YOLOv9 vs. YOLOv6-3.0: 상세 기술 비교
최적의 객체 감지 모델을 선택하는 것은 모든 컴퓨터 비전 프로젝트에서 매우 중요한 결정이며, 성능, 속도 및 배포 가능성에 직접적인 영향을 미칩니다. 이 페이지에서는 정확도와 효율성으로 알려진 최첨단 모델인 YOLOv9와 고속 산업 애플리케이션을 위해 설계된 모델인 YOLOv6-3.0 간의 심층적인 기술적 비교를 제공합니다. 필요에 가장 적합한 모델을 선택하는 데 도움이 되도록 아키텍처, 성능 지표 및 이상적인 사용 사례를 살펴보겠습니다.
YOLOv9: 최첨단 정확도 및 효율성
YOLOv9은 2024년 2월에 소개된 실시간 객체 감지의 중요한 도약을 의미합니다. 딥 러닝 신경망의 근본적인 정보 손실 문제를 해결하여 인상적인 효율성을 유지하면서 정확도에서 새로운 정점을 달성했습니다.
작성자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
소속: Institute of Information Science, Academia Sinica, Taiwan
날짜: 2024-02-21
Arxiv: https://arxiv.org/abs/2402.13616
GitHub: https://github.com/WongKinYiu/yolov9
문서: https://docs.ultralytics.com/models/yolov9/
아키텍처 및 주요 기능
YOLOv9은 두 가지 획기적인 개념인 PGI(Programmable Gradient Information)와 GELAN(Generalized Efficient Layer Aggregation Network)을 도입했습니다. YOLOv9 논문에 자세히 설명된 바와 같이 PGI는 데이터가 심층 네트워크 레이어를 통과할 때 정보 손실을 방지하도록 설계되어 모델이 정확한 업데이트를 위한 중요한 기울기 정보를 유지하도록 합니다. GELAN은 파라미터 활용률과 계산 효율성을 최적화하는 새로운 네트워크 아키텍처로, YOLOv9이 과도한 계산 부담 없이 뛰어난 성능을 제공할 수 있도록 합니다.
Ultralytics 생태계에 통합되면 YOLOv9은 간소화된 사용자 경험, 포괄적인 문서 및 강력한 지원 네트워크의 이점을 누릴 수 있습니다. 이를 통해 강력할 뿐만 아니라 훈련 및 배포가 매우 용이합니다.
강점
- 탁월한 정확도: COCO 데이터 세트와 같은 표준 벤치마크에서 최첨단 mAP 점수를 달성하여 이전의 많은 모델보다 뛰어난 성능을 보입니다.
- 높은 효율성: GELAN 아키텍처는 경쟁 모델에 비해 더 적은 파라미터와 FLOPs로 우수한 성능을 보장하므로 엣지 AI 장치에 배포하는 데 적합합니다.
- 정보 보존: PGI는 심층 네트워크에서 흔히 발생하는 정보 병목 현상 문제를 효과적으로 완화하여 더 나은 모델 학습과 더욱 안정적인 감지로 이어집니다.
- Ultralytics 생태계: 활발한 개발, 간단한 API, 사전 학습된 가중치를 사용한 효율적인 학습 프로세스, MLOps를 위한 Ultralytics HUB와의 통합을 통해 이점을 얻을 수 있습니다. 또한 일반적으로 다른 아키텍처에 비해 학습 중 메모리 요구 사항이 더 낮습니다.
- 다재다능함: 원본 연구에서는 Ultralytics 모델의 다재다능한 특성에 맞춰 인스턴스 분할 및 전방위 분할과 같은 다중 작업 기능에 대한 잠재력을 보여줍니다.
약점
- 참신성: 최신 모델이므로 커뮤니티에서 제공하는 배포 예제의 양은 아직 증가하고 있지만 Ultralytics 프레임워크 내 통합으로 인해 광범위한 도입이 가속화됩니다.
사용 사례
YOLOv9은 높은 정밀도가 필수적인 애플리케이션에 이상적입니다.
- 첨단 운전자 보조 시스템(ADAS): 차량, 보행자 및 장애물을 정확하게 실시간으로 감지하는 데 매우 중요합니다.
- 고해상도 의료 영상: 종양 감지 같이 정보의 완전성이 중요한 작업에서 세부 분석에 적합합니다.
- 복잡한 산업 자동화: 작은 결함을 안정적으로 식별해야 하는 제조 분야의 품질 관리에 적합합니다.
YOLOv6-3.0: 산업 속도에 최적화됨
YOLOv6-3.0은 중국 기술 플랫폼인 Meituan에서 개발한 YOLOv6 시리즈의 반복입니다. 2023년 1월에 출시되었으며 산업 배포를 위한 추론 속도와 효율성에 중점을 두고 설계되었습니다.
작성자: Chuyi Li, Lulu Li, Yifei Geng 외
소속: Meituan
날짜: 2023-01-13
Arxiv: https://arxiv.org/abs/2301.05586
GitHub: https://github.com/meituan/YOLOv6
문서: https://docs.ultralytics.com/models/yolov6/
아키텍처 및 주요 기능
YOLOv6-3.0은 하드웨어 인식을 고려한 신경망 설계를 채택하여 GPU와 같은 특정 하드웨어에서 더 빠른 추론을 위해 아키텍처를 최적화합니다. 정확도와 속도의 균형을 맞추기 위해 효율적인 재파라미터화 백본과 하이브리드 블록으로 구축된 넥이 특징입니다. 이 모델은 계산 효율성에 중점을 둔 기존의 CNN(Convolutional Neural Network)으로 구축되었습니다.
