YOLOv9과 YOLOv10#
실시간 컴퓨터 비전 분야는 연구자들이 성능과 효율성의 한계를 지속적으로 넓히면서 크게 발전했습니다. 최첨단 비전 모델의 진화를 살펴보면 YOLOv9과 YOLOv10은 중요한 이정표입니다. 두 모델은 2024년 초에 출시되어 정보 병목부터 후처리 지연 시간까지 심층 신경망의 오랜 과제를 해결하기 위한 획기적인 아키텍처 설계를 선보였습니다.
이 종합 기술 비교에서는 아키텍처, 성능 지표, 이상적인 배포 시나리오를 살펴보고, 현대적인 객체 감지 생태계의 복잡성을 파악할 수 있도록 돕습니다.
모델의 기원과 아키텍처의 획기적 발전#
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.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 참고 자료: YOLOv9 arXiv 논문
- 저장소: YOLOv9 GitHub
YOLOv9는 CSPNet과 ELAN의 강점을 결합해 파라미터 활용도를 극대화하는 일반화 효율적 계층 집계 네트워크(GELAN)를 도입합니다. 또한 심층 계층이 중요한 공간 정보를 유지하도록 하는 보조 감독 메커니즘인 프로그래밍 가능 기울기 정보(PGI)를 사용합니다. 이로 인해 YOLOv9는 의료 영상 분석이나 원거리 감시처럼 높은 특징 충실도가 필요한 작업에 특히 강력합니다.
YOLOv10: 실시간 엔드 투 엔드 효율성#
2024년 5월 23일에 이어 공개된 YOLOv10은 객체 탐지에서 악명 높은 지연 시간 병목 중 하나인 비최대 억제(NMS)를 제거해 배포 파이프라인을 새롭게 설계합니다.
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 참고 자료: YOLOv10 arXiv 논문
- 저장소: YOLOv10 GitHub
YOLOv10은 학습 중 일관된 이중 할당을 활용해 기본적으로 NMS가 필요 없는 설계를 구현합니다. 이를 통해 추론 중 후처리 오버헤드를 제거하고 지연 시간을 크게 줄입니다. 효율성과 정확도를 종합적으로 고려한 모델 설계가 더해져, YOLOv10은 계산 오버헤드(FLOPs)를 낮추면서도 경쟁력 있는 정밀도를 유지해 탁월한 균형을 달성하며 엣지 컴퓨팅 애플리케이션에 매우 적합합니다.
성능 및 지표 비교#
표준 MS COCO 데이터셋에서 이 두 강력한 모델을 벤치마킹하면 순수 정확도와 추론 지연 시간 간의 뚜렷한 절충 관계가 드러납니다.
| 모델 | 크기 (픽셀) | mAP검증 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 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
데이터 분석#
- 지연 시간과 정확도: YOLOv10 모델은 대체로 더 빠른 추론 속도를 제공합니다. 예를 들어, YOLOv10s는 TensorRT에서 2.49ms 만에 46.3% mAP를 달성하는 반면, YOLOv9s는 비슷한 46.8% mAP를 달성하는 데 3.54ms가 필요합니다.
- 최고 수준의 정밀도: 탐지 정확도를 극대화해야 하는 연구 환경에서는 YOLOv9e가 여전히 강력한 선택이며, 인상적인 55.6% mAP를 달성합니다. PGI 아키텍처는 미세한 특징을 안정적으로 추출합니다.
- 효율성: YOLOv10은 FLOPs 효율성이 뛰어납니다. 이는 비전 AI 모델을 실행하는 배터리 구동 기기에서 중요한 지표인 전력 소비를 직접적으로 줄여 줍니다.
CPU나 Raspberry Pi 같은 리소스 제약이 있는 엣지 하드웨어에 배포하는 경우, YOLOv10의 NMS가 필요 없는 아키텍처는 비결정적 후처리 단계를 제거해 일반적으로 더 원활한 파이프라인을 제공합니다.
Ultralytics의 강점: 학습 및 생태계#
아키텍처의 차이도 중요하지만, 주변 소프트웨어 생태계가 프로젝트의 성공을 크게 좌우합니다. YOLOv9와 YOLOv10은 모두 Ultralytics 생태계에 완전히 통합되어 탁월한 개발자 경험을 제공합니다.
간편한 사용과 메모리 효율성#
대량의 메모리를 사용하는 복잡한 트랜스포머 기반 아키텍처와 달리, Ultralytics YOLO 모델은 GPU 메모리를 최적으로 사용하도록 설계되었습니다. 덕분에 연구자들은 일반 소비자용 하드웨어에서도 더 큰 배치 크기를 사용할 수 있어 최첨단 AI에 대한 접근성이 높아집니다.
통합 Python API는 데이터 증강 및 하이퍼파라미터 튜닝의 복잡성을 추상화합니다. 가중치 파일 문자열만 바꾸면 아키텍처를 원활하게 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.
- YOLOv10을 선택할 경우: 엣지 기기에서의 실시간 추론이 주된 목표인 경우에 적합합니다. NMS가 필요 없는 설계는 자율 로봇, 실시간 교통 모니터링, 스마트 감시에 이상적입니다.
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 장점을 종합해 YOLOv9의 정확도와 YOLOv10의 효율성을 결합한 모델입니다.
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 하이브리드 옵티마이저로, 고급 LLM 학습의 혁신을 컴퓨터 비전에 적용해 매우 안정적이고 빠른 수렴을 구현합니다.
- CPU 추론 최대 43% 향상: 엣지 컴퓨팅 및 전용 GPU가 없는 기기에 맞춰 최적화되었습니다.
- DFL 제거: Distribution Focal Loss를 제거해 모델 내보내기를 간소화하고 저전력 기기와의 호환성을 높였습니다.
- ProgLoss + STAL: 개선된 손실 함수로 소형 객체 인식 성능을 크게 향상해 YOLOv9의 역량에 필적하거나 이를 뛰어넘습니다.
레거시 아키텍처를 평가하는 연구자라면 RT-DETR과 YOLO11도 Ultralytics 생태계에서 문서가 잘 갖춰진 대안입니다. 하지만 모든 비전 작업에서 최대한의 범용성을 원한다면 Ultralytics Platform에서 YOLO26으로 전환해 오픈 소스 비전 AI의 정점을 활용할 수 있습니다.