YOLOv9: 객체 탐지 기술의 도약
YOLOv9는 실시간 객체 탐지 분야에서 PGI(Programmable Gradient Information)와 GELAN(Generalized Efficient Layer Aggregation Network)과 같은 혁신적인 기술을 도입하며 중요한 진전을 이루었습니다. 이 모델은 효율성, 정확도, 적응성 면에서 놀라운 향상을 보여주며 MS COCO 데이터셋에서 새로운 기준을 수립했습니다. YOLOv9 프로젝트는 별도의 오픈 소스 팀에 의해 개발되었지만, Ultralytics YOLOv5가 제공하는 강력한 코드베이스를 기반으로 하여 AI 연구 커뮤니티의 협력 정신을 잘 보여줍니다.
Watch: YOLOv9 Training on Custom Data using Ultralytics | Industrial Package Dataset
YOLOv9 소개
최적의 실시간 객체 탐지를 추구하는 과정에서 YOLOv9은 딥 신경망에 내재된 정보 손실 문제를 극복하기 위한 혁신적인 접근 방식으로 두각을 나타냅니다. PGI와 범용적인 GELAN 아키텍처를 통합함으로써, YOLOv9은 모델의 학습 능력을 향상시킬 뿐만 아니라 탐지 과정 전반에 걸쳐 핵심 정보를 보존하여 탁월한 정확도와 성능을 달성합니다.
YOLOv9의 핵심 혁신
YOLOv9의 발전은 딥 신경망에서의 정보 손실 문제 해결에 깊이 뿌리를 두고 있습니다. 정보 병목 원리(Information Bottleneck Principle)와 가역 함수(Reversible Functions)의 혁신적인 활용은 YOLOv9의 설계에서 중심적인 역할을 하며, 이를 통해 높은 효율성과 정확도를 유지합니다.
정보 병목 원리
정보 병목 원리는 딥러닝의 근본적인 도전을 보여줍니다. 데이터가 네트워크의 연속적인 층을 통과할 때 정보 손실의 가능성이 커진다는 것입니다. 이 현상은 수학적으로 다음과 같이 표현됩니다:
I(X, X) >= I(X, f_theta(X)) >= I(X, g_phi(f_theta(X)))여기서 I는 상호 정보량을 나타내며, f와 g는 각각 파라미터 theta와 phi를 가진 변환 함수를 의미합니다. YOLOv9은 PGI(Programmable Gradient Information)를 구현하여 이 문제에 대응합니다. PGI는 네트워크 깊이 전반에 걸쳐 필수 데이터를 보존하는 데 도움을 주어 더 신뢰할 수 있는 그래디언트 생성을 보장하며, 결과적으로 더 나은 모델 수렴과 성능을 이끌어냅니다.
가역 함수
가역 함수 개념은 YOLOv9 설계의 또 다른 초석입니다. 함수는 정보 손실 없이 반전될 수 있는 경우 가역적이라고 간주되며, 다음과 같이 표현됩니다:
X = v_zeta(r_psi(X))여기서 psi와 zeta는 각각 가역 함수와 그 역함수의 파라미터입니다. 이 속성은 딥러닝 아키텍처에서 매우 중요한데, 네트워크가 전체 정보 흐름을 유지할 수 있게 하여 모델 파라미터에 대한 더 정확한 업데이트를 가능하게 하기 때문입니다. YOLOv9은 아키텍처 내에 가역 함수를 통합하여 특히 더 깊은 층에서의 정보 저하 위험을 완화하고, 객체 탐지 작업을 위한 핵심 데이터 보존을 보장합니다.
경량 모델에 미치는 영향
정보 손실 해결은 종종 파라미터가 부족하고 피드포워드 과정에서 중요한 정보를 잃기 쉬운 경량 모델에 특히 중요합니다. PGI와 가역 함수를 활용하는 YOLOv9의 아키텍처는 모델이 간소화되더라도 정확한 객체 탐지에 필요한 필수 정보가 보존되고 효과적으로 활용되도록 보장합니다.
PGI(Programmable Gradient Information)
PGI는 정보 병목 현상 문제를 해결하기 위해 YOLOv9에 도입된 새로운 개념으로, 깊은 네트워크 층 전반에 걸쳐 필수 데이터가 보존되도록 합니다. 이를 통해 신뢰할 수 있는 그래디언트 생성이 가능해져 정확한 모델 업데이트를 촉진하고 전반적인 탐지 성능을 향상시킵니다.
GELAN(Generalized Efficient Layer Aggregation Network)
GELAN은 전략적인 아키텍처 발전으로서 YOLOv9이 우수한 파라미터 활용도와 계산 효율성을 달성할 수 있게 합니다. 그 설계는 다양한 계산 블록을 유연하게 통합할 수 있도록 하여, 속도나 정확도를 희생하지 않으면서도 광범위한 애플리케이션에 YOLOv9을 적용할 수 있게 합니다.
