콘텐츠로 건너뛰기

EfficientDet vs. PP-YOLOE+: 기술 비교

최적의 객체 감지 모델을 선택하는 것은 정확도, 추론 속도 및 계산 비용의 균형을 맞추는 중요한 결정입니다. 이 페이지에서는 Google과 Baidu에서 각각 개발한 두 가지 매우 영향력 있는 모델인 EfficientDetPP-YOLOE+ 간의 자세한 기술 비교를 제공합니다. 프로젝트에 가장 적합한 모델을 선택하는 데 도움이 되도록 아키텍처 철학, 성능 벤치마크 및 이상적인 사용 사례를 살펴봅니다.

EfficientDet: 확장성 및 효율성

Google Brain 팀에서 소개한 EfficientDet은 뛰어난 파라미터 및 계산 효율성을 위해 설계된 객체 감지 모델 제품군입니다. 이는 새로운 복합 스케일링 방법을 사용하여 모델의 깊이, 너비 및 해상도를 체계적으로 조정함으로써 달성됩니다.

아키텍처 및 주요 기능

EfficientDet 아키텍처는 세 가지 핵심 혁신을 기반으로 구축되었습니다.

  • EfficientNet Backbone: 특징 추출을 위해 매우 효율적인 EfficientNet을(를) 백본으로 사용하며, 이는 복합 스케일링 접근 방식을 사용하여 개발되었습니다.
  • BiFPN (Bi-directional Feature Pyramid Network): 특징 융합을 위해 EfficientDet은 간단하고 빠른 다중 스케일 특징 융합을 가능하게 하는 가중치가 적용된 양방향 특징 피라미드 네트워크인 BiFPN을 도입했습니다. BiFPN은 다양한 입력 특징의 중요도를 학습하고 기존 FPN보다 효과적으로 상향식 및 하향식 연결을 적용합니다.
  • Compound Scaling: EfficientDet의 핵심 원칙은 Compound Scaling 방법으로, 백본, BiFPN 및 감지 헤드 해상도, 깊이 및 너비를 균일하게 확장합니다. 이를 통해 전체 모델에 걸쳐 균형 잡힌 리소스 할당이 보장되어 효율성이 크게 향상됩니다.

강점과 약점

  • 강점:

    • 높은 파라미터 효율성: 다른 많은 아키텍처에 비해 훨씬 적은 파라미터와 FLOP으로 강력한 정확도를 제공합니다.
    • 확장성: 모델 제품군(D0~D7)은 모바일 장치에서 대규모 클라우드 서버에 이르기까지 리소스 제약 조건에 따라 모델을 확장 또는 축소할 수 있는 명확하고 효과적인 방법을 제공합니다.
    • 높은 정확도: 특히 낮은 계산 공간을 고려할 때 경쟁력 있는 mAP 점수를 달성합니다.
  • 약점:

    • 추론 속도: 계산 효율적이지만, 원시 추론 지연 시간은 Ultralytics YOLO 시리즈와 같이 실시간 성능에 특화되어 최적화된 모델보다 높을 수 있습니다.
    • 프레임워크 종속성: 원래 구현 및 주요 지원은 TensorFlow용이므로 PyTorch 생태계 내에서 작업하는 개발자에게 추가 노력이 필요할 수 있습니다.

사용 사례

EfficientDet은 컴퓨팅 자원과 모델 크기가 주요 제약 조건인 애플리케이션에 탁월한 선택입니다. 다음과 같은 시나리오에서 뛰어난 성능을 발휘합니다.

  • Edge AI: 스마트폰 또는 임베디드 시스템과 같이 리소스가 제약된 장치에 배포.
  • 클라우드 응용 프로그램: 계산 오버헤드를 최소화하는 것이 중요한 클라우드 환경에서 비용 효율적인 배포입니다.
  • 모바일 비전: 모바일 애플리케이션에서 장치 내 컴퓨터 비전 기능 지원.

EfficientDet에 대해 자세히 알아보세요.

PP-YOLOE+: 정확도 및 속도 최적화

Baidu에서 개발한 PP-YOLOE+는 PaddleDetection 제품군의 고성능 단일 단계 객체 감지기입니다. 몇 가지 주요 개선 사항을 통해 YOLO 아키텍처를 기반으로 정확도와 속도 간의 최적의 균형을 달성하는 데 중점을 둡니다.

아키텍처 및 주요 기능

PP-YOLOE+는 사전 정의된 앵커 박스의 필요성을 제거하여 감지 파이프라인을 단순화하는 앵커 프리(anchor-free) 검출기입니다. 주요 기능은 다음과 같습니다.

  • 효율적인 Task-Aligned Head: 분류 및 지역화 작업을 위해 분리된 헤드를 사용하고, 작업 정렬 학습(Task Alignment Learning, TAL)을 통해 이를 정렬하여 감지 정확도를 향상시킵니다.
  • 향상된 백본 및 Neck: 이 모델은 개선된 백본과 다중 스케일에서 효과적인 특징 융합을 위한 PAN(Path Aggregation Network)을 통합합니다.
  • PaddlePaddle 생태계: PaddlePaddle 딥 러닝 프레임워크 내에 깊이 통합되어 해당 생태계에서 사용 가능한 최적화의 이점을 누릴 수 있습니다.

