YOLOv9와 YOLOX

컴퓨터 비전 분야에서는 실시간 객체 탐지 아키텍처가 빠르게 발전해 왔습니다. 이 가이드에서는 YOLOv9와 YOLOX를 비교하고, 아키텍처 혁신, 성능 지표, 학습 방법론을 분석합니다. 제조업 AI를 위한 스마트 애플리케이션을 개발하거나 예측 모델링을 탐구하는 경우에도 이러한 모델을 이해하면 다음 배포에 적합한 선택을 내리는 데 도움이 됩니다.

아키텍처 혁신#

YOLOv9: 프로그래밍 가능한 그래디언트 정보#

YOLOv9는 심층 신경망에 내재된 정보 병목 문제를 해결합니다. 핵심 혁신으로 프로그래밍 가능 그래디언트 정보(PGI)와 일반화된 효율적 계층 집계 네트워크(GELAN)를 적용합니다.

  • 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
  • 기관: 대만 중앙연구원 정보과학연구소
  • 날짜: 2024년 2월 21일
  • arXiv: 2402.13616
  • GitHub: WongKinYiu/yolov9

YOLOv9는 순전파 과정에서 중요한 특징 데이터를 보존하여 역전파 중 가중치를 업데이트하는 데 사용되는 그래디언트의 정확성을 유지합니다. 이 아키텍처는 특징 추출에 강점이 있어 항공 이미지나 정밀한 의료 영상처럼 복잡한 환경의 작은 객체를 효과적으로 탐지합니다.

YOLOv9에 대해 자세히 알아보기

YOLOX: 연구와 산업의 연결#

2021년 중반에 출시된 YOLOX는 YOLO 시리즈에 앵커 프리 설계를 도입했습니다. 분류와 위치 추정 작업을 분리하는 디커플드 헤드를 도입했고, 학습 수렴을 개선하기 위해 SimOTA 레이블 할당 전략을 사용했습니다.

YOLOX는 당시 큰 영향력을 미쳤으며 뛰어난 평균 정밀도(mAP)를 달성하고 앵커 박스 하이퍼파라미터 튜닝을 없앴지만, 파라미터 수와 특징 보존의 균형을 더 잘 맞추는 최신 네트워크에 기반 아키텍처가 이미 앞서 있습니다.

YOLOX에 대해 자세히 알아보기

앵커 프리의 발전

YOLOX와 최신 Ultralytics 모델은 모두 앵커 프리 설계를 채택하여 하이퍼파라미터 튜닝의 복잡성을 줄이고 다양한 데이터셋에 대한 일반화 성능을 향상시킵니다.

성능 분석#

MS COCO 벤치마크에서 이 모델들을 비교하면 YOLOv9의 발전이 두드러집니다. YOLOv9는 정확도와 FLOPs 사이에서 일관되게 더 나은 균형을 달성합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

YOLOX는 극단적인 엣지 환경을 위한 YOLOX-Nano와 같은 경량 변형 모델을 제공하지만, YOLOv9 변형 모델은 순수 정확도 측면에서 비슷한 크기의 YOLOX 모델을 일관되게 능가합니다. 예를 들어 YOLOv9m은 파라미터 수가 절반 미만(20.1M 대 54.2M)임에도 YOLOXl의 49.7%보다 높은 51.4% mAP를 달성합니다.

Ultralytics의 강점#

모델 선택에는 아키텍처 이론 이상의 고려가 필요합니다. 모델을 둘러싼 생태계가 개발 속도와 배포 성공을 좌우하기 때문입니다. Ultralytics 생태계에서 YOLOv9를 사용하면 사용 편의성과 강력한 커뮤니티 지원을 얻을 수 있습니다.

오래된 기존 연구 저장소와 달리 Ultralytics 프레임워크는 복잡한 파이프라인을 간소화하는 통합 Python API를 제공합니다. 학습 시 일반적으로 여러 대안보다 GPU 메모리를 적게 사용하여 학습 효율성을 높입니다.

from ultralytics import YOLO

# YOLOv9c 모델을 초기화합니다
model = YOLO("yolov9c.pt")

# 사용자 지정 데이터셋으로 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 모델 성능 검증
metrics = model.val()

# 최적화된 모델을 TensorRT 형식으로 내보냅니다
model.export(format="engine")

객체 탐지, 인스턴스 분할, 포즈 추정 등 여러 작업을 기본 지원하므로 전체 코드베이스를 변경하지 않고 비전 작업 간에 전환할 수 있습니다.

