YOLOv9 YOLOv5: 현대 객체 탐지 기술에 대한 심층 분석
컴퓨터 비전 분야는 엄청난 성장을 이루었으며, 객체 탐지 기술은 수많은 산업 및 연구 응용 분야의 핵심 역할을 수행해 왔습니다. 적절한 아키텍처를 선택하려면 평균 정밀도(mAP), 추론 속도, 메모리 오버헤드에 대한 신중한 평가가 종종 필요합니다. 본 비교에서는 두 가지 매우 영향력 있는 모델을 살펴봅니다: YOLOv9는 기울기 정보 보존 측면에서 아키텍처적 혁신으로 주목받고 있으며, Ultralytics YOLOv5를 살펴봅니다. 후자는 놀라운 사용 편의성과 비교할 수 없는 배포 유연성으로 알려진 검증된 산업 표준입니다.
건축적 혁신과 기술적 기원
이 두 모델의 근본적인 작동 원리를 이해하는 것은 각각의 성능 프로파일을 파악하는 데 중요한 맥락을 제공한다.
YOLOv9: 프로그래밍 가능한 그래디언트 정보
대만 중앙연구원 정보과학연구소의 왕첸야오(王建耀)와 리아오홍위안(廖宏源) 연구원이 개발한 YOLOv9 2024년 2월 21일에 YOLOv9 . 이 모델은 딥 뉴럴 네트워크에서 흔히 발생하는 정보 병목 현상을 해결하기 위해 두 가지 혁신적인 개념을 도입했습니다: 프로그래머블 그라디언트 정보(PGI)와 일반화된 효율적 레이어 집계 네트워크(GELAN)입니다.
PGI를 활용함으로써 YOLOv9 피드포워드 과정 전반에 걸쳐 핵심 정보가 유지되도록 하여 매우 정확한 기울기 업데이트를 YOLOv9 . 한편 GELAN 아키텍처는 매개변수 효율성을 극대화하여 놀라울 정도로 낮은 계산 오버헤드로 최첨단 정확도를 달성할 수 있게 합니다. 공식YOLOv9 논문에서 기술적 세부 사항을 살펴보거나 YOLOv9 저장소를 확인할 수 있습니다.
Ultralytics YOLOv5: 생산 환경의 표준
글렌 조처(Glenn Jocher)가 저술하고 Ultralytics 가 2020년 6월 Ultralytics 공개한 YOLOv5 컴퓨터 비전의 접근성을 혁신 YOLOv5 . 파이토치(PyTorch)에 원활하게 통합된 최초의 객체 탐지 모델 중 하나로, PyTorch 프레임워크에 기반한 최초의 객체 탐지 모델 중 하나로, 기존 Darknet C-프레임워크의 복잡성을 극복했습니다. YOLOv5 고도로 최적화된 CSPNet 백본과 PANet 넥을 YOLOv5 속도와 정확도 사이의 원활한 균형을 최우선으로 합니다.
그러나 가장 큰 성과는 Ultralytics 통합입니다. YOLOv5 빠른 훈련 효율성과 저메모리 환경을 위해 극도로 YOLOv5 , 엣지 배포 환경에서 놀라울 정도로 안정적입니다.
메모리 효율성
에지 디바이스용 모델을 평가할 때, Ultralytics YOLO 일반적으로 무거운 트랜스포머 기반 아키텍처에 비해 훈련 및 추론 과정에서 훨씬 적은 GPU 요구한다는 점을 기억하십시오.
성능 분석: 속도 vs. 정확도
컴퓨터 비전 파이프라인을 설계할 때 개발자는 정확도와 지연 시간 간의 상충 관계를 고려해야 합니다. 다음 표는 표준 COCO 성능 차이를 보여줍니다.
| 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 |
| 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 |
장단점 분석
YOLOv9 원시 정밀도에서 절대적인 우위를 YOLOv9 . YOLOv9e는 GELAN 레이어를 활용해 미세한 디테일을 보존함으로써 mAP 55. mAP 끌어올렸습니다. 이는 의료 영상이나 소형 물체에 대한 엄격한 정확도가 요구되는 시나리오에 탁월한 선택지입니다.
반대로, YOLOv5 는 순수 배포 속도와 하드웨어 유연성에서 두각을 나타냅니다. YOLOv5n(나노)은 가벼운 것으로 유명하며, GPU 단 1.12ms 만에 추론을 실행합니다. TensorRT를 통해 단 1.12ms 만에 추론을 실행합니다. 제한된 IoT 장치, 휴대폰 또는 라즈베리 파이에 배포하는 경우, YOLOv5 사용량은 이를 매우 안정적으로 YOLOv5 .
Ultralytics 에코시스템의 이점
모델 선택 시 주요 고려사항은 주변 소프트웨어 생태계입니다. YOLOv9 최상위 연구 벤치마크를 YOLOv9 반면, 현대적인 Ultralytics Python 통해 두 모델을 모두 활용하면 격차를 해소하여 개발자에게 통합되고 간소화된 경험을 제공합니다.
