YOLOv9: Object Detection 기술의 도약#

YOLOv9은 실시간 객체 검출 분야에서 중요한 진전을 이루었으며, PGI(Programmable Gradient Information) 및 GELAN(Generalized Efficient Layer Aggregation Network)과 같은 획기적인 기술을 도입했습니다. 이 모델은 효율성, 정확도, 적응성 측면에서 현저한 개선을 보여주며 MS COCO 데이터셋에서 새로운 벤치마크를 세웠습니다. YOLOv9 프로젝트는 별도의 오픈소스 팀에 의해 개발되었지만 Ultralytics YOLOv5가 제공하는 강력한 코드베이스를 기반으로 구축되어 AI 연구 커뮤니티의 협업 정신을 보여줍니다.

YOLOv9 소개#

최적의 실시간 객체 검출을 추구하는 과정에서 YOLOv9은 심층 neural networks에 내재된 정보 손실 문제를 극복하기 위한 혁신적인 접근 방식으로 돋보입니다. PGI와 다재다능한 GELAN 아키텍처를 통합함으로써 YOLOv9은 모델의 학습 용량을 향상시킬 뿐만 아니라 검출 과정 전반에 걸쳐 중요한 정보가 유지되도록 보장하여 뛰어난 정확도와 성능을 달성합니다.

YOLOv9의 핵심 혁신#

YOLOv9의 발전은 심층 신경망에서의 정보 손실 문제 해결에 깊이 뿌리를 두고 있습니다. 정보 병목 현상 원리(Information Bottleneck Principle)와 가역 함수(Reversible Functions)의 혁신적인 사용이 설계의 핵심이며, 이를 통해 YOLOv9은 높은 효율성과 정확도를 유지합니다.

정보 병목 현상 원리#

정보 병목 현상 원리는 딥러닝의 근본적인 문제를 드러냅니다. 데이터가 네트워크의 연속적인 층을 통과할수록 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 I은 상호 정보를 나타내고, f 및 g는 각각 매개변수 theta 및 phi를 가진 변환 함수를 나타냅니다. YOLOv9은 네트워크 깊이에 걸쳐 필수 데이터를 보존하는 데 도움이 되는 PGI(Programmable Gradient Information)를 구현하여 이 문제에 대응하며, 더 신뢰할 수 있는 그래디언트 생성과 결과적으로 더 나은 모델 수렴 및 성능을 보장합니다.

가역 함수#

가역 함수의 개념은 YOLOv9 설계의 또 다른 초석입니다. 함수는 정보 손실 없이 반전될 수 있다면 가역적인 것으로 간주되며, 이는 다음과 같이 표현됩니다:

X = v_zeta(r_psi(X))

여기서 psi과 zeta은 각각 가역 함수 및 그 역함수의 매개변수입니다. 이 속성은 deep learning 아키텍처에 매우 중요하며, 네트워크가 완전한 정보 흐름을 유지할 수 있도록 하여 모델 매개변수의 더 정확한 업데이트를 가능하게 합니다. YOLOv9은 아키텍처 내에 가역 함수를 통합하여 특히 더 깊은 레이어에서 정보 저하의 위험을 완화하고 객체 검출 작업에 중요한 데이터가 보존되도록 보장합니다.

경량 모델에 미치는 영향#

정보 손실 문제를 해결하는 것은 경량 모델에 특히 중요합니다. 경량 모델은 종종 파라미터가 부족하고 피드포워드 과정에서 상당한 정보를 잃기 쉽기 때문입니다. YOLOv9의 아키텍처는 PGI와 가역 함수를 사용하여 모델이 간소화되더라도 정확한 객체 탐지에 필요한 필수 정보가 유지되고 효과적으로 활용되도록 합니다.

PGI(Programmable Gradient Information)#

PGI는 정보 병목 현상 문제를 해결하기 위해 YOLOv9에 도입된 새로운 개념으로, 심층 네트워크 층 전반에 걸쳐 필수 데이터의 보존을 보장합니다. 이를 통해 안정적인 그래디언트를 생성할 수 있으며, 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. 이 설계는 다양한 계산 블록의 유연한 통합을 가능하게 하여, 속도나 정확도를 희생하지 않으면서도 광범위한 애플리케이션에 YOLOv9을 적용할 수 있게 합니다.

YOLOv9 벤치마크#

Ultralytics를 사용한 YOLOv9 벤치마킹에는 실제 시나리오에서 학습 및 검증된 모델의 성능 평가가 포함됩니다. 이 프로세스에는 다음이 포함됩니다:

• 성능 평가: 모델의 속도와 정확도를 평가합니다.
• 내보내기 형식: 다양한 내보내기 형식에서 모델을 테스트하여 필요한 표준을 충족하고 다양한 환경에서 잘 작동하는지 확인합니다.
• 프레임워크 지원: Ultralytics YOLOv8 내에 포괄적인 프레임워크를 제공하여 이러한 평가를 용이하게 하고 일관되고 신뢰할 수 있는 결과를 보장합니다.

