YOLOv9과 YOLOv5
객체 탐지가 여러 산업 및 연구 애플리케이션의 기반이 되면서 컴퓨터 비전 분야는 빠르게 성장했습니다. 적합한 아키텍처를 선택하려면 평균 정밀도(mAP), 추론 속도, 메모리 오버헤드를 신중히 평가해야 합니다. 이 비교에서는 그래디언트 정보 보존의 아키텍처 발전으로 알려진 YOLOv9과 사용 편의성 및 배포 다용성으로 검증을 거쳐 널리 사용되는 모델인 Ultralytics YOLOv5를 살펴봅니다.
아키텍처 혁신 및 기술적 기원#
두 모델의 내부 작동 방식을 이해하면 각 모델의 성능 특성을 파악하는 데 중요한 맥락을 얻을 수 있습니다.
YOLOv9: 프로그래밍 가능한 그래디언트 정보#
대만 중앙연구원 정보과학연구소의 연구자 Chien-Yao Wang과 Hong-Yuan Mark Liao가 개발한 YOLOv9은 2024년 2월 21일에 출시되었습니다. 이 모델은 심층 신경망에서 흔히 발생하는 정보 병목을 해결하기 위해 프로그래밍 가능한 그래디언트 정보(PGI)와 일반화 효율적 레이어 집계 네트워크(GELAN)라는 두 가지 새로운 개념을 도입합니다.
PGI를 활용하는 YOLOv9은 순전파 과정 전반에 걸쳐 중요한 정보가 보존되도록 하여 더욱 신뢰할 수 있는 그래디언트 업데이트를 제공합니다. 한편 GELAN 아키텍처는 매개변수 효율성을 극대화해 계산 오버헤드를 낮추면서도 높은 정확도를 달성합니다. 공식 YOLOv9 arXiv 논문에서 기술 세부 정보를 확인하거나 YOLOv9 GitHub 저장소를 살펴볼 수 있습니다.
Ultralytics YOLOv5: 프로덕션 표준#
Glenn Jocher가 개발하고 Ultralytics가 2020년 6월 26일에 출시한 YOLOv5는 컴퓨터 비전의 접근성을 크게 높였습니다. PyTorch 프레임워크를 기반으로 기본 구현된 최초의 객체 탐지 모델 중 하나로서 구형 Darknet C 프레임워크의 복잡성을 피했습니다. YOLOv5는 CSPNet 기반 백본과 PANet 넥을 사용해 속도와 정확도의 균형을 맞춥니다.
하지만 가장 큰 강점은 더 폭넓은 Ultralytics 생태계와의 통합입니다. YOLOv5는 빠른 학습과 메모리가 제한된 환경에 최적화되어 엣지 배포에서도 안정적으로 작동합니다.
엣지 디바이스용 모델을 평가할 때는 Ultralytics YOLO 모델이 일반적으로 무거운 Transformer 기반 아키텍처보다 학습과 추론 모두에서 GPU 메모리를 훨씬 적게 요구한다는 점을 기억하세요.
성능 분석: 속도와 정확도#
컴퓨터 비전 파이프라인을 설계할 때 개발자는 정확도와 지연 시간 간의 절충점을 고려해야 합니다. 다음 표는 표준 COCO 데이터셋에서 나타나는 성능 차이를 보여줍니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
절충점 분석#
YOLOv9은 이 표에 있는 모든 크기에서 YOLOv5보다 높은 mAP를 기록하며 정확도 면에서 앞섭니다. YOLOv9e는 GELAN 레이어를 사용해 세밀한 정보를 보존하면서 55.6% mAP를 달성하므로 의료 영상이나 작은 객체에서 엄격한 정확도가 필요한 시나리오에 적합합니다.
반대로 YOLOv5는 기본 GPU 속도와 하드웨어 유연성에서 앞섭니다. YOLOv5n(Nano)은 매우 가벼워 TensorRT를 통해 T4 GPU에서 추론을 단 1.12ms 만에 실행합니다. 리소스가 제한된 IoT 디바이스, 휴대폰 또는 Raspberry Pi에 배포하는 경우 YOLOv5의 작은 메모리 사용량은 신뢰할 수 있는 선택지가 됩니다.
