EfficientDet과 YOLO11 비교#

최적의 신경망 아키텍처를 선택하는 것은 성공적인 컴퓨터 비전 애플리케이션의 기반입니다. 이 종합 가이드에서는 Google의 EfficientDet과 Ultralytics YOLO11을 심층적으로 기술 비교하고, 두 모델의 아키텍처 차이, 성능 지표, 적합한 배포 시나리오를 분석합니다.

엣지 AI 장치에서 밀리초 단위 지연 시간을 목표로 하든, 클라우드 추론을 위한 확장 가능한 정확도가 필요하든, 이러한 모델의 특성을 이해하는 것이 중요합니다.

모델 프로필 및 기술 세부 정보#

각 아키텍처의 계보와 기본 설계 철학을 이해하면 실제 객체 감지 작업에서의 성능을 더 잘 파악할 수 있습니다.

EfficientDet#

Google Brain 연구진이 개발한 EfficientDet은 새로운 BiFPN(양방향 특징 피라미드 네트워크)과 함께 객체 감지 네트워크를 확장하는 체계적인 접근 방식을 도입했습니다.

• 저자: Mingxing Tan, Ruoming Pang, Quoc V. Le
• 조직: Google
• 날짜: 2019-11-20
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: https://github.com/google/automl/tree/master/efficientdet
• 문서: https://github.com/google/automl/tree/master/efficientdet#readme

EfficientDet에 대해 자세히 알아보기

YOLO11#

YOLO11은 Ultralytics 생태계의 중요한 진화를 보여 주며, 실시간 성능, 파라미터 효율성, 멀티태스크 학습의 한계를 확장합니다.

• 저자: Glenn Jocher 및 Jing Qiu
• 조직: Ultralytics
• 날짜: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• 문서: https://docs.ultralytics.com/models/yolo11

아키텍처 비교#

두 모델의 아키텍처 차이는 수년에 걸쳐 설계 전략이 어떻게 달라졌는지를 보여 줍니다.

EfficientDet은 EfficientNet 백본을 활용하고 BiFPN을 도입하여 하향식 및 상향식 멀티 스케일 특징 융합을 지원합니다. 모든 백본, 특징 네트워크, 박스/클래스 예측 네트워크의 해상도, 깊이, 너비를 동시에 균일하게 조정하는 복합 스케일링 방식을 사용합니다. 평균 정밀도(mAP)를 극대화하는 데 매우 효과적이지만, BiFPN의 복잡한 라우팅은 추론 중 메모리 대역폭의 병목을 일으킬 수 있습니다.

반면 YOLO11은 최적화된 C3k2 모듈과 고급 앵커 프리 감지 헤드를 사용합니다. 이러한 간소화된 접근 방식은 특징 추출 과정의 오버헤드를 최소화합니다. Ultralytics는 GPU 하드웨어 활용도를 극대화하도록 YOLO11을 설계했으며, 그 결과 이전 아키텍처나 대규모 Transformer 모델보다 학습과 추론 모두에서 메모리 요구 사항이 크게 줄었습니다.

성능 벤치마크#

아래 표에서는 COCO 데이터셋의 다양한 스케일에서 두 모델 제품군의 성능을 비교합니다.

균형 잡힌 분석: 장점과 단점#

GPU 가속: YOLO11은 GPU 환경에서 압도적인 성능을 보입니다. 예를 들어 YOLO11m은 TensorRT를 사용하는 T4 GPU에서 단 4.7ms 만에 51.5% mAP를 달성합니다. 비슷한 정확도를 내는 EfficientDet-d5는 67.86ms가 걸려 14배 이상 느립니다. 이는 Ultralytics 모델이 실시간 애플리케이션에서 우수한 성능 균형을 제공한다는 점을 보여 줍니다.

