YOLOv9 대 YOLOv7#
실시간 object detection의 진화는 연산 효율성과 높은 정확도의 균형을 맞추려는 지속적인 노력에 의해 주도되어 왔습니다. 이 과정에서 중요한 두 가지 랜드마크 아키텍처는 대만 타이베이의 아카데미아 시니카(Academia Sinica) 정보과학연구소 연구원들이 개발한 YOLOv9과 YOLOv7입니다. YOLOv7이 혁신적인 학습용 프리비 백(bag-of-freebies)을 도입한 반면, 최신 모델인 YOLOv9은 딥러닝 정보 병목 현상을 정면으로 해결합니다.
이 종합적인 기술 비교에서는 두 모델의 아키텍처 차이점, performance metrics, 그리고 이상적인 배포 시나리오를 살펴봄으로써 ML 엔지니어와 연구자가 컴퓨터 비전 파이프라인에 적합한 도구를 선택할 수 있도록 돕습니다.
성능 및 지표 비교#
이 모델들을 비교할 때, 기본 성능과 효율성은 중요한 요소입니다. 다음 표는 표준 COCO 데이터셋 벤치마크에 대한 평균 정밀도(mAP)와 컴퓨팅 요구 사항을 자세히 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
YOLOv9c가 YOLOv7x(53.1 mAP)와 거의 동일한 정확도(53.0 mAP)를 달성하면서도 파라미터 수(25.3M vs 71.3M)와 FLOP을 훨씬 적게 사용한다는 점에 주목하십시오. 이는 최신 아키텍처의 Performance Balance 개선 사항을 잘 보여줍니다.
YOLOv9: 정보 병목 현상 해결#
2024년 초에 도입된 YOLOv9는 심층 신경망이 레이어 전체에서 데이터를 유지하는 방식을 근본적으로 변화시켰습니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 조직: Institute of Information Science, Academia Sinica
- 날짜: 2024년 2월 21일
- Resources: Arxiv Paper | GitHub Repository
아키텍처 혁신#
YOLOv9는 GELAN(Generalized Efficient Layer Aggregation Network)과 PGI(Programmable Gradient Information)를 도입합니다. GELAN은 CSPNet과 ELAN의 강점을 결합하여 매개변수 효율성과 컴퓨팅 비용을 최적화하며, 더 적은 매개변수 수로 높은 정밀도를 보장합니다. PGI는 심층 네트워크에서 데이터 손실을 방지하도록 설계된 보조 감독 프레임워크로, 학습 과정에서 가중치를 업데이트하기 위한 신뢰할 수 있는 그래디언트를 생성합니다.
강점 및 한계#
YOLOv9의 주된 강점은 엄청난 연산 오버헤드 없이 미세한 특징을 추출할 수 있는 능력에 있으며, 이로 인해 medical image analysis와 같이 높은 특징 충실도가 필요한 작업에 매우 유능합니다. 그러나 학습 중의 복잡한 PGI 구조는 더 통일된 프레임워크에 비해 초보자가 맞춤형 아키텍처 수정을 수행하는 것을 더 어렵게 만들 수 있습니다.
YOLOv7: Bag-of-Freebies의 선구자#
2022년에 출시된 YOLOv7은 소비자 하드웨어에서 가능한 것의 새로운 벤치마크를 설정했으며, real-time inference 속도를 크게 향상시킨 구조적 혁신을 도입했습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 조직: Institute of Information Science, Academia Sinica
- 날짜: 2022년 7월 6일
- Resources: Arxiv Paper | GitHub Repository
아키텍처 혁신#
YOLOv7의 핵심 기여는 E-ELAN(Extended Efficient Layer Aggregation Network)입니다. 이 아키텍처는 모델이 더 다양한 특징을 지속적으로 학습할 수 있게 합니다. 또한, YOLOv7은 계획된 재매개변수화 컨볼루션 및 동적 레이블 할당과 같은 '학습 가능한 bag-of-freebies' 기술을 사용합니다. 이러한 방법은 배포 시 추론 비용을 추가하지 않고도 학습 중에 모델의 정확도를 향상시킵니다.
강점 및 한계#
YOLOv7은 실시간 엣지 처리에 최적화되어 있으며 레거시 시스템과 구형 CUDA environments에서 여전히 핵심적인 역할을 합니다. 오늘날의 주요 한계점은 최신 모델에 비해 파라미터 크기가 더 크다는 것입니다. 성능 표에 나타난 바와 같이, 최고 수준의 정확도를 달성하려면 동등한 현대 아키텍처보다 훨씬 더 많은 GPU memory를 요구하는 무거운 YOLOv7x 모델이 필요합니다.
