YOLOv9 대 YOLOv5#

컴퓨터 비전 분야는 엄청난 성장을 거듭해 왔으며, 객체 검출은 수많은 산업 및 연구 애플리케이션의 핵심 기반 역할을 해왔습니다. 올바른 아키텍처를 선택하려면 평균 정밀도(mAP), 추론 속도 및 메모리 오버헤드를 신중하게 평가해야 합니다. 이번 비교에서는 그래디언트 정보 유지 분야의 아키텍처적 혁신으로 호평받는 YOLOv9와, 뛰어난 사용 편의성과 비할 데 없는 배포 범용성으로 검증된 산업 표준인 **Ultralytics YOLOv5**라는 두 가지 영향력 있는 모델을 살펴봅니다.

아키텍처 혁신 및 기술적 기원#

이 두 모델의 기본 메커니즘을 이해하면 각 모델의 성능 프로필을 파악하는 데 중요한 맥락을 얻을 수 있습니다.

YOLOv9: 프로그래밍 가능한 그래디언트 정보#

YOLOv9는 대만 중앙연구원 정보과학연구소의 연구원인 Chien-Yao Wang과 Hong-Yuan Mark Liao가 개발하여 2024년 2월 21일에 발표되었습니다. 이 모델은 딥 신경망에서 흔히 발생하는 정보 병목 현상을 해결하기 위해 PGI(Programmable Gradient Information)와 GELAN(Generalized Efficient Layer Aggregation Network)이라는 두 가지 획기적인 개념을 도입했습니다.

YOLOv9은 PGI를 활용하여 순방향 전파 과정 내내 핵심 정보가 손실되지 않도록 보장하며, 이를 통해 매우 정확한 그래디언트 업데이트를 유도합니다. 한편 GELAN 아키텍처는 매개변수 효율성을 극대화하여, 모델이 놀라울 정도로 낮은 연산 오버헤드로 최첨단 정확도를 달성할 수 있도록 지원합니다. 자세한 기술적 내용은 공식 YOLOv9 Arxiv paper에서 확인하거나 YOLOv9 GitHub repository를 참조하세요.

YOLOv9에 대해 더 알아보기

Ultralytics YOLOv5: 프로덕션 표준#

Glenn Jocher가 개발하고 Ultralytics가 2020년 6월 26일에 출시한 YOLOv5는 컴퓨터 비전의 접근성을 혁신적으로 바꾸어 놓았습니다. PyTorch 프레임워크 기반으로 네이티브 구현된 최초의 객체 검출 모델 중 하나로서, 기존의 복잡한 구형 Darknet C-프레임워크를 우회했습니다. YOLOv5는 고도로 최적화된 CSPNet 백본과 PANet 넥을 활용하여 속도와 정확도 간의 완벽한 균형을 우선시합니다.

그러나 이 모델의 가장 큰 성취는 더 넓은 Ultralytics 에코시스템에 통합되었다는 점입니다. YOLOv5는 빠른 훈련 효율성과 저메모리 환경에 최적화되어 있어, 엣지 배포 시 매우 안정적입니다.

YOLOv5에 대해 더 알아보기

메모리 효율성

엣지 디바이스용 모델을 평가할 때, Ultralytics YOLO 모델은 일반적으로 무거운 Transformer 기반 아키텍처에 비해 학습 및 추론 시 훨씬 적은 GPU 메모리를 요구한다는 점을 기억하십시오.

성능 분석: 속도 대 정확도#

컴퓨터 비전 파이프라인을 설계할 때 개발자는 정밀도와 지연 시간 사이의 절충안을 따져봐야 합니다. 다음 표는 표준 COCO dataset에서의 성능 차이를 보여줍니다.

모델	크기 ^(픽셀)	mAP^val 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

YOLOv5n	640	28.0	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

트레이드오프 분석#

YOLOv9은 순수 정밀도에서 절대적인 우위를 점합니다. YOLOv9e는 GELAN 레이어를 활용하여 미세한 디테일을 보존함으로써 mAP의 한계를 55.6%까지 끌어올립니다. 이 덕분에 의료 영상 분야나 작은 객체에 대해 엄격한 정확도가 요구되는 시나리오에서 탁월한 선택이 됩니다.

