 통해 작은 객체 인식에서 괄목할 만한 개선을 이루어 YOLOv9의 성능과 동등하거나 그 이상을 보여줍니다.
레거시 아키텍처를 평가하는 연구원을 위해 RT-DETR과 YOLO11 또한 Ultralytics 생태계 내에서 잘 문서화된 대안입니다. 그러나 모든 비전 작업에서 최대의 범용성을 원한다면 Ultralytics Platform에서 YOLO26으로 전환하여 오픈소스 비전 AI의 정점을 활용할 수 있습니다.