YOLOv9과 YOLOv7 비교
실시간 객체 탐지의 발전은 계산 효율성과 높은 정확도 사이의 균형을 지속적으로 개선하려는 노력에 의해 이루어졌습니다. 이 과정에서 중요한 두 아키텍처인 YOLOv9과 YOLOv7은 모두 대만 중앙연구원 정보과학연구소의 연구진이 개발했습니다. YOLOv7이 학습 가능한 bag-of-freebies 방식을 도입한 반면, 최신 YOLOv9은 딥러닝의 정보 병목 현상을 직접 해결합니다.
이 기술 비교에서는 두 모델의 아키텍처 차이, 성능 지표, 적합한 배포 시나리오를 살펴보고 ML 엔지니어와 연구자가 컴퓨터 비전 파이프라인에 알맞은 도구를 선택하도록 돕습니다.
성능 및 지표 비교#
이 모델들을 비교할 때 기본 성능과 효율성은 핵심 요소입니다. 다음 표는 표준 COCO 데이터셋 벤치마크에서의 평균 정밀도(mAP)와 계산 요구 사항을 보여줍니다.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
YOLOv9c는 YOLOv7x와 거의 같은 정확도(53.0 mAP 대 53.1 mAP)를 달성하면서 매개변수는 약 64% 적게(25.5M 대 71.3M), FLOPs는 약 절반만(102.8B 대 189.9B) 사용합니다. 이는 최신 아키텍처가 정확도와 효율성의 균형을 얼마나 개선했는지 보여줍니다.
YOLOv9: 정보 병목 문제 해결#
2024년 초에 출시된 YOLOv9은 심층 신경망이 레이어 전반에 걸쳐 정보를 유지하는 방식을 바꾸었습니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 조직: 정보과학연구소, Academia Sinica
- 날짜: 2024년 2월 21일
- 자료: arXiv 논문 | GitHub 저장소
아키텍처 혁신#
YOLOv9은 일반화 효율적 레이어 집계 네트워크(GELAN)와 프로그래밍 가능한 그래디언트 정보(PGI)를 도입합니다. GELAN은 CSPNet과 ELAN의 장점을 결합해 매개변수 효율성과 계산 비용을 최적화하며, 적은 매개변수로 높은 정확도를 제공합니다. PGI는 심층 네트워크의 데이터 손실을 방지하도록 설계된 보조 감독 프레임워크로, 학습 중 가중치를 업데이트하는 데 사용할 안정적인 그래디언트를 생성합니다.
장점과 한계#
YOLOv9의 주요 강점은 높은 계산 부담 없이 미세한 특징을 추출하는 능력으로, 의료 영상 분석처럼 특징 충실도가 중요한 작업에 적합합니다. 하지만 학습 중 복잡한 PGI 구조를 사용하므로 통합 프레임워크에 비해 초보자가 아키텍처를 사용자 지정하기는 더 어려울 수 있습니다.
YOLOv7: 백 오브 프리 기능의 선구자#
2022년에 출시된 YOLOv7은 실시간 탐지의 새로운 기준을 세웠으며, 실시간 추론 속도를 크게 개선하는 구조적 혁신을 도입했습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 조직: 정보과학연구소, Academia Sinica
- 날짜: 2022년 7월 6일
- 자료: arXiv 논문 | GitHub 저장소
아키텍처 혁신#
YOLOv7의 핵심 기여는 확장 효율적 계층 집계 네트워크(E-ELAN)입니다. 이 아키텍처를 통해 모델은 더 다양한 특징을 지속적으로 학습할 수 있습니다. 또한 YOLOv7은 계획된 재매개변수화 합성곱 및 동적 레이블 할당과 같은 "학습 가능한 백 오브 프리" 기법을 사용합니다. 이러한 방법은 배포 시 추론 비용을 추가하지 않으면서 학습 중 모델의 정확도를 높입니다.
장점과 한계#
YOLOv7은 실시간 엣지 처리에 최적화되어 있으며 레거시 시스템과 구형 CUDA 환경에서 여전히 널리 사용됩니다. 오늘날의 주요 한계는 최신 모델보다 매개변수 규모가 크다는 점입니다. 성능 표에서 볼 수 있듯이 최고 수준의 정확도를 얻으려면 더 큰 YOLOv7x 모델이 필요하며, 이에 상응하는 최신 아키텍처보다 훨씬 더 많은 GPU 메모리를 사용합니다.