YOLOv9 벤치마크
Ultralytics를 사용한 YOLOv9 벤치마킹은 실제 시나리오에서 학습 및 검증된 모델의 성능을 평가하는 것을 포함합니다. 이 과정에는 다음이 포함됩니다:
- 성능 평가: 모델의 속도와 정확도를 평가합니다.
- 내보내기 형식: 다양한 내보내기 형식을 통해 모델을 테스트하여 필요한 표준을 충족하고 다양한 환경에서 잘 작동하는지 확인합니다.
- 프레임워크 지원: 이러한 평가를 촉진하고 일관되고 신뢰할 수 있는 결과를 보장하기 위해 Ultralytics YOLOv8 내에 포괄적인 프레임워크를 제공합니다.
벤치마킹을 통해 모델이 통제된 테스트 환경에서 잘 작동할 뿐만 아니라 실제 애플리케이션에서도 높은 성능을 유지하도록 보장할 수 있습니다.
Watch: How to Benchmark the YOLOv9 Model Using the Ultralytics Python Package
MS COCO 데이터셋에서의 성능
COCO 데이터셋에서 YOLOv9의 성능은 실시간 객체 탐지에서의 상당한 발전을 보여주며, 다양한 모델 크기에 걸쳐 새로운 기준을 수립했습니다. 표 1은 최첨단 실시간 객체 탐지기의 포괄적인 비교를 제시하며, YOLOv9의 탁월한 효율성과 정확도를 보여줍니다.
tiny t 변형 모델부터 대규모 e 모델에 이르는 YOLOv9의 반복 모델들은 정확도(mAP 지표)뿐만 아니라 더 적은 수의 파라미터와 계산 요구량(FLOPs)을 통한 효율성 면에서도 향상을 보여줍니다. 이 표는 이전 버전 및 경쟁 모델과 비교하여 계산 오버헤드를 유지하거나 줄이면서도 높은 정밀도를 제공하는 YOLOv9의 능력을 강조합니다.
비교적으로 YOLOv9은 놀라운 성과를 보여줍니다:
- 경량 모델: YOLOv9s는 파라미터 효율성과 계산 부하 면에서 YOLO MS-S를 능가하며, AP에서 0.4∼0.6%의 향상을 달성했습니다.
- 중형에서 대형 모델: YOLOv9m과 YOLOv9e는 모델 복잡성과 탐지 성능 간의 균형을 맞추는 데 있어 주목할 만한 진전을 보여주며, 향상된 정확도를 배경으로 파라미터와 연산량을 대폭 줄였습니다.
특히 YOLOv9c 모델은 아키텍처 최적화의 효과를 잘 보여줍니다. YOLOv7 AF보다 42% 더 적은 파라미터와 21% 더 적은 계산 요구량으로 작동하면서도 비교 가능한 정확도를 달성하여 YOLOv9의 상당한 효율성 향상을 입증했습니다. 또한 YOLOv9e 모델은 YOLOv8x보다 15% 더 적은 파라미터와 25% 더 적은 계산 요구량을 가지며 AP에서 1.7%의 점진적 향상을 달성하여 대형 모델의 새로운 기준을 세웠습니다.
이러한 결과들은 YOLOv9의 전략적인 모델 설계 발전을 잘 보여주며, 실시간 객체 탐지 작업에 필수적인 정밀도를 타협하지 않으면서도 향상된 효율성을 강조합니다. 이 모델은 성능 지표의 경계를 넓힐 뿐만 아니라 계산 효율성의 중요성을 강조하여 컴퓨터 비전 분야의 중추적인 개발이 되었습니다.
결론
2024년 2월에 출시된 YOLOv9은 실시간 객체 탐지 분야의 중추적인 개발을 나타내며, 효율성, 정확도, 적응성 측면에서 상당한 향상을 제공했습니다. PGI와 GELAN과 같은 혁신적인 솔루션을 통해 중요한 과제들을 해결함으로써, YOLOv9은 출시 당시 새로운 기준을 수립했습니다. 이후 YOLO11 및 YOLO26과 같은 더 새로운 모델들이 추가적인 개선을 거쳐 출시되었지만, YOLOv9의 아키텍처 혁신은 계속해서 해당 분야에 영향을 미치고 있습니다.
사용 예시
이 예제는 간단한 YOLOv9 학습 및 추론 예시를 제공합니다. 이 내용 및 기타 모드에 대한 전체 문서는 Predict, Train, Val 및 Export 문서 페이지를 참조하십시오.
