EfficientDet과 YOLO: 물체 감지를 위한 세부 비교
모델마다 정확도, 속도, 효율성 면에서 고유한 장점을 제공하기 때문에 최적의 물체 감지 모델을 선택하는 것은 컴퓨터 비전 프로젝트에서 매우 중요한 결정입니다. 이 페이지에서는 객체 감지 분야의 대표적인 두 가지 모델인 EfficientDet과 YOLO 상세한 기술 비교를 제공합니다. 두 모델의 아키텍처, 성능 벤치마크, 다양한 애플리케이션에 대한 적합성을 분석하여 정보에 입각한 선택을 할 수 있도록 도와드립니다.
EfficientDet
EfficientDet은 2019년에 Google 도입했으며 물체 감지의 효율성과 확장성으로 잘 알려져 있습니다. 기존의 많은 감지기에 비해 훨씬 적은 수의 파라미터와 FLOP으로 최첨단 정확도를 달성합니다.
아키텍처 및 주요 기능
EfficientDet은 효율성과 정확성을 모두 향상시키기 위해 일련의 아키텍처 혁신을 채택하고 있습니다:
- 백본 네트워크: 신경 구조 검색을 통해 효율성과 확장성이 뛰어난 것으로 알려진 EfficientNet을 백본으로 활용합니다.
- BiFPN(양방향 특징 피라미드 네트워크): 효율적이고 효과적인 멀티스케일 피처 융합을 가능하게 하는 가중치가 부여된 양방향 피처 피라미드 네트워크입니다.
- 복합 스케일링: 복합 계수를 사용하여 감지기의 모든 차원(백본, 특징 네트워크, 박스/클래스 예측 네트워크 해상도)을 체계적으로 확장합니다.
성능 지표
EfficientDet 모델은 다양한 크기(d0~d7)로 제공되며, 다양한 컴퓨팅 리소스에 적합한 다양한 성능 절충안을 제공합니다.
- mAP: COCO 데이터 세트에서 높은 평균 평균 정밀도(mAP)를 달성하여 강력한 탐지 정확도를 보여줍니다.
- 추론 속도: 모델 크기에 따라 다양한 추론 속도를 제공하며, 작은 모델은 실시간 애플리케이션에 적합합니다.
- 모델 크기: EfficientDet 모델은 매개변수 효율이 높도록 설계되어 다른 고정밀 탐지기에 비해 모델 크기가 더 작습니다.
강점 및 약점
강점:
- 높은 효율성: 정확도와 계산 비용 간의 균형이 뛰어나 리소스가 제한된 환경에 적합합니다.
- 확장성: 복합 확장을 통해 원하는 성능 수준을 달성하기 위해 모델을 쉽게 확장할 수 있습니다.
- 정확도: 더 적은 수의 파라미터로 최첨단 정확도를 달성합니다.
- 잘 문서화된 구현: Google AutoML 리포지토리는 명확한 구현과 사전 학습된 모델을 제공합니다.
약점:
- 복잡성: BiFPN 및 복합 확장 전략은 아키텍처에 복잡성을 더합니다.
- 추론 속도: 효율적이기는 하지만, 추론 속도는 특히 더 큰 EfficientDet 변형의 경우 Ultralytics YOLO 모델과 같은 일부 실시간 감지기만큼 빠르지 않을 수 있습니다.
사용 사례
EfficientDet은 정확성과 효율성이 모두 중요한 애플리케이션에 적합합니다:
- 모바일 및 엣지 디바이스: 효율성이 뛰어나 모바일 디바이스와 엣지 컴퓨팅 플랫폼에 배포할 수 있습니다.
- 로봇 공학: 정확하고 효율적인 물체 감지가 필요한 로봇 애플리케이션에 적합합니다.
- 리소스 제약이 있는 애플리케이션: 계산 리소스는 제한되어 있지만 여전히 높은 정확도가 필요한 시나리오에 이상적입니다.
DAMO-YOLO
알리바바 그룹이 2022년에 도입한 YOLO 특히 산업용 애플리케이션에 중점을 둔 고속의 정확한 물체 감지를 위해 설계되었습니다. 속도와 정밀도의 균형을 맞추기 위해 몇 가지 새로운 기술을 통합했습니다.