CPU 환경: EfficientDet의 소형 변형 모델(d0, d1 등)은 ONNX를 사용할 때 CPU 추론 속도가 매우 빠르게 최적화되어 있습니다. 하지만 d7과 같은 대형 변형 모델에서는 GPU 지연 시간이 크게 늘어나지 않고서는 정확도를 높이기 어렵습니다.

학습 방법론 및 생태계#

개발자 경험은 모델의 이론적 역량만큼이나 중요합니다. 이 점에서 Ultralytics 생태계가 돋보입니다.

EfficientDet은 기존 TensorFlow 생태계와 복잡한 AutoML 라이브러리에 크게 의존합니다. 맞춤형 학습 파이프라인을 설정하려면 가파른 학습 곡선을 감수하고, 복잡한 종속성을 관리하며, 앵커와 손실 함수를 수동으로 구성해야 합니다.

반면 Ultralytics는 탁월한 사용 편의성을 제공합니다. 잘 관리되는 PyTorch 생태계를 기반으로 YOLO 모델 학습에 몇 줄의 코드만 필요합니다. 프레임워크가 고급 데이터 증강과 학습률 스케줄링을 자동으로 관리하며, 하이퍼파라미터 튜닝 기능도 기본 제공됩니다.

코드 예제: Ultralytics 시작하기#

이 안정적이고 프로덕션 환경에 바로 적용할 수 있는 코드 예제는 Python API에서 학습과 추론이 얼마나 간단한지 보여 줍니다.

from ultralytics import YOLO

# 사전 학습된 YOLO11 소형 모델을 불러옵니다.
model = YOLO("yolo11s.pt")

# 사용자 지정 데이터셋으로 모델을 학습합니다
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# 이미지에서 빠르게 추론 수행
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()

적합한 사용 사례#

EfficientDet을 사용할 경우: EfficientDet은 TensorFlow 파이프라인을 깊이 활용하는 연구 환경이나, d0와 같은 초기 아키텍처의 성능으로 충분한 특정 CPU 중심 제약 조건에서 여전히 실용적인 선택입니다.

YOLO11을 사용할 경우: YOLO11은 최신 엔터프라이즈 배포를 위한 확실한 선택입니다. 탁월한 속도 덕분에 자율주행차, 실시간 스포츠 분석, 대량의 제조 결함 감지에 적합합니다. 또한 메모리 사용량이 적어 NVIDIA Jetson과 같이 리소스가 제한된 하드웨어에도 유연하게 배포할 수 있습니다.

앞으로의 방향: YOLO26으로 업그레이드#

YOLO11은 뛰어난 성능을 제공하지만, 새 프로젝트를 시작하는 개발자는 검증된 YOLOv8이나 새로 출시된 YOLO26과 같은 다른 Ultralytics 아키텍처도 검토해야 합니다. 2026년 초에 출시된 YOLO26은 YOLO11의 기반을 바탕으로 획기적인 혁신을 여러 가지 도입했습니다.

• 종단 간 NMS-free 설계: YOLOv10의 유산을 바탕으로 YOLO26은 선택형 일대일 헤드(nms=False)를 통해 후처리에서 비최대 억제(NMS)를 완전히 생략하여 지연 시간을 줄이고 배포 파이프라인을 간소화합니다.
• MuSGD 옵티마이저: 표준 SGD와 Muon을 결합한 하이브리드 옵티마이저입니다. 대규모 언어 모델 학습에서 영감을 얻었으며 학습 안정성을 크게 높입니다.
• 최대 43% 빠른 CPU 추론: 전용 GPU가 없는 엣지 장치에서 YOLO26의 성능을 크게 높이는 최적화가 적용되었습니다.
• ProgLoss + STAL: 항공 영상과 로보틱스에 중요한 소형 객체 감지 성능을 크게 높이는 고급 손실 함수입니다.

RT-DETR와 같은 Transformer 기반 감지기를 포함한 다양한 비전 아키텍처를 종합적인 Ultralytics 문서에서 살펴보세요.