벤치마킹을 통해 모델이 통제된 테스트 환경에서 잘 작동할 뿐만 아니라 실제 애플리케이션에서도 높은 성능을 유지하도록 보장할 수 있습니다.

MS COCO 데이터셋에서의 성능#

COCO dataset에서 YOLOv9의 성능은 실시간 객체 검출에서의 상당한 발전을 보여주며 다양한 모델 크기에 걸쳐 새로운 벤치마크를 설정합니다. 표 1은 최신 실시간 객체 검출기에 대한 포괄적인 비교를 제공하여 YOLOv9의 우수한 효율성과 accuracy를 보여줍니다.

초소형 t 변형부터 대규모 e 모델에 이르기까지 YOLOv9의 반복은 정확도(mAP 지표)뿐만 아니라 더 적은 수의 매개변수와 계산 요구 사항(FLOPs)을 통한 효율성 향상을 보여줍니다. 이 표는 이전 버전 및 경쟁 모델에 비해 계산 오버헤드를 유지하거나 줄이면서 높은 precision을 제공하는 YOLOv9의 능력을 강조합니다.

비교적 YOLOv9은 놀라운 성과를 보여줍니다:

• 경량 모델: YOLOv9s는 파라미터 효율성과 계산 부하에서 YOLO MS-S를 능가하며 AP에서 0.4∼0.6%의 향상을 달성합니다.
• 중대형 모델: YOLOv9m 및 YOLOv9e는 모델 복잡성과 탐지 성능 간의 균형을 맞추는 데 눈에 띄는 진전을 보여주며, 향상된 정확도를 배경으로 파라미터와 계산의 상당한 감소를 제공합니다.

특히 YOLOv9c 모델은 아키텍처 최적화의 효율성을 잘 보여줍니다. 이 모델은 YOLOv7 AF에 비해 42% 더 적은 매개변수와 21% 더 적은 계산 수요로 작동하면서도 동등한 정확도를 달성하여 YOLOv9의 상당한 효율성 향상을 보여줍니다. 또한 YOLOv9e 모델은 YOLOv8x에 비해 15% 더 적은 매개변수와 25% 더 적은 계산 요구량으로 대형 모델의 새로운 표준을 세우며, AP가 1.7% 증가하는 개선을 보여줍니다.

이 결과는 실시간 객체 검출 작업에 필수적인 정밀도를 손상시키지 않으면서 향상된 효율성을 강조하는 YOLOv9의 전략적 모델 설계 발전 양상을 보여줍니다. 이 모델은 성능 지표의 한계를 넓힐 뿐만 아니라 계산 효율성의 중요성을 강조하여 computer vision 분야의 중대한 발전을 이룹니다.

결론#

2024년 2월에 출시된 YOLOv9은 효율성, 정확도, 적응성 측면에서 상당한 개선을 제공하며 실시간 객체 검출 분야에서 중대한 발전을 이루었습니다. PGI 및 GELAN과 같은 혁신적인 솔루션을 통해 핵심 과제를 해결함으로써 YOLOv9은 출시 당시 새로운 벤치마크를 설정했습니다. 이후 YOLO11 및 YOLO26과 같은 최신 모델이 추가 개선 사항과 함께 출시되었지만, YOLOv9의 아키텍처 혁신은 계속해서 이 분야에 영향을 미치고 있습니다.

사용 예제#

이 예제는 간단한 YOLOv9 학습 및 추론 예제를 제공합니다. 이 문서 및 기타 modes에 대한 전체 문서는 Predict, Train, Val 및 Export 문서 페이지를 참조하세요.

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 작업 및 모드#

YOLOv9 시리즈는 각각 고성능 Object Detection에 최적화된 다양한 모델을 제공합니다. 이 모델들은 다양한 계산 니즈와 정확도 요구 사항을 충족하므로 광범위한 애플리케이션에 다용도로 활용할 수 있습니다.

이 표는 YOLOv9 모델 변형에 대한 자세한 개요를 제공하며, 객체 검출 작업에서의 기능과 Inference, Validation, Training, Export과 같은 다양한 운영 모드와의 호환성을 강조합니다. 이 포괄적인 지원을 통해 사용자는 광범위한 객체 검출 시나리오에서 YOLOv9 모델의 기능을 완전히 활용할 수 있습니다.

인용 및 감사의 글#

실시간 객체 탐지 분야에 기여한 YOLOv9 저자들에게 감사를 표합니다:

@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}
}

공식 YOLOv9 논문은 Springer ECCV 2024 proceedings에 게재되었으며 arXiv에 사전 인쇄본이 올라와 있습니다. 저자들은 자신들의 연구 결과를 공개했으며, 코드베이스는 GitHub에서 액세스할 수 있습니다. 분야를 발전시키고 연구 결과를 더 넓은 커뮤니티에서 이용할 수 있게 해 준 저자들의 노고에 감사드립니다.

FAQ#