YOLOv9: 객체 탐지 기술의 도약
YOLOv9은 프로그래밍 가능한 기울기 정보(PGI) 및 일반화된 효율적인 레이어 집계 네트워크(GELAN)와 같은 획기적인 기술을 도입하여 실시간 객체 탐지 분야에서 상당한 발전을 이루었습니다. 이 모델은 효율성, 정확성 및 적응성에서 놀라운 개선을 보여 MS COCO 데이터 세트에서 새로운 벤치마크를 설정합니다. YOLOv9 프로젝트는 별도의 오픈 소스 팀에서 개발되었지만 Ultralytics YOLOv5에서 제공하는 강력한 코드 기반을 기반으로 AI 연구 커뮤니티의 협력 정신을 보여줍니다.
참고: Ultralytics를 사용한 사용자 정의 데이터에 대한 YOLOv9 훈련 | 산업 패키지 데이터 세트
YOLOv9 소개
최적의 실시간 객체 탐색을 추구하는 과정에서 YOLOv9은 심층 신경망에 내재된 정보 손실 문제를 극복하기 위한 혁신적인 접근 방식으로 두각을 나타냅니다. PGI와 다재다능한 GELAN 아키텍처를 통합함으로써 YOLOv9은 모델의 학습 용량을 향상시킬 뿐만 아니라 탐지 프로세스 전반에 걸쳐 중요한 정보의 유지를 보장하여 탁월한 정확성과 성능을 달성합니다.
YOLOv9의 핵심 혁신
YOLOv9의 발전은 심층 신경망에서 정보 손실로 인해 발생하는 문제 해결에 깊이 뿌리를 두고 있습니다. 정보 병목 원리 및 혁신적인 가역 함수 사용은 YOLOv9 설계의 핵심이며 YOLOv9이 높은 효율성과 정확성을 유지하도록 보장합니다.
정보 병목 현상 원리
정보 병목 원리는 딥 러닝의 근본적인 과제를 보여줍니다. 데이터가 네트워크의 연속적인 레이어를 통과함에 따라 정보 손실 가능성이 증가합니다. 이 현상은 다음과 같이 수학적으로 표현됩니다.
I(X, X) >= I(X, f_theta(X)) >= I(X, g_phi(f_theta(X)))
여기서 I 는 상호 정보를 나타내고, f 및 g 는 매개변수가 있는 변환 함수를 나타냅니다. theta 및 phi각각. YOLOv9은 네트워크 깊이에서 필수 데이터 보존에 도움이 되는 프로그래밍 가능한 기울기 정보(PGI)를 구현하여 이러한 문제를 해결하여 보다 안정적인 기울기 생성을 보장하고 결과적으로 더 나은 모델 수렴 및 성능을 제공합니다.
가역 함수
가역 함수 개념은 YOLOv9 설계의 또 다른 초석입니다. 함수는 다음 식으로 표현된 것처럼 정보 손실 없이 반전될 수 있는 경우 가역적인 것으로 간주됩니다.
X = v_zeta(r_psi(X))
와 함께 psi 및 zeta 는 각각 가역 함수 및 역함수의 매개변수입니다. 이 속성은 딥 러닝 아키텍처에 매우 중요합니다. 네트워크가 완전한 정보 흐름을 유지할 수 있으므로 모델 매개변수를 보다 정확하게 업데이트할 수 있습니다. YOLOv9은 아키텍처 내에 가역 함수를 통합하여 특히 더 깊은 레이어에서 정보 저하 위험을 완화하여 객체 탐지 작업에 중요한 데이터 보존을 보장합니다.
경량 모델에 미치는 영향
정보 손실 해결은 종종 매개변수화가 부족하고 순방향 프로세스 중에 중요한 정보를 잃기 쉬운 경량 모델에 특히 중요합니다. YOLOv9의 아키텍처는 PGI 및 가역 함수를 사용하여 간소화된 모델에서도 정확한 객체 탐지에 필요한 필수 정보가 유지되고 효과적으로 활용되도록 보장합니다.