반면 YOLOv5는 순수한 배포 속도와 하드웨어 유연성 측면에서 빛을 발합니다. YOLOv5n(Nano)은 유례없이 경량화되어 있어, TensorRT를 통해 T4 GPU에서 단 1.12ms 만에 추론을 실행합니다. 제약이 있는 IoT 디바이스, 모바일폰 또는 Raspberry Pi에 배포하는 경우, YOLOv5의 메모리 풋프린트는 극도로 높은 신뢰성을 제공합니다.

Ultralytics 생태계의 이점#

모델을 선택할 때 주요 고려 사항 중 하나는 주변 소프트웨어 에코시스템입니다. YOLOv9은 최고 수준의 연구용 벤치마크를 제공하지만, 최신 Ultralytics Python API를 통해 두 모델을 모두 활용하면 간극을 좁히고 개발자에게 통합되고 간소화된 경험을 제공할 수 있습니다.

사용 편의성 및 내보내기#

Ultralytics는 복잡한 엔지니어링 난제를 추상화합니다. 자동 데이터 증강 및 하이퍼파라미터 튜닝과 같은 기능이 기본 제공됩니다. ONNX, OpenVINO 또는 TFLite 형식으로 모델을 변환하는 내장 내보내기 명령어를 통해 모델을 프로덕션 환경으로 옮기는 과정도 마찬가지로 매우 간단합니다.

태스크 범용성#

두 모델 모두 객체 검출에 탁월하지만, 최신 Ultralytics 모델은 다양한 컴퓨터 비전 과제를 해결하도록 설계되었습니다. 더 넓은 프레임워크는 이미지 분류, 인스턴스 세그멘테이션, 포즈 추정, 회전된 경계 상자(OBB)에 대한 네이티브 지원을 제공하므로, 개발자는 코드베이스를 전환하지 않고도 여러 비전 문제를 해결할 수 있습니다.

활용 사례 및 권장 사항#

YOLOv9와 YOLOv5 중 무엇을 선택할지는 특정 프로젝트 요구 사항, 배포 제약 조건 및 생태계 선호도에 따라 달라집니다.

YOLOv9를 선택해야 할 때#

YOLOv9는 다음 작업에 강력한 선택입니다:

정보 병목 현상 연구: PGI(Programmable Gradient Information) 및 GELAN(Generalized Efficient Layer Aggregation Network) 아키텍처를 연구하는 학술 프로젝트.
그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 계층에서의 정보 손실을 이해하고 완화하는 데 중점을 둔 연구.
고정밀 탐지 벤치마킹: YOLOv9의 강력한 COCO 벤치마크 성능을 아키텍처 비교를 위한 참조 지점으로 활용해야 하는 시나리오.

YOLOv5를 선택해야 하는 경우#

YOLOv5 권장 대상:

검증된 프로덕션 시스템: YOLOv5의 긴 안정성 이력, 광범위한 문서, 방대한 커뮤니티 지원이 가치 있게 평가되는 기존 배포 환경.
리소스가 제한된 학습: YOLOv5의 효율적인 학습 파이프라인과 낮은 메모리 요구 사항이 유리한, GPU 자원이 제한된 환경.
광범위한 내보내기 포맷 지원: ONNX, TensorRT, CoreML, TFLite를 포함한 다양한 포맷 전반에 걸친 배포가 필요한 프로젝트.

Ultralytics (YOLO26)를 선택해야 할 때#

대부분의 신규 프로젝트의 경우, Ultralytics YOLO26은 성능과 개발자 경험의 최상의 조합을 제공합니다.

NMS 미사용 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
CPU 전용 환경: 전용 GPU 가속이 없는 디바이스에서, 최대 43% 더 빠른 YOLO26의 CPU 추론 속도가 결정적인 이점을 제공합니다.
소형 객체 감지: 항공 드론 이미지나 IoT 센서 분석과 같은 까다로운 시나리오에서 ProgLoss와 STAL이 아주 작은 객체의 정확도를 크게 향상시킵니다.

구현 예시#

Ultralytics 생태계의 장점은 가중치 문자열만 변경하면 YOLOv5 모델과 YOLOv9 모델 간에 쉽게 전환할 수 있다는 점입니다.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model (swap to "yolov5s.pt" to use YOLOv5)
model = YOLO("yolov9c.pt")

# Train the model efficiently on a custom dataset
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on new images
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")

# Export to ONNX for seamless deployment
model.export(format="onnx")