Ultralytics 생태계의 이점#
모델을 선택할 때 주요 고려 사항은 주변 소프트웨어 생태계입니다. YOLOv9은 최고 수준의 연구 벤치마크를 제공하지만, 두 모델을 최신 Ultralytics Python API를 통해 사용하면 개발자에게 통합되고 간소화된 경험을 제공해 그 간극을 메울 수 있습니다.
사용 편의성 및 내보내기#
Ultralytics는 복잡한 엔지니어링 작업을 처리합니다. 자동 데이터 증강과 하이퍼파라미터 튜닝 같은 기능을 기본적으로 제공합니다. 내장된 내보내기 명령을 사용해 모델을 ONNX, OpenVINO, LiteRT 형식으로 변환할 수 있으므로 모델을 프로덕션으로 이전하는 작업도 간단합니다.
작업 범용성#
두 모델 모두 객체 탐지에 뛰어나지만 최신 Ultralytics 모델은 다양한 컴퓨터 비전 과제를 처리하도록 설계되었습니다. 더 폭넓은 프레임워크는 인스턴스 분할, 이미지 분류, 포즈 추정, 방향 경계 상자(OBB)를 기본적으로 지원하므로 개발자는 코드베이스를 바꾸지 않고도 여러 비전 문제를 해결할 수 있습니다.
사용 사례 및 권장 사항#
YOLOv9과 YOLOv5 중 어떤 모델을 선택할지는 프로젝트의 구체적인 요구 사항, 배포 제약 조건, 에코시스템 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.
YOLOv5를 선택할 경우#
다음과 같은 경우 YOLOv5를 권장합니다.
- 프로덕션에서 검증된 시스템: YOLOv5의 오랜 안정성 기록, 폭넓은 문서, 대규모 커뮤니티가 중요한 기존 배포 환경에 적합합니다.
- 리소스 제약이 있는 학습: GPU 리소스가 제한된 환경에서 YOLOv5의 효율적인 학습 파이프라인과 적은 메모리 요구 사항이 유리합니다.
- 폭넓은 내보내기 형식 지원: ONNX, TensorRT, CoreML, LiteRT 등 다양한 형식으로 배포해야 하는 프로젝트에 적합합니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.
- NMS 프리 엣지 배포: 비최대 억제 (NMS) 후처리의 복잡성 없이 일관되고 낮은 지연 시간으로 추론해야 하는 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서는 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
- 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.
구현 예시#
Ultralytics 생태계에서는 가중치 문자열을 변경하는 것만으로 YOLOv5 모델과 YOLOv9 모델을 전환할 수 있습니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv9 모델을 불러옵니다(YOLOv5u를 사용하려면 "yolov5su.pt"로 바꿉니다)
model = YOLO("yolov9c.pt")
# 사용자 지정 데이터셋으로 모델을 효율적으로 학습합니다.
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 새 이미지에서 추론을 실행합니다
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")
# 배포를 위해 ONNX로 내보냅니다
model.export(format="onnx")최신 아키텍처 살펴보기#
YOLOv5와 YOLOv9은 각기 뚜렷한 장점을 지닌 우수한 모델이지만, 이 분야는 계속 발전하고 있습니다. 새로운 프로젝트를 살펴보는 사용자는 Ultralytics의 최신 모델도 평가해 볼 수 있습니다.
- YOLO11: YOLOv8 계보를 개선한 모델로, 모든 비전 작업에서 뛰어난 속도와 정확도의 균형을 제공합니다.
- YOLO26: 2026년 1월에 출시된 YOLO26은 신규 파이프라인에 권장되는 모델입니다. 선택 사항인 엔드투엔드 NMS 없는 설계(
nms=False)를 도입해 NMS 후처리 병목을 제거합니다. DFL 제거(분포 초점 손실을 제거해 내보내기를 간소화하고 엣지 및 저전력 디바이스 호환성을 향상)를 적용한 YOLO26n은 YOLO11n보다 최대 43% 빠른 CPU 추론을 제공합니다. MuSGD 옵티마이저는 학습 안정성을 높이고, ProgLoss + STAL(점진적 손실 및 소형 객체 인식 레이블 할당)은 엣지 및 클라우드 배포 전반에서 IoT, 로보틱스, 항공 영상의 소형 객체 탐지를 향상합니다.
대규모 데이터셋과 복잡한 배포 파이프라인을 관리하는 팀을 위해 Ultralytics Platform은 이러한 모델을 코드 없이 학습하고, 추적하고, 배포할 수 있는 방법을 제공합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.