사용 편의성과 내보내기
Ultralytics 복잡한 엔지니어링 난제를 Ultralytics . 자동 데이터 증강 및 하이퍼파라미터 튜닝과 같은 기능은 기본적으로 제공됩니다. 모델을 프로덕션 환경으로 이동하는 것도 마찬가지로 간단하며, 모델을 ONNX, OpenVINO, 또는 TFLite 형식입니다.
작업의 다양성
두 모델 모두 객체 탐지에 탁월하지만, 최신 Ultralytics 다양한 컴퓨터 비전 과제를 해결하도록 설계되었습니다. 확장된 프레임워크는 이미지 분류, 인스턴스 분할, 자세 추정, 방향성 바운딩 박스(OBB)에 대한 기본 지원을 제공하여 개발자가 코드베이스를 전환하지 않고도 여러 비전 문제를 해결할 수 있게 합니다.
사용 사례 및 권장 사항
YOLOv9 YOLOv5 사이의 선택은 특정 프로젝트 요구사항, 배포 제약 조건 및 생태계 선호도에 따라 YOLOv5 .
9 선택해야 할 때
YOLOv9 다음과 같은 경우에 강력한 YOLOv9 :
- 정보 병목 연구: 프로그래머블 그라디언트 정보(PGI) 및 일반화된 효율적 레이어 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트.
- 경사 흐름 최적화 연구: 훈련 과정에서 심층 신경망 레이어에서 발생하는 정보 손실을 이해하고 완화하는 데 초점을 맞춘 연구.
- 고정밀도 탐지 벤치마킹: YOLOv9 강력한 COCO 성능이 아키텍처 비교를 위한 기준점으로 필요한 시나리오들.
5 선택해야 할 때
YOLOv5 다음에 권장YOLOv5 :
- 검증된 생산 시스템: YOLOv5 오랜 안정성 track , 방대한 문서화, 그리고 대규모 커뮤니티 지원이 가치 있게 여겨지는 기존 배포 환경.
- 자원 제약 훈련: GPU 제한된 환경에서 YOLOv5 효율적인 훈련 파이프라인과 낮은 메모리 요구사항이 유리합니다.
- 다양한 내보내기 형식 지원: ONNX, TensorRT, CoreML, 그리고 TFLite.
Ultralytics YOLO26)를 선택해야 할 때
대부분의 신규 프로젝트에 대해 Ultralytics 성능과 개발자 경험의 최적 조합을 제공합니다:
- NMS 에지 배포: 복잡한 비최대 억제(NMS) 후처리 없이도 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
- CPU 전용 환경: 전용 GPU 없는 장치에서, YOLO26의 최대 43% 빠른 CPU 성능이 결정적인 이점을 제공합니다.
- 소형 물체 탐지: 항공 드론 영상이나 IoT 센서 분석과 같은 까다로운 시나리오에서 ProgLoss와 STAL이 미세한 물체의 정확도를 크게 향상시킵니다.
구현 예시
Ultralytics 장점은 가중치 문자열만 변경하면 YOLOv5 YOLOv9 간편하게 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")
새로운 아키텍처 탐구
YOLOv5 YOLOv9 뚜렷한 장점을 지닌 우수한 YOLOv9 , 해당 분야는 계속해서 발전하고 YOLOv9 . 새로운 프로젝트를 탐색하는 사용자들은 Ultralytics 최신 버전을 평가해 볼 수도 있습니다.
- YOLO11: YOLOv8 강력하고 정교한 진화로, 모든 비전 작업에서 탁월한 속도-정확도 균형을 제공합니다.
- YOLO26: 2026년 출시된 YOLO26은 현대적 파이프라인을 위한 궁극의 추천 모델입니다. 엔드투엔드 NMS 프리 설계( End-to-End NMS Design)를 도입하여 후처리 병목 현상을 완전히 제거했습니다. DFL 제거 (간편한 내보내기와 저전력/에지 디바이스 호환성 향상을 위한 분포 초점 손실(DFL) 제거)를 통해 CPU 속도를 최대 43%까지 향상시켰습니다. 새로운 MuSGD 최적화기를 통해 훈련 안정성이 극대화되었으며, ProgLoss + STAL은 IoT, 로봇공학, 항공 이미징에 중요한 소형 물체 인식 성능에서 현저한 개선을 보여주는 향상된 손실 함수를 제공합니다. 이를 통해 엣지 및 클라우드 배포 모두에 가장 견고한 아키텍처로 자리매김했습니다.
대규모 데이터셋과 복잡한 배포 파이프라인을 관리하는 팀에게 Ultralytics 활용하면 이러한 첨단 모델을 손쉽게 훈련, track 및 배포할 수 있는 노코드 솔루션을 제공합니다.