YOLOv9과 YOLOv6-3.0
실시간 객체 탐지의 발전은 추론 속도, 정확도, 계산 효율성의 균형을 맞추는 신경망 아키텍처의 지속적인 혁신에 의해 이루어졌습니다. 개발자와 연구자가 다양한 컴퓨터 비전 프레임워크 중에서 선택할 때는 적합한 도구를 고르기 위해 주요 아키텍처를 비교하는 일이 필수적입니다.
이 기술 가이드에서는 역량이 뛰어난 두 모델을 비교합니다. 심층 네트워크에서 정보를 보존하는 것으로 알려진 YOLOv9과 산업용 애플리케이션에 맞춰 설계된 모델인 YOLOv6-3.0입니다.
YOLOv9 개요: 특징 보존 극대화#
2024년 초에 출시된 YOLOv9은 심층 신경망의 가장 지속적인 과제 중 하나인 순전파 과정의 정보 손실을 해결합니다. 그래디언트의 신뢰성을 유지하고 특징 맵이 중요한 데이터를 보존하도록 지원해 정확도를 높입니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2024년 2월 21일
- 링크: arXiv 논문, GitHub 저장소
아키텍처 및 방법론#
YOLOv9은 일반화 효율적 레이어 집계 네트워크(GELAN)와 함께 프로그래밍 가능한 그래디언트 정보(PGI) 개념을 도입합니다. PGI는 보조 감독을 제공해 추론 오버헤드를 추가하지 않고도 메인 네트워크가 견고하고 신뢰할 수 있는 특징을 학습하도록 하여 정보 병목을 해결합니다. 한편 GELAN은 매개변수 활용을 최적화해 계산 비용을 관리 가능한 수준으로 유지하면서 최첨단 평균 정밀도(mAP)를 달성하도록 합니다. 따라서 특징 충실도가 중요한 의료 영상 분석이나 매우 작은 객체의 탐지에 적합합니다.
YOLOv6-3.0 개요: 산업 규모에 맞춘 설계#
Meituan이 개발한 YOLOv6-3.0(v3.0이라고도 함)은 고부하 산업용 애플리케이션을 지원하도록 처음부터 설계되었습니다. 2023년 초에 출시된 이 모델은 배포 효율성에 중점을 두며 엣지 하드웨어에서 우수한 성능을 발휘하는 양자화 친화적 모델 제품군을 제공합니다.
- 저자: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, Xiangxiang Chu
- 조직: Meituan
- 날짜: 2023년 1월 13일
- 링크: arXiv 논문, GitHub 저장소
아키텍처 및 방법론#
YOLOv6-3.0은 RepOptimizer와 앵커 지원 학습(AAT) 전략으로 차별화됩니다. RepVGG에서 영감을 얻은 하드웨어 인식 신경망 설계를 활용해 레이어를 융합함으로써 추론 시 GPU에서 매우 빠르게 실행됩니다. 3.0 업데이트에서는 양방향 연결(BiC) 모듈을 도입해 아키텍처를 더욱 개선하고 위치 정확도를 높였습니다. TensorRT 및 OpenVINO와 같은 배포 형식에 고도로 최적화되어 있으므로 YOLOv6-3.0은 물류, 제조 자동화, 고처리량 서버 환경에서 자주 채택됩니다.
성능 비교#
표준 COCO 데이터셋에서 이 모델들을 평가하면 정확도와 기본 추론 속도 사이의 뚜렷한 절충점이 나타납니다.
| 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 |
| 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 |
기술 분석#
YOLOv6-3.0n은 T4 하드웨어에서 기본 속도(1.17ms)가 가장 빠르지만, YOLOv9t는 매개변수 절반 이하(2.0M 대 4.7M)를 사용하면서 약간 더 높은 mAP(38.3%)를 달성하고 FLOPs도 크게 줄입니다. 복잡하고 높은 정확도가 필요한 경우 가장 큰 모델인 YOLOv9e는 55.6% mAP에 도달해 심층 네트워크에서 PGI 아키텍처의 강점을 보여줍니다.
새로운 컴퓨터 비전 프로젝트를 시작한다면 Ultralytics는 YOLO26을 권장합니다. 2026년 1월에 출시된 YOLO26은 기본 제공되는 엔드투엔드 NMS 없는 설계(nms=False)를 적용해 비최대 억제(NMS) 후처리 지연 시간을 제거하며, YOLO26n은 YOLO11n보다 최대 43% 빠른 CPU 추론을 제공합니다.
