YOLOv9 vs YOLOX#
컴퓨터 비전 분야에서는 실시간 객체 탐지 아키텍처가 빠르게 발전해 왔습니다. 이 가이드에서는 **YOLOv9**과 YOLOX를 종합적으로 비교하고, 아키텍처 혁신, 성능 지표, 학습 방법론을 분석합니다. 제조 분야의 AI용 스마트 애플리케이션을 구축하거나 예측 모델링을 탐색하는 경우에도 이러한 모델을 이해하면 다음 배포를 위한 현명한 결정을 내리는 데 도움이 됩니다.
아키텍처 혁신#
YOLOv9: 프로그래밍 가능한 그래디언트 정보#
YOLOv9는 심층 신경망에 내재된 정보 병목 문제를 해결하여 패러다임의 전환을 이끌었습니다. 핵심 혁신으로는 프로그래밍 가능한 그래디언트 정보(PGI)와 일반화된 효율적 레이어 집계 네트워크(GELAN)가 있습니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2024년 2월 21일
- Arxiv: 2402.13616
- GitHub: WongKinYiu/yolov9
YOLOv9는 피드 포워드 과정에서 중요한 특징 데이터를 유지하므로, 역전파 중 가중치 업데이트에 사용되는 그래디언트가 정확하게 유지됩니다. 이 아키텍처는 특징 추출에 탁월하여 항공 영상 및 상세한 의료 스캔과 같은 복잡한 환경에서 작은 객체를 탐지하는 데 매우 뛰어납니다.
YOLOX: 연구와 산업의 연결#
2021년 중반에 출시된 YOLOX는 YOLO 시리즈를 앵커 프리 설계로 전환했습니다. 분류와 위치 추정 작업을 분리하는 디커플드 헤드를 도입했으며, 학습 수렴을 개선하기 위해 SimOTA 레이블 할당 전략을 활용했습니다.
- 저자: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- 조직: Megvii
- 날짜: 2021년 7월 18일
- Arxiv: 2107.08430
- GitHub: Megvii-BaseDetection/YOLOX
YOLOX는 당시 획기적인 모델로서 뛰어난 평균 정밀도(mAP)를 달성하고 앵커 박스 하이퍼파라미터 튜닝을 제거했지만, 매개변수 수와 특징 보존 간의 균형을 더 잘 맞추는 최신 네트워크에 의해 그 기반 아키텍처는 현재 능가되었습니다.
YOLOX와 최신 Ultralytics 모델은 모두 앵커 프리 설계를 채택하여 하이퍼파라미터 튜닝의 복잡성을 줄이고 다양한 데이터셋에 대한 일반화 성능을 향상합니다.
성능 분석#
MS COCO 벤치마크에서 이러한 모델을 비교하면 YOLOv9의 발전이 분명하게 드러납니다. YOLOv9는 정확도와 FLOPs 간의 균형에서 일관되게 더 나은 성능을 달성합니다.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
YOLOX는 극한의 엣지 환경을 위한 YOLOX-Nano와 같은 경량 변형을 제공하지만, YOLOv9 변형 모델은 순수 정확도에서 비슷한 크기의 YOLOX 모델을 일관되게 능가합니다. 예를 들어 YOLOv9m은 YOLOXl의 49.7%에 비해 51.4% mAP를 달성하며, 매개변수 수는 절반에도 미치지 않는 20.0M 대 54.2M입니다.
Ultralytics의 강점#
모델 선택에는 단순한 아키텍처 이론 이상의 요소가 고려되어야 합니다. 모델을 둘러싼 생태계가 개발 속도와 배포 성공을 좌우하기 때문입니다. Ultralytics 생태계에서 YOLOv9를 활용하면 탁월한 사용 편의성과 강력한 커뮤니티 지원을 얻을 수 있습니다.
기존의 연구용 저장소와 달리 Ultralytics 프레임워크는 복잡한 파이프라인을 간소화하는 통합 Python API를 제공합니다. 또한 많은 대안 모델보다 훨씬 적은 GPU 메모리로 학습할 수 있어 뛰어난 학습 효율성을 제공합니다.
from ultralytics import YOLO
# Initialize the YOLOv9c model
model = YOLO("yolov9c.pt")
# Train the model on your custom dataset seamlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance
metrics = model.val()
# Export the optimized model to TensorRT format
model.export(format="engine")객체 탐지, 인스턴스 세그멘테이션, 포즈 추정을 비롯한 여러 작업을 기본적으로 지원하므로 전체 코드베이스를 변경하지 않고도 컴퓨터 비전 솔루션을 신속하게 전환할 수 있습니다.