아키텍처 및 주요 기능
YOLO 아키텍처에 몇 가지 혁신적인 구성 요소를 통합했습니다:
- NAS 기반 백본: 신경망 아키텍처 검색(NAS) 백본을 사용하여 속도와 정확성을 모두 최적화합니다.
- RepGFPN(재파라미터화된 그라디언트 특징 피라미드 네트워크): 계산 효율을 유지하면서 특징 표현을 향상시키는 효율적인 특징 융합 네트워크입니다.
- 제로헤드: 지연 시간을 최소화하도록 설계된 경량 감지 헤드입니다.
- AlignedOTA(정렬된 최적 전송 할당): 훈련 및 정확도 향상을 위한 고급 할당 전략입니다.
성능 지표
YOLO 모델은 다양한 성능 요구 사항을 충족할 수 있도록 다양한 크기(t, s, m, l)로 제공됩니다.
- mAP: COCO 데이터 세트에서 경쟁력 있는 mAP를 달성하여 강력한 객체 감지 성능을 입증합니다.
- 추론 속도: 빠른 추론 속도를 우선시하여 실시간 및 지연 시간에 민감한 애플리케이션에 적합합니다.
- 모델 크기: 효율적으로 설계되어 모델 크기와 성능 간의 균형이 잘 맞습니다.
강점 및 약점
강점:
- 빠른 속도: 실시간 애플리케이션에 최적화된 탁월한 추론 속도.
- 산업 중심: 산업 애플리케이션을 위해 특별히 설계되었으며, 실제 배포에 중점을 둡니다.
- 정확도: 빠른 추론 속도를 달성하면서 높은 정확도를 유지합니다.
- 고급 기술: NAS 백본 및 AlignedOTA와 같은 최첨단 기술을 통합하여 성능을 향상합니다.
- 오픈 소스: 코드 및 사전 학습된 모델과 함께 공개적으로 사용 가능합니다.
약점:
- 비교적 새로운 모델: 신생 모델로서 커뮤니티와 생태계가 기존 모델에 비해 아직 발전 중일 수 있습니다.
- 복잡성: 여러 고급 기술을 통합하면 아키텍처를 수정하거나 심층적으로 사용자 지정하기가 복잡해질 수 있습니다.
사용 사례
YOLO 특히 높은 정확도로 실시간 물체를 감지해야 하는 시나리오에서 효과적입니다:
- 산업 검사: 제조 공정의 품질 관리 및 검사에 이상적입니다.
- 자율 주행: 짧은 지연 시간이 중요한 자율주행 차량 및 첨단 운전자 지원 시스템(ADAS)에 적합합니다.
- 실시간 비디오 분석: 트래픽 모니터링 및 보안 시스템과 같은 애플리케이션.
- 엣지 AI: 실시간 처리를 위해 엣지 디바이스에 배포합니다.
모델 비교 표
| 모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 T4TensorRT10 (ms) |
매개변수 (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| 다모욜로 | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
결론
EfficientDet과 YOLO 모두 뚜렷한 강점을 지닌 강력한 객체 감지 모델입니다. EfficientDet은 강력한 정확도를 갖춘 다양한 효율적인 모델을 제공하는 데 탁월하여 다양한 애플리케이션, 특히 리소스 제약이 있는 애플리케이션에 다용도로 사용할 수 있습니다. 반면 YOLO 정확도를 크게 떨어뜨리지 않으면서도 고속 추론이 가능하도록 설계되어 실시간 산업 및 엣지 애플리케이션에 이상적입니다.
다른 고성능 객체 감지 모델에 관심이 있는 사용자를 위해 Ultralytics 다음과 같은 다양한 YOLO 모델을 제공합니다. YOLOv5, YOLOv8, 그리고 최신 YOLO11. 특정 요구 사항에 가장 적합한 모델을 찾는 데 도움이 되도록 YOLOX와 같은 다른 모델과도 비교할 수 있습니다. YOLO 모델의 간소화된 교육 및 배포를 위해 Ultralytics HUB를 살펴보는 것도 고려해 보세요.
