YOLOv9: 객체 감지 기술의 도약#

YOLOv9는 프로그래밍 가능한 그래디언트 정보(PGI)와 일반화된 효율적 레이어 집계 네트워크(GELAN) 같은 획기적인 기법을 도입하여 실시간 객체 감지 분야를 크게 발전시켰습니다. 이 모델은 효율성, 정확도, 적응성을 크게 개선하고 MS COCO 데이터셋에서 새로운 기준을 세웠습니다. 별도의 오픈소스 팀이 개발한 YOLOv9 프로젝트는 Ultralytics YOLOv5가 제공하는 강력한 코드베이스를 기반으로 하며, AI 연구 커뮤니티의 협업 정신을 보여줍니다.

YOLOv9 소개#

최적의 실시간 객체 감지를 추구하는 가운데, YOLOv9는 심층 신경망에 내재한 정보 손실 문제를 해결하는 혁신적인 접근 방식으로 주목받고 있습니다. PGI와 유연한 GELAN 아키텍처를 통합한 YOLOv9는 모델의 학습 능력을 강화할 뿐만 아니라 감지 과정 전반에서 중요한 정보를 보존하여 뛰어난 정확도와 성능을 달성합니다.

YOLOv9의 핵심 혁신#

YOLOv9의 발전은 심층 신경망에서 발생하는 정보 손실 문제를 해결하는 데 기반을 두고 있습니다. 정보 병목 원리와 가역 함수의 혁신적인 활용은 YOLOv9 설계의 핵심이며, 이를 통해 높은 효율성과 정확도를 유지합니다.

정보 병목 원리#

정보 병목 원리는 딥러닝의 근본적인 문제를 보여줍니다. 데이터가 네트워크의 연속적인 레이어를 통과할수록 정보가 손실될 가능성이 커집니다. 이 현상은 다음과 같이 수학적으로 표현됩니다:

I(X, X) >= I(X, f_theta(X)) >= I(X, g_phi(f_theta(X)))

여기서 I은 상호 정보를 나타내며, f과 g는 각각 매개변수 theta과 phi를 사용하는 변환 함수를 나타냅니다. YOLOv9는 프로그래밍 가능한 그래디언트 정보(PGI)를 구현하여 이 문제에 대응합니다. PGI는 네트워크의 깊은 레이어까지 핵심 데이터를 보존하여 더 신뢰할 수 있는 그래디언트를 생성하고, 결과적으로 모델의 수렴과 성능을 개선합니다.

가역 함수#

가역 함수는 YOLOv9 설계의 또 다른 핵심 요소입니다. 정보 손실 없이 역변환할 수 있는 함수를 가역 함수라고 하며, 다음과 같이 표현됩니다:

X = v_zeta(r_psi(X))

여기서 psi과 zeta은 각각 가역 함수와 그 역함수의 매개변수입니다. 이 속성은 딥러닝 아키텍처에 매우 중요합니다. 네트워크가 정보 흐름 전체를 보존하여 모델 매개변수를 더 정확하게 업데이트할 수 있기 때문입니다. YOLOv9는 아키텍처에 가역 함수를 통합해 특히 깊은 레이어에서 정보가 손상될 위험을 줄이고 객체 감지 작업에 필요한 핵심 데이터를 보존합니다.

경량 모델에 미치는 영향#

정보 손실 문제를 해결하는 일은 경량 모델에서 특히 중요합니다. 경량 모델은 매개변수가 부족한 경우가 많으며 순전파 과정에서 상당한 정보가 손실되기 쉽습니다. YOLOv9는 PGI와 가역 함수를 활용한 아키텍처를 통해 간소화된 모델에서도 정확한 객체 감지에 필요한 핵심 정보를 보존하고 효과적으로 활용합니다.

프로그래밍 가능한 그래디언트 정보(PGI)#

PGI는 정보 병목 문제를 해결하고 심층 네트워크 레이어 전반에서 핵심 데이터를 보존하기 위해 YOLOv9에 도입된 새로운 개념입니다. 이를 통해 신뢰할 수 있는 그래디언트를 생성하여 모델을 정확하게 업데이트하고 전반적인 감지 성능을 높일 수 있습니다.

일반화된 효율적 레이어 집계 네트워크(GELAN)#

GELAN은 YOLOv9가 파라미터를 더 효율적으로 활용하고 계산 효율성을 높일 수 있도록 하는 전략적인 아키텍처 발전입니다. 다양한 계산 블록을 유연하게 통합할 수 있게 설계되어, 속도나 정확도를 희생하지 않고도 YOLOv9를 폭넓은 애플리케이션에 적용할 수 있습니다.

YOLOv9 벤치마크#

Ultralytics를 사용한 YOLOv9 벤치마크는 학습과 검증을 마친 모델이 실제 환경에서 보이는 성능을 평가하는 과정입니다. 이 과정에는 다음이 포함됩니다:

• 성능 평가: 모델의 속도와 정확도를 평가합니다.
• 내보내기 형식: 다양한 내보내기 형식에서 모델을 테스트하여 필요한 표준을 충족하고 여러 환경에서 원활하게 작동하는지 확인합니다.
• 프레임워크 지원: 이러한 평가를 지원하고 일관되고 신뢰할 수 있는 결과를 보장하도록 Ultralytics 패키지에서 포괄적인 프레임워크를 제공합니다.

벤치마크를 수행하면 통제된 테스트 환경에서 모델이 잘 작동하는지 확인할 수 있을 뿐만 아니라 실제 애플리케이션에서도 높은 성능을 유지하는지 확인할 수 있습니다.