Ultralytics의 강점: 간소화된 배포#
YOLOv9과 YOLOv7의 원본 연구 리포지토리는 훌륭한 학술적 기반을 제공하지만, 프로덕션 환경에 이러한 모델을 배포하는 것은 복잡할 수 있습니다. ultralytics 패키지를 통해 이들을 통합하면 비할 데 없는 Ease of Use를 제공합니다.
통합된 Ultralytics Platform을 활용함으로써 개발자는 직관적인 Python API, 활발한 커뮤니티 지원, 그리고 강력한 experiment tracking 기능을 갖춘 잘 유지 관리되는 생태계의 이점을 누릴 수 있습니다.
YOLO26으로 미래를 대비하다#
새로운 컴퓨터 비전 프로젝트를 시작하는 경우, YOLOv9과 YOLOv7 대신 새로 출시된 **YOLO26**을 살펴보는 것을 강력히 권장합니다. 새로운 최첨단 표준으로 출시된 YOLO26은 획기적인 발전 사항을 제공합니다:
- 엔드투엔드 NMS-Free 설계: NMS(Non-Maximum Suppression) 후처리를 제거하여 배포 복잡성과 지연 시간을 획기적으로 줄입니다.
- 최대 43% 더 빠른 CPU 추론: edge computing 환경에 최적화되어 전용 GPU 없이도 애플리케이션이 원활하게 실행되도록 보장합니다.
- MuSGD 옵티마이저: LLM 학습에서 영감을 받은 하이브리드 옵티마이저로, 매우 안정적인 수렴을 제공하고 학습 시간을 단축합니다.
- DFL 제거: Distribution Focal Loss를 제거하여 모델 내보내기를 간소화하고, 저전력 모바일 기기와의 호환성을 향상시킵니다.
- ProgLoss + STAL: 소형 객체 탐지 성능을 대폭 향상시켜 aerial imagery 및 감시 분야에 최고의 선택이 됩니다.
생태계 내의 다른 인기 있는 대안으로는 Ultralytics YOLOv8 및 YOLO11이 있으며, 두 모델 모두 instance segmentation 및 pose estimation과 같은 작업에서 엄청난 범용성을 제공합니다.
구현 예시#
통합 API를 사용하면 이러한 아키텍처 중 어떤 것이든 학습하고 내보내는 것이 매우 간단합니다. 아래 코드는 Ultralytics 도구의 특징인 간소화된 학습 효율성을 보여줍니다.
from ultralytics import YOLO
# Initialize YOLOv9 or the recommended YOLO26 model
model = YOLO("yolov9c.pt") # Swap with "yolo26n.pt" for faster edge performance
# Train on a custom dataset with built-in data augmentation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)
# Export the trained model to ONNX format for deployment
model.export(format="onnx")소비자용 하드웨어에서 학습할 때 메모리 효율성은 매우 중요합니다. Ultralytics의 YOLOv9 및 YOLO26 구현은 학습 중에 심각한 메모리 팽창을 겪는 트랜스포머 기반 모델(RT-DETR 등)과 달리 VRAM 스파이크를 줄이기 위해 강력하게 최적화되어 있습니다.
실제 애플리케이션 및 이상적인 사용 사례#
이러한 아키텍처 사이의 선택은 종종 운영 환경의 특정 제약 조건에 달려 있습니다.
When to use YOLOv9: YOLOv9은 미세한 디테일 유지가 필요한 환경에서 뛰어난 성능을 발휘합니다. 견고한 특징 추출 기능 덕분에 선반에 빽빽하게 진열된 제품을 세는 retail analytics나 작은 잎사귀의 초기 단계 작물 병해를 식별하는 것이 중요한 농업 응용 분야에 이상적입니다.
When to use YOLOv7: YOLOv7은 레거시 배포 파이프라인을 위한 강력한 후보로 남아 있습니다. Google Coral Edge TPU의 특정 세대와 같은 구형 하드웨어 시스템에 통합하는 경우, YOLOv7의 단순한 CNN 아키텍처가 최신 모델의 더 복잡한 그래디언트 분기보다 컴파일하기 더 쉬울 수 있습니다.
When to use YOLO26 (Recommended): 자율주행 드론부터 스마트 시티 traffic management에 이르기까지 모든 현대적 배포에서 YOLO26이 우수한 선택입니다. NMS가 없는 아키텍처는 안전이 중요한 로봇 공학에 필수적인 결정론적 추론 시간을 보장하며, 높은 정밀도는 전반적으로 YOLOv9과 YOLOv7을모두 능가합니다.