간편한 내보내기

엣지에 배포하시나요? Ultralytics를 사용하면 단일 명령만으로 학습된 모델을 ONNX, TensorRT, OpenVINO와 같은 최적화된 형식으로 간편하게 내보낼 수 있습니다.

실제 애플리케이션#

각 모델의 고유한 강점은 서로 다른 실제 애플리케이션에 적합합니다.

고속 리테일 분석#

실시간 제품 인식이 필요한 최신 소매 환경에서는 YOLOv9가 뛰어난 성능을 발휘합니다. 복잡한 특징 세부 정보를 보존하므로 혼잡한 선반에서 시각적으로 유사한 제품을 구별해야 하는 소매업 AI 배포에 적합합니다.

레거시 엣지 배포#

엄격한 하드웨어 제약이 있거나 최신 집계 블록을 처리하는 데 어려움을 겪는 특수 NPU를 사용하는 환경에서는 YOLOX-Nano가 특정 용도에 적합할 수 있습니다. 단순한 합성곱 패턴을 사용하는 YOLOX-Nano는 극도로 제한된 리소스의 마이크로컨트롤러에 선호되기도 합니다.

자율 로보틱스#

로보틱스 내비게이션에서는 작은 객체를 놓치면 치명적인 결과를 초래할 수 있습니다. YOLOv9의 GELAN 아키텍처는 작고 멀리 있는 장애물의 특징이 네트워크의 심층 계층에서 사라지지 않도록 합니다. 이는 자동차 AI와 같은 안전이 중요한 애플리케이션에서 중요합니다.

사용 사례 및 권장 사항#

YOLOv9와 YOLOX 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 에코시스템 선호도에 따라 달라집니다.

YOLOv9을 선택해야 하는 경우#

YOLOv9은 다음과 같은 경우에 적합합니다.

  • 정보 병목 연구: 프로그래밍 가능한 그래디언트 정보(PGI) 및 일반화된 효율적 계층 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트입니다.
  • 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 계층의 정보 손실을 이해하고 완화하는 데 초점을 둔 연구입니다.
  • 고정확도 탐지 벤치마킹: 아키텍처 비교의 기준점으로 YOLOv9의 우수한 COCO 벤치마크 성능이 필요한 시나리오입니다.

YOLOX를 선택해야 하는 경우#

다음과 같은 경우 YOLOX를 권장합니다.

  • 앵커 프리 탐지 연구: 새로운 탐지 헤드나 손실 함수를 실험하기 위한 기준 모델로 YOLOX의 간결한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
  • 초경량 엣지 장치: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 구형 모바일 하드웨어에 배포하는 경우입니다.
  • SimOTA 레이블 할당 연구: 최적 수송 기반 레이블 할당 전략과 해당 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.

  • NMS-Free 엣지 배포: 비최대 억제(NMS) 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션에 적합합니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서는 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
  • 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.

미래: YOLO26의 등장#

YOLOv9는 중요한 이정표이지만 프로덕션 요구 사항은 계속 변화합니다. 2026년 1월에 출시된 YOLO26이 현재 권장되는 Ultralytics 모델입니다.

YOLO26은 선택적 엔드투엔드 NMS-Free 설계로 배포 파이프라인을 간소화합니다. nms=False을 사용해 NMS 후처리를 제거함으로써 추론 지연 시간을 줄입니다.

YOLO26은 SGD와 Muon을 결합하고 LLM 학습의 혁신을 적용한 MuSGD 옵티마이저도 포함하여 안정적이고 빠른 수렴을 지원합니다. DFL을 제거하고 NMS가 필요 없는 추론을 적용한 YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠르므로 엣지 디바이스와 엔터프라이즈 배포에 적합합니다. ProgLoss와 STAL(점진적 손실 및 작은 객체 인식 라벨 할당)을 통해 작은 객체 탐지 성능도 개선되어 신규 프로젝트에서 YOLO26은 YOLOX와 YOLOv9를 대체하는 모델입니다.

최신 아키텍처를 살펴보는 엔지니어라면 Ultralytics 생태계의 강력한 대안인 YOLO11과 RT-DETR도 고려할 수 있습니다. 또한 Ultralytics Platform을 사용하면 최신 모델을 한곳에서 학습하고 배포할 수 있습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.