YOLOv9와 YOLOX#
컴퓨터 비전 분야에서는 실시간 객체 탐지 아키텍처가 빠르게 발전해 왔습니다. 이 가이드에서는 YOLOv9와 YOLOX를 종합적으로 비교하며, 아키텍처 혁신, 성능 지표, 학습 방법론을 분석합니다. 제조 분야 AI용 스마트 애플리케이션을 구축하거나 예측 모델링을 살펴보는 경우에도 이 모델에 대한 이해는 다음 배포를 위한 현명한 결정을 내리는 데 도움이 됩니다.
아키텍처 혁신#
YOLOv9: 프로그래밍 가능한 그래디언트 정보#
YOLOv9는 심층 신경망에 내재된 정보 병목 문제를 해결하여 새로운 패러다임을 제시했습니다. 핵심 혁신에는 프로그래밍 가능한 그래디언트 정보(PGI)와 일반화된 효율적 계층 집계 네트워크(GELAN)가 포함됩니다.
- 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 탁월하여 항공 이미지와 상세한 의료 영상에서 볼 수 있는 복잡한 환경의 작은 객체를 효과적으로 탐지합니다.
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.
- 저자: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- 기관: Megvii
- 날짜: 2021년 7월 18일
- Arxiv: 2107.08430
- GitHub: Megvii-BaseDetection/YOLOX
YOLOX는 당시 획기적인 모델로서 우수한 평균 정밀도(mAP)를 달성하고 앵커 박스 하이퍼파라미터 튜닝을 없앴지만, 이후 파라미터 수와 특징 보존의 균형을 더 잘 맞추는 최신 네트워크에 기반 아키텍처가 앞서게 되었습니다.
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.
| 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 |
| 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 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 선택은 아키텍처 이론만으로 결정되지 않습니다. 모델을 둘러싼 에코시스템이 개발 속도와 배포 성공을 좌우합니다. Ultralytics 에코시스템에서 YOLOv9를 사용하면 탁월한 사용 편의성과 탄탄한 커뮤니티 지원을 누릴 수 있습니다.
기존의 독립 연구 저장소와 달리 Ultralytics 프레임워크는 복잡한 파이프라인을 간소화하는 통합 Python API를 제공합니다. 학습에 필요한 GPU 메모리는 여러 대안보다 훨씬 적어 놀라운 학습 효율성을 제공합니다.
from ultralytics import YOLO
# YOLOv9c 모델을 초기화합니다
model = YOLO("yolov9c.pt")
# 사용자 지정 데이터셋으로 모델을 원활하게 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 세그멘테이션, 자세 추정 등 여러 작업을 기본 지원하므로 전체 코드베이스를 변경하지 않고도 컴퓨터 비전 솔루션을 신속하게 전환할 수 있습니다.
실제 애플리케이션#
각 모델의 고유한 강점은 서로 다른 실제 애플리케이션에 적합합니다.
고속 리테일 분석#
실시간 제품 인식이 필요한 현대적인 리테일 환경에서는 YOLOv9가 탁월합니다. 복잡한 특징 세부 정보를 보존하는 능력은 붐비는 진열대에서 시각적으로 유사한 제품을 구분해야 하는 리테일 분야 AI 배포에 적합합니다.
레거시 엣지 배포#
엄격한 하드웨어 제약이 있거나 최신 집계 블록을 처리하기 어려운 특수 NPU를 사용하는 환경에서는 YOLOX-Nano가 틈새 용도를 찾을 수 있습니다. 단순하고 간소화된 합성곱 패턴은 리소스가 극도로 제한된 마이크로컨트롤러에서 선호되는 경우가 있습니다.
자율 로보틱스#
로보틱스 내비게이션에서는 작은 객체를 놓치면 치명적인 결과를 초래할 수 있습니다. YOLOv9의 GELAN 아키텍처는 작고 멀리 있는 장애물의 특징이 네트워크의 심층 계층에서 손실되지 않도록 하여 자동차 분야 AI 애플리케이션과 같은 안전이 중요한 환경에서 구형 모델보다 뛰어난 성능을 보입니다.
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.
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
미래: YOLO26의 등장#
YOLOv9는 인상적인 이정표이지만 프로덕션 환경의 요구 사항은 끊임없이 한계를 넓혀 갑니다. 새롭게 출시된 YOLO26은 현대 비전 AI의 확실한 표준입니다.
YOLO26은 선택형 엔드투엔드 NMS 없는 설계로 배포 파이프라인을 완전히 새롭게 바꿉니다. nms=False를 사용해 후처리 단계의 복잡한 비최대 억제를 제거하여 추론 지연 시간을 크게 단축합니다.
또한 YOLO26은 SGD와 Muon을 결합하고 LLM 학습의 혁신을 활용하는 획기적인 MuSGD 옵티마이저를 적용하여 매우 안정적이고 빠른 수렴을 구현합니다. 분포 초점 손실(DFL)을 제거하여 이전 모델보다 CPU 추론 속도를 최대 43% 향상시켰으며, 엣지 디바이스와 엔터프라이즈 배포에 가장 적합한 선택이 되었습니다. ProgLoss와 STAL을 통한 작은 객체 인식의 주요 개선으로 YOLO26은 YOLOX와 YOLOv9를 효과적으로 앞섭니다.
최신 아키텍처를 살펴보는 엔지니어에게는 Ultralytics 제품군의 강력한 대안인 YOLO11과 RT-DETR도 권장합니다. Ultralytics Platform에서 최신 모델의 탁월한 성능을 활용하여 프로젝트의 미래 경쟁력을 확보하세요.