Ultralytics 생태계의 이점#
선호하는 모델 아키텍처가 무엇이든 Ultralytics Python API를 통해 기본적으로 구현하면 일관된 개발자 경험을 얻을 수 있습니다.
사용 편의성 및 학습 효율성#
복잡한 딥러닝 모델을 학습하려면 전통적으로 상당한 양의 상용구 코드가 필요합니다. Ultralytics Platform과 Python 패키지가 이러한 복잡한 작업을 처리합니다. 결함 탐지를 위해 YOLOv9을 미세 조정하거나 모바일 애플리케이션용으로 YOLOv6을 내보내는 경우에도 워크플로는 동일하게 유지됩니다.
Ultralytics 아키텍처는 학습 중 더 무거운 Transformer 기반 모델보다 CUDA 메모리 요구량이 대체로 적습니다. 따라서 개발자는 소비자용 GPU에서 더 큰 배치 크기를 사용해 학습 효율성을 높일 수 있습니다.
from ultralytics import YOLO
# 모델 파일 문자열을 바꾸기만 하면 아키텍처를 간편하게 전환할 수 있습니다
# model = YOLO("yolov6n.yaml") # YOLOv6은 YAML 구성으로 사용할 수 있습니다(사전 학습된 가중치 없음)
model = YOLO("yolov9c.pt")
# 내장된 데이터 증강 및 캐싱 기능을 사용해 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")
# ONNX 또는 TensorRT로 내보내기
model.export(format="engine", quantize=16)다양한 비전 작업에 적용#
YOLOv6-3.0은 경계 상자를 빠르게 생성하도록 고도로 최적화되어 있지만, 최신 컴퓨터 비전 프로젝트에는 여러 작업을 아우르는 접근 방식이 필요한 경우가 많습니다. Ultralytics 모델은 다용성으로 잘 알려져 있습니다. Ultralytics YOLOv8과 최신 YOLO26 같은 모델을 사용하면 단일 프레임워크에서 객체 탐지, 인스턴스 분할, 이미지 분류, 포즈 추정, 방향 경계 상자(OBB)를 처리할 수 있습니다.
YOLO26 소개: 새로운 표준#
성능과 배포 편의성을 모두 극대화하려는 조직에는 YOLO26이 속도와 정확도를 강력하게 조합한 선택지를 제공합니다.
YOLO11의 성공을 바탕으로 YOLO26은 다음과 같은 새로운 기능을 도입합니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델(LLM) 학습 기법에서 영감을 얻은 SGD와 Muon의 하이브리드로, 안정적인 학습과 빠른 수렴을 제공합니다.
- DFL 제거: 분포 초점 손실을 제거해 YOLO26은 내보내기 그래프를 간소화하고 저전력 엣지 컴퓨팅 칩과의 호환성을 높입니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식 레이블 할당(STAL)은 소형 객체 탐지를 향상하며, 이는 드론 운용 및 IoT 애플리케이션에 매우 중요합니다.
- 작업별 개선 사항: YOLO26은 분할을 위한 다중 스케일 프로토 모듈, 포즈 추정을 위한 잔차 로그 우도 추정(RLE), OBB 탐지의 경계 문제를 해결하는 특수 각도 손실을 포함합니다.
적합한 배포 시나리오#
적합한 아키텍처는 결국 프로덕션 환경의 제약 조건에 따라 결정됩니다.
산업 제조 분야에 기존 파이프라인이 있고 양자화에 크게 의존하며 가장 낮은 하드웨어 지연 시간이 필요한 특수 추론 가속기를 활용한다면 YOLOv6-3.0을 선택하세요.
미묘한 픽셀 수준 특징을 놓칠 수 없는 복잡한 의료 진단이나 장거리 감시 작업을 수행한다면 YOLOv9을 선택하세요.
그러나 높은 정확도와 간소화된 NMS 없는 배포를 결합한 균형 잡힌 접근 방식을 원한다면 활발한 개발, 포괄적인 문서, 커뮤니티 지원을 바탕으로 하는 Ultralytics YOLO26이 최신 컴퓨터 비전 엔지니어링에 권장되는 선택지입니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.