RTDETRv2 대 YOLOv10: NMS 실시간 객체 탐지의 발전
컴퓨터 비전의 진화는 주로 속도와 정확성의 균형을 끊임없이 추구하는 과정에서 이루어져 왔다. 기존 실시간 객체 탐지 파이프라인은 중첩된 바운딩 박스를 걸러내기 위한 후처리 단계로 비최대 억제(NMS)에 의존해 왔습니다. 그러나 NMS 지연 병목 현상과 복잡한 하이퍼파라미터 조정을 NMS . 최근 이 문제를 근본적으로 해결하기 위해 두 가지 차별화된 아키텍처 접근법이 등장했습니다: RTDETRv2와 같은 트랜스포머 기반 모델과 YOLOv10 같은 CNN 기반 모델입니다.
이 가이드는 두 모델의 아키텍처, 성능 지표 및 이상적인 사용 사례를 분석하여 포괄적인 기술 비교를 제공하며, 동시에 Ultralytics 최신 혁신이 현대적 배포를 위한 궁극적인 솔루션을 어떻게 제공하는지 강조합니다.
RTDETRv2: 실시간 탐지 트랜스포머
RTDETRv2는 원본을 기반으로 합니다 RT-DETR 아키텍처를 기반으로 하며, 비전 트랜스포머의 글로벌 컨텍스트 이해 능력과 YOLO 전통적으로 주도해 온 실시간 속도 요구 사항을 결합하는 것을 목표로 합니다.
주요 특징:
- 저자: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, Yi Liu
- 기관: Baidu
- 날짜: 2024-07-24
- Arxiv: https://arxiv.org/abs/2407.17140
- GitHub: RT-DETR
아키텍처 및 교육 방법론
RTDETRv2는 본질적으로 NMS 회피하는 엔드투엔드 트랜스포머 아키텍처를 활용합니다. "Bag-of-Freebies" 접근법을 도입하고, 훈련 전략을 최적화하며, 다중 스케일 탐지 기능을 통합함으로써 이전 모델을 개선했습니다. 이 모델은 CNN 백본을 사용하여 특징 맵 (가장자리 및 질감과 같은 시각적 세부 사항)을 추출한 후, 이를 트랜스포머 인코더-디코더 구조로 처리합니다. 이를 통해 모델은 전체 이미지 컨텍스트를 동시에 분석할 수 있어, 객체가 밀집되거나 겹쳐진 복잡한 장면을 이해하는 데 매우 효과적입니다.
강점과 약점
강점:
- 전역 컨텍스트: 어텐션 메커니즘을 통해 모델은 복잡하고 어수선한 환경에서 뛰어난 성능을 발휘할 수 있습니다.
- NMS-Free: 객체 좌표를 직접 예측하여 배포 파이프라인을 간소화합니다.
- 고정확도: COCO 데이터셋에서 뛰어난 평균 정밀도(mAP)를 달성합니다.
약점:
- 자원 집약적:Transformer 아키텍처는 일반적으로 CNN에 비해 훈련 중 훨씬 더 많은 CUDA 메모리를 필요로 하므로, 표준 하드웨어에서 미세 조정하는 데 비용이 많이 듭니다.
- 추론 속도 가변성: 빠르지만, 과도한 어텐션 계산은 전용 AI 가속기가 없는 엣지 장치에서 컴퓨터 비전의 FPS를 낮출 수 있습니다.
YOLOv10: 실시간 엔드투엔드 객체 detect
YOLOv10 CNN 프레임워크 내에서 직접적으로 오랫동안 지속되어 온 NMS 현상을 해결함으로써 YOLO 탐지 계보에 있어 중대한 전환점을 YOLOv10 .
주요 특징:
- 저자: Ao Wang, Hui Chen, Lihao Liu, et al.
