YOLOX와 YOLOv9 비교

컴퓨터 비전 분야는 계산 효율성과 높은 정확도의 균형을 맞추는 지속적인 아키텍처 발전을 통해 형성되어 왔습니다. 실시간 객체 탐지 모델을 평가할 때 Megvii의 YOLOX와 Academia Sinica의 YOLOv9를 비교하면 딥러닝 개발에서 서로 다른 두 가지 접근 방식이 드러납니다. YOLOX가 간소화된 앵커 없는 설계를 널리 알린 반면, YOLOv9는 정보 보존을 극대화하는 그래디언트 정보 기법을 도입했습니다.

이 기술 가이드에서는 두 모델의 아키텍처 차이, 성능 벤치마크, 적합한 활용 사례를 살펴보고, 프로덕션 배포에 더 적합한 선택지인 Ultralytics Platform과 YOLO26 모델도 소개합니다.

YOLOX: 앵커 프리 패러다임을 선도하다#

2021년 중반에 출시된 YOLOX는 학술 연구와 산업 응용 간의 격차를 좁히는 데 중요한 진전을 이루었습니다. 사전 정의된 앵커 박스의 필요성을 없애 사용자 지정 데이터셋에 필요한 휴리스틱 튜닝을 크게 간소화했습니다.

아키텍처 혁신#

YOLOX는 표준 탐지 파이프라인에 몇 가지 핵심 변경 사항을 도입했습니다. 분류 작업과 회귀 작업을 분리하는 분리형 헤드를 구현하여 객체 식별과 경계 위치 지정 간의 충돌을 크게 줄였습니다. YOLOX는 학습 중 양성 샘플을 할당하는 동적 레이블 할당 전략인 SimOTA도 채택하여 표준 벤치마크 데이터셋에서 더 빠른 수렴과 전반적인 성능 향상을 이끌어냈습니다.

장점과 한계#

YOLOX의 주요 장점은 간소화된 설계입니다. 앵커 없는 메커니즘 덕분에 개발자는 특정 데이터에 적합한 앵커 크기를 찾기 위한 클러스터링 알고리즘 실행에 드는 시간을 줄일 수 있습니다. 그러나 자기 어텐션이나 그래디언트 경로 관련 최신 발전을 적용하지 않고 설계된 구형 아키텍처인 만큼, 최신 네트워크와 같은 파라미터 효율성을 갖추지는 못했습니다. 또한 통합 API에서 인스턴스 분할 및 자세 추정과 같은 고급 작업을 기본적으로 지원하지 않습니다.

YOLOX에 대해 자세히 알아보기

YOLOv9: 그래디언트 정보 극대화#

2024년 YOLOv9는 심층 컨볼루션 신경망에 내재된 정보 병목 문제에 대해 이론에 기반한 접근 방식을 제시했습니다.

아키텍처 혁신#

YOLOv9의 핵심 특징은 프로그래밍 가능한 그래디언트 정보(PGI)로, 네트워크의 여러 계층을 통과하는 동안 중요한 의미 정보가 손실되지 않도록 합니다. 일반화 효율 계층 집계 네트워크(GELAN)와 결합된 YOLOv9는 파라미터 대비 정확도 비율이 우수합니다. 이를 통해 모델은 가중치 업데이트에 필요한 정확한 그래디언트를 보존하므로 경량 버전에서도 효과적으로 작동합니다.

장점과 한계#

YOLOv9는 높은 모델 정확도를 제공하고 COCO에서 우수한 mAP 점수를 기록해 연구자들에게 인기가 높습니다. 그러나 효율성이 뛰어나더라도 추론 후처리에는 여전히 기존의 비최대 억제(NMS)에 의존하므로 지연 시간이 달라질 수 있습니다. 엣지 장치에 AI를 배포하는 엔지니어에게 NMS 로직 관리는 배포 파이프라인의 복잡성을 높입니다.

YOLOv9에 대해 자세히 알아보기

후처리 병목

YOLOX와 YOLOv9 같은 기존 모델은 중복 바운딩 박스를 걸러내기 위해 비최대 억제(NMS)가 필요합니다. 이 단계는 본질적으로 순차적이며 CPU에서 병목을 일으키는 경우가 많습니다. 이는 최신 Ultralytics 모델에 적용된 네이티브 엔드투엔드 아키텍처의 필요성을 보여 줍니다.

성능 비교#

이 아키텍처들의 기본 연산 지표를 비교하면 YOLOv9가 더 최신 기준 모델을 제공하는 반면, YOLOX는 레거시 구성에 적합한 경량 옵션으로 남아 있다는 점이 분명합니다. 아래에서 표준 모델을 자세히 살펴보겠습니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
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
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

YOLOv9는 비슷한 파라미터 수에서 더 높은 정확도를 보이지만, 속도, 정확도, 사용 편의성의 균형을 가장 잘 갖춘 모델을 찾는 개발자는 Ultralytics의 최신 발전 사항을 고려해야 합니다.