실제 애플리케이션#
이러한 모델은 각기 다른 강점을 바탕으로 서로 다른 실제 애플리케이션에 적합합니다.
고속 리테일 분석#
실시간 제품 인식이 필요한 최신 리테일 환경에서는 YOLOv9가 뛰어난 성능을 발휘합니다. 복잡한 특징 세부 정보를 유지하는 능력 덕분에, 진열대가 혼잡한 상황에서 시각적으로 유사한 제품을 구분해야 하는 리테일 분야의 AI 배포에 특히 적합합니다.
레거시 엣지 배포#
엄격한 하드웨어 제한이 적용되거나 최신 집계 블록을 처리하는 데 어려움을 겪는 특수 NPU를 사용하는 환경에서는 YOLOX-Nano가 틈새 용도로 활용될 수 있습니다. 간결하게 구성된 순수 컨볼루션 패턴은 리소스가 매우 제한된 마이크로컨트롤러에서 선호되는 경우가 있습니다.
자율 로보틱스#
로보틱스 내비게이션에서는 작은 객체를 놓치는 것이 치명적일 수 있습니다. YOLOv9의 GELAN 아키텍처는 작고 멀리 있는 장애물의 특징이 네트워크의 깊은 레이어에서 손실되지 않도록 하여, 자동차 분야의 AI 애플리케이션과 같은 중요한 안전 환경에서 기존 모델보다 뛰어난 성능을 제공합니다.
사용 사례 및 권장 사항#
YOLOv9와 YOLOX 중에서 선택할 때는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도를 고려해야 합니다.
YOLOv9을 선택해야 하는 경우#
YOLOv9은 다음과 같은 경우에 적합합니다:
- 정보 병목 연구: 프로그래밍 가능한 그래디언트 정보(PGI) 및 일반화된 효율적 레이어 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트입니다.
- 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 레이어의 정보 손실을 이해하고 완화하는 데 중점을 둔 연구입니다.
- 고정확도 탐지 벤치마킹: 아키텍처 비교를 위한 기준점으로 YOLOv9의 강력한 COCO 벤치마크 성능이 필요한 시나리오입니다.
YOLOX를 선택할 시점#
다음과 같은 경우 YOLOX를 권장합니다.
- 앵커 프리 감지 연구: 새로운 감지 헤드 또는 손실 함수를 실험하기 위한 기준선으로 YOLOX의 깔끔한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
- 초경량 엣지 디바이스: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 레거시 모바일 하드웨어에 배포하는 경우입니다.
- SimOTA 라벨 할당 연구: 최적 수송 기반 라벨 할당 전략과 이러한 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
- 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.
미래: YOLO26의 등장#
YOLOv9는 인상적인 이정표를 세웠지만, 프로덕션 환경의 요구 사항은 끊임없이 한계를 확장하고 있습니다. 새롭게 출시된 **YOLO26**은 최신 비전 AI를 위한 확실한 표준을 제시합니다.
YOLO26은 네이티브 엔드 투 엔드 NMS 프리 설계를 통해 배포 파이프라인을 완전히 혁신합니다. 후처리 과정에서 복잡한 비최대 억제(NMS)의 필요성을 제거하여 추론 지연 시간을 크게 줄입니다.
또한 YOLO26은 SGD와 Muon을 결합한 하이브리드 방식의 획기적인 MuSGD Optimizer를 도입했습니다. 이는 LLM 학습의 혁신을 활용하여 매우 안정적이고 빠른 수렴을 제공합니다. YOLO26은 Distribution Focal Loss(DFL)를 제거하여 이전 모델보다 최대 43% 빠른 CPU 추론을 달성하므로 엣지 디바이스와 엔터프라이즈 배포에 가장 적합한 선택입니다. ProgLoss와 STAL을 통한 소형 객체 인식의 주목할 만한 개선으로 YOLO26은 YOLOX와 YOLOv9를 모두 효과적으로 능가합니다.
최신 아키텍처를 탐색하는 엔지니어라면 Ultralytics 제품군의 강력한 대안으로 YOLO11과 RT-DETR도 확인해 보시기 바랍니다. 최신 모델이 제공하는 탁월한 성능을 Ultralytics Platform에서 활용하여 프로젝트의 미래 경쟁력을 확보하시기 바랍니다.