프로그래밍 가능한 기울기 정보(PGI)
PGI는 정보 병목 현상 문제를 해결하기 위해 YOLOv9에 도입된 새로운 개념으로, 심층 네트워크 레이어에서 필수 데이터의 보존을 보장합니다. 이를 통해 신뢰할 수 있는 그래디언트 생성이 가능해져 정확한 모델 업데이트를 촉진하고 전반적인 감지 성능을 향상시킵니다.
일반화된 효율적인 레이어 집계 네트워크(GELAN)
GELAN은 전략적인 아키텍처 개선을 나타내며, YOLOv9가 뛰어난 파라미터 활용률과 계산 효율성을 달성할 수 있도록 지원합니다. 이 디자인은 다양한 계산 블록의 유연한 통합을 가능하게 하여 YOLOv9를 속도나 정확성을 저하시키지 않으면서 광범위한 애플리케이션에 적응할 수 있도록 합니다.
YOLOv9 벤치마크
Ultralytics를 사용한 YOLOv9의 벤치마킹은 훈련되고 검증된 모델의 성능을 실제 시나리오에서 평가하는 것을 포함합니다. 이 프로세스에는 다음이 포함됩니다.
- 성능 평가: 모델의 속도와 정확성을 평가합니다.
- 내보내기 형식: 필요한 표준을 충족하고 다양한 환경에서 잘 작동하는지 확인하기 위해 다양한 내보내기 형식에서 모델을 테스트합니다.
- 프레임워크 지원: 이러한 평가를 용이하게 하고 일관되고 신뢰할 수 있는 결과를 보장하기 위해 Ultralytics YOLOv8 내에서 포괄적인 프레임워크를 제공합니다.
벤치마킹을 통해 모델이 제어된 테스트 환경에서 잘 작동할 뿐만 아니라 실제 실제 애플리케이션에서도 높은 성능을 유지할 수 있습니다.
참고: Ultralytics python 패키지를 사용하여 YOLOv9 모델을 벤치마킹하는 방법
MS COCO 데이터 세트 성능
COCO 데이터 세트에서 YOLOv9의 성능은 실시간 객체 감지에서 상당한 발전을 보여주며 다양한 모델 크기에서 새로운 벤치마크를 설정합니다. 표 1은 최첨단 실시간 객체 감지기의 포괄적인 비교를 제시하여 YOLOv9의 뛰어난 효율성과 정확성을 보여줍니다.
성능
| 모델 | 크기 (픽셀) |
mAPval 50-95 |
mAPval 50 |
파라미터 (M) |
FLOPs (B) |
|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | 53.1 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | 63.4 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | 68.1 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | 70.2 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | 72.8 | 58.1 | 192.5 |
| 모델 | 크기 (픽셀) |
mAPbox 50-95 |
mAPmask 50-95 |
파라미터 (M) |
FLOPs (B) |
|---|---|---|---|---|---|
| YOLOv9c-seg | 640 | 52.4 | 42.2 | 27.9 | 159.4 |
| YOLOv9e-seg | 640 | 55.1 | 44.3 | 60.5 | 248.4 |
YOLOv9의 반복은 아주 작은 t 변형에서 광범위한 e 모델에 이르기까지 정확도(mAP 메트릭)뿐만 아니라 파라미터 수와 계산 요구 사항(FLOP)이 감소하여 효율성도 향상되었음을 보여줍니다. 이 표는 YOLOv9가 높은 정밀도 를 제공하는 동시에 이전 버전 및 경쟁 모델에 비해 계산 오버헤드를 유지하거나 줄일 수 있음을 강조합니다.
비교적으로 YOLOv9는 놀라운 이득을 보여줍니다.
- 경량 모델: YOLOv9s는 파라미터 효율성과 계산 부하에서 YOLO MS-S를 능가하는 동시에 AP에서 0.4∼0.6% 향상을 달성합니다.
- 중대형 모델: YOLOv9m 및 YOLOv9e는 모델 복잡성과 감지 성능 간의 균형을 맞추는 데 괄목할 만한 발전을 보여주며 정확도 향상을 배경으로 파라미터 및 계산에서 상당한 감소를 제공합니다.