강점
- 높은 추론 속도: 이 아키텍처는 빠른 객체 감지를 위해 고도로 최적화되어 있으며, 특히 GPU 하드웨어에서 그렇습니다.
- 우수한 정확도-속도 균형: 매우 빠른 추론 시간을 유지하면서 경쟁력 있는 mAP 점수를 달성하여 실시간 시스템에 적합합니다.
- 산업 분야 집중: 실제 산업 응용 분야의 특정 요구 사항을 염두에 두고 설계되었습니다.
약점
- 낮은 최고 정확도: 빠르긴 하지만, 특히 더 큰 모델 변형에서는 YOLOv9와 동일한 최고 정확도 수준에 도달하지 못합니다.
- 더 작은 생태계: YOLOv6을 둘러싼 커뮤니티와 생태계는 Ultralytics의 더 널리 채택된 모델에 비해 작으며, 이는 문서, 튜토리얼 및 지원이 더 적고 느릴 수 있음을 의미합니다.
- 제한적인 다용도성: 주로 객체 감지에 중점을 두고 있으며 Ultralytics 프레임워크에서 볼 수 있는 분할 또는 포즈 추정과 같은 다른 작업에 대한 기본 지원이 부족합니다.
사용 사례
YOLOv6-3.0은 추론 속도가 최우선 순위인 시나리오에 적합합니다.
- 실시간 감시: 보안 경보 시스템과 같이 비디오 스트림의 빠른 분석이 필요한 애플리케이션입니다.
- 모바일 애플리케이션: 효율적인 설계 덕분에 리소스가 제한된 모바일 장치에 배포하기에 적합합니다.
- 고처리량 시스템: 완벽한 정확도로 모든 단일 객체를 감지하는 것보다 속도가 더 중요한 패키지 분류와 같은 환경입니다.
성능 분석: YOLOv9 vs. YOLOv6-3.0
YOLOv9와 YOLOv6-3.0 간의 성능 비교는 정확도와 효율성 간의 상충 관계를 강조합니다. YOLOv9는 모델 변형 전반에 걸쳐 일관되게 우수한 정확도를 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
표에서 몇 가지 중요한 통찰력을 얻을 수 있습니다.
- 최고 정확도: YOLOv9-E는 55.6 mAP라는 놀라운 성능을 달성하여 최고의 YOLOv6-3.0 모델(52.8 mAP)을 크게 능가합니다.
- 효율성: YOLOv9는 뛰어난 파라미터 효율성을 보여줍니다. 예를 들어 YOLOv9-C는 파라미터(25.3M vs. 59.6M)와 FLOP(102.1B vs. 150.7B)을 절반 미만으로 사용하면서 YOLOv6-3.0l(52.8)보다 더 높은 mAP(53.0)를 달성합니다.
- 속도: YOLOv6-3.0의 더 작은 모델(예: YOLOv6-3.0n)은 매우 빠르기(1.17ms 지연 시간) 때문에 속도가 최우선 순위이고 정확도가 약간 떨어지는 것이 허용되는 애플리케이션에 탁월합니다. 그러나 주어진 정확도 수준에서는 YOLOv9가 종종 더 효율적입니다.
학습 방법론
두 모델 모두 표준 딥러닝 학습 방식을 사용하지만 사용자 경험은 크게 다릅니다. Ultralytics 프레임워크 내에서 YOLOv9를 학습하는 것은 매우 간단합니다. 이 생태계는 간소화된 학습 워크플로, 쉬운 하이퍼파라미터 튜닝, 효율적인 데이터 로더 및 TensorBoard 및 Weights & Biases와 같은 로깅 도구와의 원활한 통합을 제공합니다. 이 포괄적인 지원 시스템은 개발을 가속화하고 실험 관리를 단순화합니다. 또한 Ultralytics 모델은 학습 중 효율적인 메모리 사용을 위해 최적화되어 있습니다.
YOLOv6-3.0을 학습하려면 공식 GitHub 저장소에 설명된 절차를 따라야 하며, 이는 플러그 앤 플레이 솔루션을 찾는 개발자에게는 접근성이 떨어질 수 있습니다.
결론: YOLOv9이 선호되는 이유
YOLOv6-3.0은 고속 산업 시나리오에서 뛰어난 성능을 발휘하는 유능한 모델이지만, YOLOv9은 대부분의 최신 컴퓨터 비전 애플리케이션에서 더 나은 선택으로 부상하고 있습니다.
YOLOv9은 뛰어난 연산 효율성으로 최첨단 정확도를 제공하는 더욱 강력한 패키지를 제공합니다. 혁신적인 아키텍처는 딥 러닝의 주요 과제를 효과적으로 해결하여 더욱 강력하고 안정적인 모델을 만듭니다. 그러나 핵심적인 장점은 Ultralytics 생태계 내 통합에 있습니다. 이를 통해 개발자와 연구자는 탁월한 사용 편의성, 광범위한 문서, 활발한 커뮤니티 지원, 간단한 객체 감지 이상의 다양한 작업을 지원하는 다용도 플랫폼을 이용할 수 있습니다.
최고의 정확도, 더 큰 효율성 및 원활한 개발 워크플로를 요구하는 프로젝트의 경우 YOLOv9가 확실한 승자입니다.
다른 고급 모델을 모색하는 사용자를 위해 Ultralytics는 다재다능한 Ultralytics YOLOv8, 업계 표준 Ultralytics YOLOv5 및 최첨단 Ultralytics YOLO11을 포함하여 다양한 고성능 대안을 제공합니다. RT-DETR과 같은 모델과의 자세한 비교는 모델 비교 허브에서 확인할 수 있습니다.