PyTorch 사전 학습된 *.pt 모델과 구성 *.yaml 파일을 YOLO() 클래스에 전달하여 Python에서 모델 인스턴스를 생성할 수 있습니다:
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")지원되는 태스크 및 모드
YOLOv9 시리즈는 고성능 객체 탐지를 위해 각각 최적화된 다양한 모델을 제공합니다. 이 모델들은 다양한 계산 요구 사항과 정확도 요구 사항을 충족하여 광범위한 애플리케이션에 다재다능하게 활용될 수 있습니다.
| 모델 | 파일명 | 작업(Tasks) | 추론 | 검증 | 학습 | 내보내기 (Export) |
|---|---|---|---|---|---|---|
| YOLOv9 | yolov9t.pt yolov9s.pt yolov9m.pt yolov9c.pt yolov9e.pt | 객체 감지 | ✅ | ✅ | ✅ | ✅ |
| YOLOv9-seg | yolov9c-seg.pt yolov9e-seg.pt | 인스턴스 세그멘테이션 | ✅ | ✅ | ✅ | ✅ |
이 표는 YOLOv9 모델 변형에 대한 자세한 개요를 제공하며, 객체 탐지 작업에서의 기능과 추론, 검증, 학습 및 내보내기와 같은 다양한 운영 모드와의 호환성을 강조합니다. 이러한 포괄적인 지원을 통해 사용자는 광범위한 객체 탐지 시나리오에서 YOLOv9 모델의 기능을 최대한 활용할 수 있습니다.
YOLOv9 모델을 학습하려면 동일한 크기의 YOLOv8 모델보다 더 많은 리소스가 필요하며 시간도 더 오래 걸립니다.
인용 및 감사의 글
실시간 객체 탐지 분야에 상당한 기여를 한 YOLOv9 저자들에게 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. 저자들은 자신의 연구를 공개적으로 이용 가능하게 만들었으며, 코드베이스는 GitHub에서 확인할 수 있습니다. 우리는 이 분야를 발전시키고 더 넓은 커뮤니티가 그 연구에 접근할 수 있도록 노력해 준 그들에게 감사드립니다.
FAQ
YOLOv9은 실시간 객체 탐지를 위해 어떤 혁신을 도입했나요?
YOLOv9은 PGI(Programmable Gradient Information)와 GELAN(Generalized Efficient Layer Aggregation Network)과 같은 혁신적인 기술을 도입했습니다. 이러한 혁신은 딥 신경망에서의 정보 손실 문제를 해결하여 높은 효율성, 정확도, 적응성을 보장합니다. PGI는 네트워크 층 전반에 걸쳐 필수 데이터를 보존하며, GELAN은 파라미터 활용도와 계산 효율성을 최적화합니다. MS COCO 데이터셋에서 새로운 기준을 수립한 YOLOv9의 핵심 혁신에 대해 자세히 알아보십시오.
YOLOv9은 다른 모델과 비교하여 MS COCO 데이터셋에서 어떤 성능을 보여주나요?
YOLOv9은 더 높은 정확도와 효율성을 달성함으로써 최첨단 실시간 객체 탐지기들을 능가합니다. COCO 데이터셋에서 YOLOv9 모델들은 계산 오버헤드를 유지하거나 줄이면서 다양한 크기에 걸쳐 우수한 mAP 점수를 보여줍니다. 예를 들어, YOLOv9c는 YOLOv7 AF보다 42% 더 적은 파라미터와 21% 더 적은 계산 요구량으로 비교 가능한 정확도를 달성합니다. 자세한 지표는 성능 비교를 탐색하십시오.
Python과 CLI를 사용하여 YOLOv9 모델을 어떻게 학습할 수 있나요?
Python과 CLI 명령어를 모두 사용하여 YOLOv9 모델을 학습할 수 있습니다. Python의 경우 YOLO 클래스를 사용하여 모델을 인스턴스화하고 train 메서드를 호출합니다:
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=640학습 및 추론을 위한 사용 예시에 대해 자세히 알아보십시오.
경량 모델에 Ultralytics YOLOv9을 사용할 때의 장점은 무엇인가요?
YOLOv9은 상당한 정보를 잃기 쉬운 경량 모델에 특히 중요한 정보 손실을 완화하도록 설계되었습니다. PGI(Programmable Gradient Information)와 가역 함수를 통합함으로써 YOLOv9은 필수 데이터 유지를 보장하여 모델의 정확도와 효율성을 향상시킵니다. 이는 고성능의 소형 모델이 필요한 애플리케이션에 매우 적합합니다. 자세한 내용은 YOLOv9이 경량 모델에 미치는 영향 섹션을 살펴보십시오.
YOLOv9은 어떤 작업과 모드를 지원하나요?
YOLOv9은 객체 탐지 및 인스턴스 분할을 포함한 다양한 작업을 지원합니다. 추론, 검증, 학습 및 내보내기와 같은 여러 운영 모드와 호환됩니다. 이러한 다재다능함 덕분에 YOLOv9은 다양한 실시간 컴퓨터 비전 애플리케이션에 적응할 수 있습니다. 자세한 내용은 지원되는 작업 및 모드 섹션을 참조하십시오.