특히 YOLOv9c 모델은 아키텍처 최적화의 효과를 강조합니다. YOLOv7 AF보다 파라미터 수는 42% 적고 계산량은 21% 적지만, 비슷한 정확도를 달성하여 YOLOv9의 효율성이 크게 향상되었음을 보여줍니다. 또한 YOLOv9e 모델은 대형 모델의 새로운 표준을 제시하며, YOLOv8x보다 파라미터 수는 15% 적고 계산량은 25% 적으면서도 AP가 1.7% 향상되었습니다.
이러한 결과는 실시간 객체 탐지 작업에 필수적인 정확성을 유지하면서 효율성을 향상시키는 YOLOv9의 전략적 모델 설계 발전을 보여줍니다. 이 모델은 성능 지표의 경계를 넓힐 뿐만 아니라 계산 효율성의 중요성을 강조하여 컴퓨터 비전 분야에서 중요한 발전을 이루었습니다.
결론
YOLOv9는 효율성, 정확성 및 적응성 측면에서 상당한 개선을 제공하는 실시간 객체 탐지 분야의 중추적인 발전을 의미합니다. PGI 및 GELAN과 같은 혁신적인 솔루션을 통해 중요한 과제를 해결함으로써 YOLOv9는 향후 연구 및 응용 분야에서 새로운 선례를 제시합니다. AI 커뮤니티가 계속 발전함에 따라 YOLOv9는 기술 발전을 주도하는 협력과 혁신의 힘을 입증하는 증거입니다.
사용 예시
이 예제는 간단한 YOLOv9 학습 및 추론 예제를 제공합니다. 이러한 모드 및 기타 예측, 학습, 유효성 검사 및 내보내기에 대한 전체 문서는 해당 문서 페이지를 참조하십시오.
예시
PyTorch 사전 훈련된 *.pt 모델과 구성 *.yaml 파일을 다음으로 전달하여 YOLO() python에서 모델 인스턴스를 생성하는 클래스:
from ultralytics import YOLO
# Build a YOLOv9c model from scratch
model = YOLO("yolov9c.yaml")
# Build a YOLOv9c model from pretrained weight
model = YOLO("yolov9c.pt")
# Display model information (optional)
model.info()
# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference with the YOLOv9c model on the 'bus.jpg' image
results = model("path/to/bus.jpg")
모델을 직접 실행하는 데 사용할 수 있는 CLI 명령은 다음과 같습니다.
# Build a YOLOv9c model from scratch and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov9c.yaml data=coco8.yaml epochs=100 imgsz=640
# Build a YOLOv9c model from scratch and run inference on the 'bus.jpg' image
yolo predict model=yolov9c.yaml source=path/to/bus.jpg
지원되는 작업 및 모드
YOLOv9 시리즈는 고성능 객체 탐지에 최적화된 다양한 모델을 제공합니다. 이러한 모델은 다양한 계산 요구 사항과 정확도 요구 사항을 충족하므로 광범위한 애플리케이션에 다용도로 사용할 수 있습니다.
| 모델 | 파일 이름 | 태스크 | 추론 | 검증 | 훈련 | 내보내기 |
|---|---|---|---|---|---|---|
| YOLOv9 | yolov9t.pt yolov9s.pt yolov9m.pt yolov9c.pt yolov9e.pt |
객체 감지 | ✅ | ✅ | ✅ | ✅ |
| YOLOv9-seg | yolov9c-seg.pt yolov9e-seg.pt |
인스턴스 분할 | ✅ | ✅ | ✅ | ✅ |
이 표는 YOLOv9 모델 변형에 대한 자세한 개요를 제공하며 객체 탐지 작업에서의 기능과 추론, 유효성 검사, 학습 및 내보내기와 같은 다양한 작동 모드와의 호환성을 강조합니다. 이러한 포괄적인 지원을 통해 사용자는 광범위한 객체 탐지 시나리오에서 YOLOv9 모델의 기능을 최대한 활용할 수 있습니다.
참고
YOLOv9 모델을 학습하려면 동일한 크기의 YOLOv8 모델보다 더 많은 리소스가 필요하고 더 오래 걸립니다.