Ultralytics의 장점: YOLO26을 만나보세요#

YOLOX 및 YOLOv9와 같은 과거 모델을 평가하면 유용한 맥락을 얻을 수 있지만, 현재 Ultralytics에서 권장하는 모델은 2026년 1월에 출시된 Ultralytics YOLO26입니다. 이 모델은 현대적인 프로덕션 환경에 맞게 탐지 파이프라인을 재설계했습니다.

아키텍처 혁신#

YOLO26은 선택적 종단 간 NMS 없는 설계(nms=False)를 통해 이전 모델의 후처리 병목을 해소하고 다양한 하드웨어에서 배포를 간소화합니다. 또한 내보내기를 간소화하기 위해 Distribution Focal Loss(DFL)를 제거하고, 더 안정적인 학습을 위해 확률적 경사 하강법과 Muon의 하이브리드인 MuSGD 옵티마이저를 통합했습니다.

Raspberry Pi와 같이 리소스가 제한된 환경에 배포하는 개발자에게 YOLO26n은 YOLO11n보다 최대 43% 빠른 CPU 추론을 제공합니다. 또한 ProgLoss + STAL(점진적 손실 및 소형 객체 인식 레이블 할당)을 도입하여 소형 객체 탐지 성능을 높입니다. 이는 항공 이미지 분석 및 드론 데이터 분석에서 중요합니다.

간소화된 개발 생태계#

독립적인 연구 저장소와 달리 Ultralytics 생태계는 간소화된 개발자 경험을 제공합니다. Ultralytics Python API를 사용하면 엔지니어가 보일러플레이트 코드를 크게 줄일 수 있으며, 메모리 사용을 최적화하여 어텐션을 많이 사용하는 아키텍처보다 적은 GPU VRAM으로도 견고한 모델을 학습할 수 있습니다.

from ultralytics import YOLO

# 최적화된 NMS-Free YOLO26 소형 모델을 불러옵니다
model = YOLO("yolo26s.pt")

# 최소한의 메모리만 사용해 커스텀 데이터셋으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 최적화된 배포 형식으로 간편하게 내보냅니다
model.export(format="engine", quantize=16)  # TensorRT로 내보냅니다

YOLO26은 탐지 외에도 동일한 프레임워크에서 다양한 작업을 지원합니다. 위성 이미지에 정밀한 방향성 바운딩 박스(OBB)가 필요하든 의료 영상 분석에 세밀한 픽셀 마스크가 필요하든 워크플로는 동일합니다. 이전 세대의 워크플로를 사용하는 팀은 Ultralytics YOLO11도 이용할 수 있으며, 완벽하게 지원됩니다.

적합한 사용 사례 및 배포 전략#

적합한 아키텍처는 배포 대상 환경과 프로젝트 요구 사항에 따라 선택해야 합니다.

엣지 컴퓨팅 및 로보틱스#

저전력 장치에서는 복잡한 후처리가 필요한 모델을 사용하면 성능이 저하될 수 있습니다. YOLOX-Nano는 매우 작지만 안전이 중요한 작업에는 정확도가 충분하지 않은 경우가 많습니다. 이 경우 YOLO26이 더 적합합니다. DFL이 없는 헤드와 선택적 NMS 없는 추론 기능을 통해 CPU 스레드에서 원활하게 실행되므로 자율 로봇이나 스마트 주차 관리에 적합합니다.

학술 벤치마킹#

그래디언트 흐름을 분석하고 심층 네트워크의 병목 현상을 연구하는 것이 유일한 목표라면 YOLOv9는 여전히 훌륭한 연구 대상입니다. PGI 프레임워크는 심층 신경망 계층 전반에서 특징이 보존되는 방식을 이해하는 데 유용한 통찰력을 제공하므로, 컨볼루션 이론을 연구하는 대학 연구자에게 가치 있는 도구입니다.

엔터프라이즈 비디오 분석#

보안 경보 시스템이나 교통 모니터링과 같은 대규모 동영상 처리 작업에는 속도와 다양한 내보내기 기능이 필수입니다. Ultralytics 프레임워크의 기본 내보내기 도구를 사용하면 팀에서 YOLO26을 한 번의 명령으로 TensorRT 또는 OpenVINO로 직접 컴파일하여 출시 기간을 단축할 수 있습니다.

Ultralytics 생태계를 사용하면 머신러닝 팀은 원시 연구 코드베이스의 복잡성을 피하고 확장 가능한 실제 AI 애플리케이션 개발에 집중할 수 있습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.