강점과 약점

  • 강점:

    • 뛰어난 속도-정확도 균형: 특히 TensorRT 최적화를 통해 GPU에서 매우 빠른 추론 속도를 유지하면서 높은 mAP 점수를 제공합니다.
    • Anchor-Free Design: 모델 구조를 간소화하고 튜닝해야 하는 하이퍼파라미터의 수를 줄입니다.
    • 뛰어난 성능: 종종 크기에 비해 속도와 정확도 모두에서 다른 모델보다 뛰어난 성능을 보입니다.
  • 약점:

    • 생태계 고정: 주요 최적화 및 지원은 PaddlePaddle 프레임워크를 대상으로 하므로 해당 생태계 외부의 사용자에게는 어려움이 될 수 있습니다.
    • 커뮤니티 및 리소스: Ultralytics의 모델과 같이 널리 채택된 모델에 비해 글로벌 커뮤니티 규모가 작고 타사 리소스가 적을 수 있습니다.

사용 사례

PP-YOLOE+는 높은 정확도와 빠른 실시간 성능을 동시에 요구하는 애플리케이션에 적합합니다.

PP-YOLOE+에 대해 자세히 알아보세요.

정면 대결: 성능 및 훈련

두 모델을 비교할 때 서로 다른 설계 철학이 분명해집니다. EfficientDet은 파라미터 효율성을 우선시하는 반면 PP-YOLOE+는 최고의 속도-정확도 절충점을 달성하는 데 중점을 둡니다.

모델 크기
(픽셀)
mAPval
50-95
속도
CPU ONNX
(ms)
속도
T4 TensorRT
(ms)
파라미터
(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
PP-YOLOE+t 640 39.9 - 2.84 4.85 19.15
PP-YOLOE+s 640 43.7 - 2.62 7.93 17.36
PP-YOLOE+m 640 49.8 - 5.56 23.43 49.91
PP-YOLOE+l 640 52.9 - 8.36 52.2 110.07
PP-YOLOE+x 640 54.7 - 14.3 98.42 206.59

표에서 PP-YOLOE+ 모델이 GPU(T4 TensorRT)에서 일관되게 더 빠른 추론 속도를 달성하고 종종 비슷하거나 더 큰 크기의 EfficientDet 모델보다 더 높은 mAP 점수를 얻는다는 것을 알 수 있습니다. 예를 들어 PP-YOLOE+l은 8.36ms에서 52.9 mAP를 달성하여 파라미터 수는 비슷하지만 추론 시간이 훨씬 느리고 정확도가 약간 낮은 EfficientDet-d6를 능가합니다.

Ultralytics의 장점: YOLO 모델이 돋보이는 이유

EfficientDet과 PP-YOLOE+는 모두 강력한 모델이지만, 현대적이고 다재다능하며 사용자 친화적인 프레임워크를 추구하는 개발자는 Ultralytics YOLO 모델(예: YOLOv8 및 최신 Ultralytics YOLO11)에서 더욱 매력적인 선택을 발견할 수 있습니다.

  • 사용 편의성: Ultralytics 모델은 간단한 Python API, 광범위한 문서 및 학습, 검증 및 배포를 간소화하는 간단한 CLI 명령어를 특징으로 하며, 간소화된 사용자 경험을 제공하도록 설계되었습니다.
  • 잘 관리되는 에코시스템: Ultralytics 에코시스템은 활발한 개발, 강력한 오픈 소스 커뮤니티, 잦은 업데이트, 엔드 투 엔드 MLOps를 위한 Ultralytics HUB와 같은 도구와의 원활한 통합을 통해 이점을 얻습니다.
  • 성능 균형: Ultralytics 모델은 속도와 정확성 사이에서 뛰어난 균형을 이루는 것으로 유명하여 에지 장치에서 클라우드 서버에 이르기까지 광범위한 실제 시나리오에 적합합니다.
  • 메모리 효율성: Ultralytics YOLO 모델은 훈련 및 추론 중에 효율적인 메모리 사용을 위해 설계되었으며, 다른 아키텍처보다 적은 CUDA 메모리를 필요로 하는 경우가 많습니다. 따라서 제한된 하드웨어 리소스를 가진 사용자에게 더 적합합니다.
  • 다재다능함: EfficientDet 및 PP-YOLOE+의 단일 작업 초점과 달리 YOLO11과 같은 모델은 단일 통합 프레임워크 내에서 객체 감지, 인스턴스 분할, 이미지 분류, 자세 추정방향이 지정된 객체 감지(OBB)를 지원하는 다중 작업 모델입니다.
  • 학습 효율성: 사용자는 효율적인 학습 프로세스, COCO와 같은 데이터 세트에서 즉시 사용 가능한 사전 학습된 가중치, 더 빠른 수렴 시간의 이점을 누릴 수 있습니다.

결론

EfficientDet은 파라미터 및 FLOP 효율성이 가장 중요한 애플리케이션에 탁월하며, 리소스가 제한된 환경에 적합한 확장 가능한 모델 제품군을 제공합니다. PP-YOLOE+는 특히 PaddlePaddle 생태계에 투자한 사용자에게 높은 정확도와 실시간 속도의 강력한 조합을 제공합니다.

그러나 오늘날 대부분의 개발자와 연구자에게 YOLOv10 및 YOLO11과 같은 Ultralytics 모델이 더 나은 선택입니다. 최첨단 성능, 매우 사용자 친화적이고 잘 관리되는 생태계, 여러 컴퓨터 비전 작업에서 타의 추종을 불허하는 다재다능함의 균형을 제공하므로 연구에서 생산에 이르기까지 광범위한 애플리케이션에 이상적인 솔루션입니다.

기타 모델 비교

더 자세한 내용을 알아보려면 EfficientDet, PP-YOLOE+ 및 기타 관련 모델과 관련된 다음 비교를 살펴보십시오.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨

댓글