인용 및 감사의 말씀
실시간 객체 탐지 분야에 크게 기여한 YOLOv9 제작자들에게 감사를 표합니다.
@article{wang2024yolov9,
title={YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information},
author={Wang, Chien-Yao and Liao, Hong-Yuan Mark},
booktitle={arXiv preprint arXiv:2402.13616},
year={2024}
}
원본 YOLOv9 논문은 arXiv에서 찾을 수 있습니다. 저자는 자신의 작업을 공개적으로 사용할 수 있도록 했으며, 코드베이스는 GitHub에서 액세스할 수 있습니다. 해당 분야를 발전시키고 더 넓은 커뮤니티에서 해당 작업에 액세스할 수 있도록 노력해 주셔서 감사합니다.
FAQ
YOLOv9은 실시간 객체 탐지를 위해 어떤 혁신을 도입했습니까?
YOLOv9는 PGI(Programmable Gradient Information) 및 GELAN(Generalized Efficient Layer Aggregation Network)과 같은 획기적인 기술을 도입했습니다. 이러한 혁신은 심층 신경망에서 정보 손실 문제를 해결하여 높은 효율성, 정확성 및 적응성을 보장합니다. PGI는 네트워크 레이어에서 필수 데이터를 보존하고 GELAN은 파라미터 활용률과 계산 효율성을 최적화합니다. MS COCO 데이터 세트에서 새로운 벤치마크를 설정하는 YOLOv9의 핵심 혁신에 대해 자세히 알아보십시오.
YOLOv9은 다른 모델과 비교하여 MS COCO 데이터 세트에서 어떤 성능을 보입니까?
YOLOv9는 더 높은 정확도와 효율성을 달성하여 최첨단 실시간 객체 탐지기를 능가합니다. COCO 데이터 세트에서 YOLOv9 모델은 다양한 크기에서 우수한 mAP 점수를 나타내는 동시에 계산 오버헤드를 유지하거나 줄입니다. 예를 들어 YOLOv9c는 YOLOv7 AF보다 파라미터 수는 42% 적고 계산량은 21% 적으면서도 비슷한 정확도를 달성합니다. 자세한 지표는 성능 비교를 살펴보십시오.
Python 및 CLI를 사용하여 YOLOv9 모델을 훈련하려면 어떻게 해야 합니까?
python 및 CLI 명령을 모두 사용하여 YOLOv9 모델을 학습할 수 있습니다. python의 경우 다음을 사용하여 모델 인스턴스를 인스턴스화합니다. YOLO 클래스를 사용하고 다음을 호출합니다. train 메서드:
from ultralytics import YOLO
# Build a YOLOv9c model from pretrained weights and train
model = YOLO("yolov9c.pt")
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
CLI 학습의 경우 다음을 실행합니다.
yolo train model=yolov9c.yaml data=coco8.yaml epochs=100 imgsz=640
학습 및 추론에 대한 사용 예제에 대해 자세히 알아보십시오.
경량 모델에 Ultralytics YOLOv9을 사용하면 어떤 이점이 있습니까?
YOLOv9는 특히 중요한 정보 손실이 발생하기 쉬운 경량 모델에서 정보 손실을 완화하도록 설계되었습니다. PGI(Programmable Gradient Information) 및 가역 함수를 통합하여 YOLOv9는 필수 데이터 보존을 보장하여 모델의 정확성과 효율성을 향상시킵니다. 따라서 고성능의 컴팩트한 모델이 필요한 애플리케이션에 매우 적합합니다. 자세한 내용은 경량 모델에 대한 YOLOv9의 영향 섹션을 참조하십시오.
YOLOv9은 어떤 작업과 모드를 지원합니까?
YOLOv9는 객체 탐지 및 인스턴스 분할을 포함한 다양한 작업을 지원합니다. 추론, 유효성 검사, 학습 및 내보내기와 같은 여러 작동 모드와 호환됩니다. 이러한 다재다능성 덕분에 YOLOv9는 다양한 실시간 컴퓨터 비전 애플리케이션에 적응할 수 있습니다. 자세한 내용은 지원되는 작업 및 모드 섹션을 참조하십시오.