Ultralytics의 강점: 간소화된 배포#
YOLOv9과 YOLOv7의 원본 연구 저장소는 훌륭한 학술적 기반을 제공하지만, 프로덕션 환경에 배포하는 작업은 복잡할 수 있습니다. ultralytics 패키지를 통해 YOLOv9을 통합하면 배포가 훨씬 쉬워집니다(YOLOv7은 내보낸 ONNX 또는 TensorRT 모델을 통해서만 지원됩니다).
Ultralytics Platform을 사용하면 개발자는 직관적인 Python API, 활발한 커뮤니티 지원, 강력한 실험 추적을 갖춘 잘 관리되는 생태계를 활용할 수 있습니다.
YOLO26으로 미래 대비하기#
새로운 컴퓨터 비전 프로젝트를 시작한다면 Ultralytics는 YOLOv9과 YOLOv7 대신 2026년 1월에 출시된 YOLO26을 권장합니다. YOLO26은 다음과 같은 여러 개선 사항을 제공합니다.
- 엔드투엔드 NMS 없는 설계: 선택 사항인 일대일 헤드(
nms=False)는 비최대 억제(NMS) 후처리를 생략해 배포 복잡성과 지연 시간을 줄입니다. - 최대 43% 빠른 CPU 추론: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 전용 GPU가 없는 엣지 컴퓨팅 환경에서도 애플리케이션이 원활하게 작동합니다.
- MuSGD 옵티마이저: LLM 학습에서 영감을 얻어 SGD와 Muon을 결합한 방식으로, 안정적인 수렴과 짧은 학습 시간을 제공합니다.
- DFL Removal: Distribution Focal Loss를 제거해 모델 내보내기를 간소화하고, 저전력 모바일 기기와의 호환성을 향상합니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식 레이블 할당(STAL)은 소형 객체 탐지를 향상해 항공 영상 및 감시 분야에 유용합니다.
생태계에서 널리 사용되는 다른 대안으로는 Ultralytics YOLOv8과 YOLO11이 있으며, 두 모델 모두 인스턴스 분할과 포즈 추정 등 여러 작업을 지원합니다.
구현 예시#
아래 코드에서 볼 수 있듯이 통합 API를 사용하면 YOLOv9 또는 YOLO26의 학습과 내보내기를 간단히 수행할 수 있습니다.
from ultralytics import YOLO
# YOLOv9 또는 권장 YOLO26 모델을 초기화합니다
model = YOLO("yolov9c.pt") # 엣지 성능을 높이려면 "yolo26n.pt"로 바꿉니다
# 내장된 데이터 증강 기능을 사용해 사용자 지정 데이터셋으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)
# 배포를 위해 학습된 모델을 ONNX 형식으로 내보내기
model.export(format="onnx")소비자용 하드웨어에서 학습할 때는 메모리 효율성이 매우 중요합니다. Ultralytics의 YOLOv9 및 YOLO26 구현은 VRAM 사용량을 줄이도록 최적화되어 있습니다. 학습 중 훨씬 더 많은 메모리가 필요한 Transformer 기반 모델(예: RT-DETR)과는 다릅니다.
실제 애플리케이션과 적합한 사용 사례#
이러한 아키텍처 중 무엇을 선택할지는 대개 프로덕션 환경의 구체적인 제약 조건에 따라 결정됩니다.
YOLOv9을 사용하는 경우: 미세한 정보를 보존해야 하는 환경에서는 YOLOv9이 뛰어난 성능을 발휘합니다. 견고한 특징 추출 기능은 선반에 빽빽하게 진열된 제품을 세는 소매 분석이나 작은 잎에서 초기 작물 질병을 식별하는 것이 중요한 농업 분야에 적합합니다.
YOLOv7을 사용해야 하는 경우: YOLOv7은 기존 배포 파이프라인에서 여전히 유력한 후보입니다. 구형 하드웨어 시스템(예: 특정 세대의 Google Coral Edge TPU)에 통합하는 경우, YOLOv7의 단순한 CNN 아키텍처가 최신 모델보다 컴파일하기 쉬울 수 있습니다.
YOLO26을 사용하는 경우(권장): 자율 드론부터 스마트 시티의 교통 관리까지 모든 최신 배포에 YOLO26이 더 적합합니다. NMS 없는 아키텍처는 예측 가능한 추론 시간을 제공하므로 안전이 중요한 로보틱스 분야에서 유용하며, 비슷한 크기에서 YOLOv9과 YOLOv7보다 정확도가 높습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.