MS COCO 데이터셋 성능#

COCO 데이터셋에서 YOLOv9가 보이는 성능은 실시간 객체 감지 분야의 중요한 발전을 보여주며, 다양한 모델 크기에서 새로운 기준을 세웠습니다. 표 1은 최첨단 실시간 객체 감지 모델을 포괄적으로 비교하여 YOLOv9의 뛰어난 효율성과 정확도를 보여줍니다.

작은 t 변형부터 대규모 e 모델까지 다양한 YOLOv9 버전은 정확도(mAP 지표)뿐만 아니라 파라미터 수와 계산 요구량(FLOPs)을 줄여 효율성도 개선했음을 보여줍니다. 이 표는 이전 버전 및 경쟁 모델과 비교해 계산 오버헤드를 유지하거나 줄이면서 높은 정밀도를 달성하는 YOLOv9의 역량을 강조합니다.

비교 결과 YOLOv9는 다음과 같이 상당한 성능 향상을 보입니다:

• 경량 모델: YOLOv9s는 파라미터 효율성과 계산 부하 면에서 YOLO MS-S보다 뛰어나며, AP도 0.4~0.6% 개선합니다.
• 중대형 모델: YOLOv9m과 YOLOv9e는 모델 복잡도와 감지 성능 간의 균형을 맞추는 데 뚜렷한 발전을 보였습니다. 정확도를 높이는 동시에 파라미터와 연산량을 크게 줄였습니다.

특히 YOLOv9c 모델은 아키텍처 최적화의 효과를 잘 보여줍니다. YOLOv7 AF보다 파라미터가 42% 적고 계산 요구량이 21% 낮으면서도 비슷한 정확도를 달성하여 YOLOv9의 효율성이 크게 개선되었음을 보여줍니다. 또한 YOLOv9e 모델은 대형 모델의 새로운 기준을 제시합니다. YOLOv8x보다 파라미터가 15% 적고 계산 요구량이 25% 낮으면서 AP를 추가로 1.7% 개선합니다.

이러한 결과는 모델 설계의 전략적 발전을 통해 실시간 객체 감지 작업에 필요한 정밀도를 유지하면서 효율성을 높인 YOLOv9의 성과를 보여줍니다. YOLOv9는 성능 지표의 한계를 넓힐 뿐만 아니라 계산 효율성의 중요성도 강조하며, 컴퓨터 비전 분야에서 중요한 발전을 이루었습니다.

결론#

2024년 2월에 출시된 YOLOv9는 실시간 객체 감지 분야의 중요한 발전으로, 효율성, 정확도, 적응성을 크게 개선했습니다. PGI와 GELAN 같은 혁신적인 솔루션으로 핵심 과제를 해결해 출시 당시 새로운 기준을 세웠습니다. 이후 추가 개선 사항을 적용한 YOLO11 및 YOLO26 같은 최신 모델이 출시되었지만, YOLOv9의 아키텍처 혁신은 계속해서 이 분야에 영향을 미치고 있습니다.

사용 예시#

이 예시에서는 YOLOv9 학습 및 추론의 기본적인 방법을 살펴봅니다. 이러한 기능과 다른 모드에 대한 전체 문서는 예측, 학습, 검증, 내보내기 문서 페이지를 참조하세요.

from ultralytics import YOLO

# YOLOv9c 모델을 처음부터 빌드합니다
model = YOLO("yolov9c.yaml")

# 사전 학습된 가중치로 YOLOv9c 모델을 빌드합니다
model = YOLO("yolov9c.pt")

# 모델 정보 표시(선택 사항)
model.info()

# COCO8 예제 데이터셋으로 100 에포크 동안 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 'bus.jpg' 이미지에서 YOLOv9c 모델로 추론을 실행합니다
results = model("path/to/bus.jpg")

지원 작업 및 모드#

YOLOv9 시리즈는 고성능 객체 감지를 위해 각각 최적화된 다양한 모델을 제공합니다. 이러한 모델은 서로 다른 컴퓨팅 요구 사항과 정확도 요구 사항을 충족하므로 폭넓은 애플리케이션에 유연하게 적용할 수 있습니다.

이 표는 객체 감지 작업에서 각 모델이 제공하는 기능과 추론, 검증, 학습, 내보내기 같은 다양한 운영 모드와의 호환성을 포함하여 YOLOv9 모델 변형을 자세히 보여줍니다. 이러한 포괄적인 지원을 통해 사용자는 다양한 객체 감지 시나리오에서 YOLOv9 모델의 기능을 충분히 활용할 수 있습니다.

인용 및 감사의 글#

실시간 객체 감지 분야에 크게 기여한 YOLOv9 저자들에게 감사를 전합니다:

@inproceedings{wang2024yolov9,
  title={YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information},
  author={Wang, Chien-Yao and Yeh, I-Hau and Liao, Hong-Yuan Mark},
  booktitle={Computer Vision -- ECCV 2024},
  pages={1--21},
  year={2024},
  organization={Springer Nature Switzerland}
}

YOLOv9 공식 논문은 Springer ECCV 2024 프로시딩에 게재되었으며, arXiv에서 프리프린트도 확인할 수 있습니다. 저자들은 연구 결과를 공개했으며 코드베이스는 GitHub에서 이용할 수 있습니다. 이 분야를 발전시키고 더 넓은 커뮤니티가 연구 결과를 이용할 수 있도록 해주신 저자들의 노력에 감사드립니다.

자주 묻는 질문#