YOLOv9과 YOLOv7 비교#
실시간 객체 탐지의 발전은 높은 정확도와 계산 효율성의 균형을 맞추려는 지속적인 노력에 힘입어 왔습니다. 이 과정에서 중요한 두 아키텍처인 YOLOv9과 YOLOv7은 모두 대만 중앙연구원 정보과학연구소 연구진이 개발했습니다. YOLOv7이 혁신적인 학습 가능한 백 오브 프리 기능을 도입한 반면, 최신 YOLOv9는 딥러닝의 정보 병목 문제를 직접 해결합니다.
이 종합적인 기술 비교에서는 두 모델의 아키텍처 차이, 성능 메트릭, 이상적인 배포 시나리오를 살펴보고, 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 표에서는 표준 COCO 데이터셋 벤치마크의 평균 정밀도(mAP)와 계산 요구 사항을 자세히 설명합니다.
| 모델 | 크기 (픽셀) | mAP검증 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 | 7.2 | 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 파라미터(25.5M 대 71.3M)와 FLOPs는 훨씬 적게 사용합니다. 이는 최신 아키텍처에서 성능 균형이 개선되었음을 보여줍니다.
YOLOv9: 정보 병목 문제 해결#
2024년 초에 공개된 YOLOv9는 심층 신경망의 계층 전반에서 데이터를 보존하는 방식을 근본적으로 바꿨습니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 조직: 정보과학연구소, Academia Sinica
- 날짜: 2024년 2월 21일
- 자료: arXiv 논문 | GitHub 저장소
아키텍처 혁신#
YOLOv9는 일반화 효율적 계층 집계 네트워크(GELAN)와 프로그래밍 가능 기울기 정보(PGI)를 도입합니다. GELAN은 CSPNet과 ELAN의 강점을 결합해 파라미터 효율성과 계산 비용을 최적화하고, 더 적은 파라미터로 높은 정밀도를 보장합니다. PGI는 심층 네트워크의 데이터 손실을 방지하고 학습 중 가중치 업데이트에 사용할 신뢰도 높은 기울기를 생성하도록 설계된 보조 감독 프레임워크입니다.
장점과 한계#
YOLOv9의 주요 강점은 막대한 계산 오버헤드 없이 미세한 특징을 추출할 수 있다는 점이며, 따라서 의료 영상 분석과 같이 높은 특징 충실도가 필요한 작업에 매우 적합합니다. 그러나 학습 중 복잡한 PGI 구조 때문에 통합된 프레임워크에 비해 초보자가 사용자 지정 아키텍처를 수정하기가 더 어려울 수 있습니다.
YOLOv7: 백 오브 프리 기능의 선구자#
2022년에 출시된 YOLOv7은 소비자용 하드웨어에서 가능한 성능의 새로운 기준을 제시했으며, 실시간 추론 속도를 크게 높이는 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 고도로 최적화되어 있으며 레거시 시스템과 구형 CUDA 환경에서 여전히 널리 사용됩니다. 현재의 주요 한계는 최신 모델보다 파라미터 크기가 크다는 점입니다. 성능 표에서 확인할 수 있듯이 최고 수준의 정확도를 달성하려면 대형 YOLOv7x 모델이 필요하며, 이 모델은 동급의 최신 아키텍처보다 훨씬 많은 GPU 메모리를 요구합니다.
Ultralytics의 강점: 간소화된 배포#
YOLOv9와 YOLOv7의 원본 연구 저장소는 훌륭한 학술적 기반을 제공하지만, 프로덕션 환경에 배포하는 과정은 복잡할 수 있습니다. ultralytics 패키지를 통해 YOLOv9를 통합하면(YOLOv7은 내보낸 ONNX 또는 TensorRT 모델로만 지원) 탁월한 사용 편의성을 누릴 수 있습니다.
통합 Ultralytics Platform을 사용하면 개발자는 직관적인 Python API, 활발한 커뮤니티 지원, 강력한 실험 추적을 갖춘 체계적인 생태계를 활용할 수 있습니다.
YOLO26으로 미래 대비하기#
새로운 컴퓨터 비전 프로젝트를 시작한다면 YOLOv9과 YOLOv7 대신 새롭게 출시된 YOLO26을 살펴볼 것을 적극 권장합니다. 새로운 최첨단 표준으로 출시된 YOLO26은 획기적인 발전을 제공합니다.
- 엔드 투 엔드 NMS가 필요 없는 설계: 선택적 일대일 헤드(
nms=False)는 비최대 억제 후처리를 생략해 배포 복잡성과 지연 시간을 크게 줄입니다. - CPU 추론 최대 43% 향상: 엣지 컴퓨팅 환경에 최적화되어 전용 GPU가 없어도 애플리케이션이 원활하게 실행됩니다.
- MuSGD Optimizer: LLM 학습에서 영감을 얻은 하이브리드 옵티마이저로, 매우 안정적인 수렴을 제공하고 학습 시간을 단축합니다.
- DFL Removal: Distribution Focal Loss를 제거해 모델 내보내기를 간소화하고, 저전력 모바일 기기와의 호환성을 향상합니다.
- ProgLoss + STAL: 소형 객체 감지 성능을 획기적으로 향상해 항공 이미지와 감시 분야에서 최고의 선택이 됩니다.
에코시스템에서 널리 사용되는 다른 대안으로는 Ultralytics YOLOv8과 YOLO11이 있습니다. 두 모델 모두 인스턴스 분할과 자세 추정 같은 작업 전반에서 폭넓은 활용성을 제공합니다.
구현 예시#
통합 API를 사용하면 YOLOv9 또는 YOLO26의 학습과 내보내기를 매우 간단하게 수행할 수 있습니다. 아래 코드는 Ultralytics 도구의 간소화된 학습 효율성 특성을 보여줍니다.
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")일반 소비자용 하드웨어에서 학습할 때는 메모리 효율성이 중요합니다. Ultralytics의 YOLOv9 및 YOLO26 구현은 VRAM 급증을 줄이도록 고도로 최적화되어 있습니다. 반면 RT-DETR과 같은 Transformer 기반 모델은 학습 중 메모리 사용량이 심하게 늘어나는 경우가 많습니다.
실제 애플리케이션과 적합한 사용 사례#
이러한 아키텍처 중 무엇을 선택할지는 대개 프로덕션 환경의 구체적인 제약 조건에 따라 결정됩니다.
YOLOv9를 사용해야 하는 경우: YOLOv9는 미세한 디테일까지 보존해야 하는 환경에서 탁월한 성능을 발휘합니다. 강력한 특징 추출 기능 덕분에 진열대에 빽빽하게 놓인 제품을 세거나 작은 잎에서 초기 작물 질병을 식별하는 일이 중요한 농업 분야와 리테일 분석에 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 사용해야 하는 경우(권장): 자율 드론부터 스마트 시티 교통 관리까지 모든 최신 배포 환경에서 YOLO26이 더 나은 선택입니다. NMS가 필요 없는 아키텍처는 결정론적인 추론 시간을 보장하므로 안전이 중요한 로보틱스에 필수적이며, 전반적으로 YOLOv9과 YOLOv7보다 높은 정밀도를 제공합니다.