- 기관: 칭화대학교
- 날짜: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
아키텍처 및 교육 방법론
YOLOv10 핵심 혁신은 NMS 훈련이 가능한 일관된 이중 할당 YOLOv10 . 훈련 단계에서 두 개의 탐지 헤드를 사용합니다: 하나는 풍부한 감독 신호를 제공하기 위한 다대일 할당(기존 YOLO와 유사) 방식이고, 다른 하나는 NMS 필요성을 제거하기 위한 일대일 할당 방식입니다. 추론 단계에서는 일대일 헤드를 단독으로 사용함으로써 엔드투엔드 프로세스를 구현합니다. 또한 저자들은 효율성과 정확도를 종합적으로 고려한 모델 설계 전략을 적용하여 다양한 구성 요소를 포괄적으로 최적화함으로써 계산적 중복을 줄였습니다.
강점과 약점
강점:
- 극강의 속도: NMS를 제거하고 아키텍처를 최적화함으로써 YOLOv10은 놀랍도록 낮은 추론 지연 시간을 달성합니다.
- 효율성: 다른 모델과 유사한 정확도를 달성하기 위해 더 적은 파라미터와 FLOPs를 필요로 하므로, 제약된 환경에 매우 적합합니다.
- NMS-Free 배포: 스마트 감시와 같은 엣지 애플리케이션으로의 통합을 간소화합니다.
약점:
- 1세대 개념: 이 특정 NMS-free 아키텍처를 구현한 최초의 YOLO로서 기반을 마련했지만, YOLO11 및 YOLO26과 같은 후속 모델에서 볼 수 있는 다중 작업 다용도성 및 최적화를 위한 여지를 남겼습니다.
성능 비교
생산용 모델을 평가할 때 정확도와 계산 비용의 균형은 매우 중요하다. 아래 표는 다양한 크기의 RTDETRv2와 YOLOv10 간의 성능 상의 절충점을 보여준다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
RTDETRv2가 견고한 정확도를 제공하는 반면, YOLOv10 특히 소형 변형체(Nano 및 Small)에서 지연 시간과 매개변수 효율성 측면에서 탁월한 이점을 YOLOv10 . 이로 인해 에지 컴퓨팅 및 AIoT 애플리케이션에 매우 매력적인 선택지가 됩니다.
올바른 스케일 선택
서버급 GPU에 배포하는 경우 배치 크기 및 VRAM 제약이 적을 때, 더 큰 모델(예: -x 또는 -l)는 정확도를 극대화합니다. Raspberry Pi 또는 휴대폰과 같은 엣지 장치의 경우, nano (-n) 또는 small (-s) 변형을 사용하여 실시간 프레임 속도를 유지합니다.
사용 사례 및 권장 사항
RT-DETR과 YOLOv10 중 선택은 특정 프로젝트 요구사항, 배포 제약 사항 및 생태계 선호도에 따라 달라집니다.
RT-DETR 선택해야 할 때
RT-DETR 다음에 대한 강력한 RT-DETR :
- 트랜스포머 기반 detect 연구: NMS 없이 종단 간 객체 detect를 위한 어텐션 메커니즘 및 트랜스포머 아키텍처를 탐구하는 프로젝트.
- 유연한 지연 시간을 가진 고정확도 시나리오: 감지 정확도가 최우선 순위이며 약간 더 높은 추론 지연 시간이 허용되는 애플리케이션.
- 대형 객체 detect: 트랜스포머의 전역 어텐션 메커니즘이 자연스러운 이점을 제공하는 주로 중대형 객체가 있는 장면.
10 선택해야 할 때
YOLOv10 다음에 YOLOv10 :
- NMS-Free 실시간 detect: NMS(Non-Maximum Suppression) 없이 엔드투엔드 detect의 이점을 얻어 배포 복잡성을 줄이는 애플리케이션.
- 균형 잡힌 속도-정확도 절충: 다양한 모델 규모에서 추론 속도와 detect 정확도 사이의 강력한 균형이 필요한 프로젝트.
- 일관된 지연 시간 애플리케이션: 로봇 공학 또는 자율 시스템과 같이 예측 가능한 추론 시간이 중요한 배포 시나리오.
Ultralytics YOLO26)를 선택해야 할 때
대부분의 신규 프로젝트에 대해 Ultralytics 성능과 개발자 경험의 최적 조합을 제공합니다:
- NMS-Free 엣지 배포: NMS(Non-Maximum Suppression) 후처리 복잡성 없이 일관되고 낮은 지연 시간의 추론을 요구하는 애플리케이션.
- CPU 전용 환경: 전용 GPU 가속이 없는 장치에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공합니다.
- 작은 객체 detect: 항공 드론 이미지 또는 IoT 센서 분석과 같이 ProgLoss 및 STAL이 작은 객체에 대한 정확도를 크게 향상시키는 까다로운 시나리오.
Ultralytics : YOLO26 소개
RTDETRv2와 YOLOv10 모두 학문적으로 주목할 만한 발전을 YOLOv10 , 실제 환경에 적용하려면 견고하고 잘 관리되는 소프트웨어 생태계가 필요합니다. Ultralytics 사용 편의성, 방대한 문서, 데이터 주석 및 배포를 위한 강력한 도구를 결합하여 비교할 수 없는 개발자 경험을 제공합니다.
2026년 최첨단을 추구하는 개발자들을 위해, Ultralytics 이 최고의 선택입니다. 두 아키텍처의 장점을 종합하면서 획기적인 개선점을 도입합니다:
- 종단 간 NMS-Free 설계: YOLOv10에서 개척된 개념을 기반으로, YOLO26은 NMS 후처리를 기본적으로 제거하여 더 빠르고 간단한 배포 로직과 제로 지연 시간 편차를 제공합니다.
- DFL 제거: Distribution Focal Loss를 제거함으로써 YOLO26은 모델 내보내기를 단순화하고 엣지 및 저전력 장치와의 호환성을 크게 향상시킵니다.
- MuSGD 옵티마이저: SGD와 뮤온의 하이브리드(LLM 훈련 혁신에서 영감)인 이 새로운 옵티마이저는 기존 방식에 비해 더 안정적인 훈련과 훨씬 빠른 수렴을 제공합니다.
- 최대 43% 더 빠른 CPU 추론: 전용 GPU가 없는 환경에 세심하게 최적화되어 고성능 비전 AI를 대중화합니다.
- ProgLoss + STAL: 이러한 고급 손실 함수는 작은 객체 인식에서 주목할 만한 개선을 가져오며, 이는 드론 및 IoT 센서를 사용하는 애플리케이션에 필수적입니다.
- 비할 데 없는 다재다능함: 바운딩 박스에 국한된 모델과 달리, YOLO26은 인스턴스 segment, 자세 추정, 이미지 분류 및 obb detect를 포함한 전체 작업 세트를 지원하며, 자세 추정을 위한 잔차 로그 우도 추정(RLE)과 같은 작업별 개선 사항을 포함합니다.
Python 통한 원활한 구현
Ultralytics Python 사용한 모델 훈련 및 배포는 마찰 없이 진행되도록 설계되었습니다. 트랜스포머 기반 아키텍처에 비해 훈련 중 메모리 요구량이 현저히 낮아 표준 하드웨어에서도 강력한 모델을 훈련할 수 있습니다.
from ultralytics import YOLO
# Load the cutting-edge YOLO26 model (recommended)
# Alternatively, load a YOLOv10 model using YOLO('yolov10n.pt')
model = YOLO("yolo26n.pt")
# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Easily export to various formats for edge deployment
model.export(format="onnx", simplify=True)
보안 경보 시스템을 구현하든 의료 영상 분석을 수행하든, 활발한 Ultralytics 지원하는 모델을 선택하면 성공에 필요한 도구, 하이퍼파라미터 조정 가이드, 지속적인 업데이트를 확보할 수 있습니다. YOLOv10 NMS 아키텍처의 길을 열었다면, YOLO26은 성능, 다용도성, 생산 준비도 간의 최적의 균형을 제공하며 이 공식을 완성합니다.