EfficientDet과 YOLO11 비교

올바른 신경망 아키텍처의 선택은 성공적인 컴퓨터 비전 애플리케이션의 기반입니다. 이 가이드에서는 Google의 EfficientDet과 Ultralytics YOLO11을 기술적으로 비교하고 아키텍처 차이, 성능 지표, 각 모델에 가장 적합한 배포 시나리오를 분석합니다.

엣지 AI 디바이스에서 밀리초 단위의 지연 시간을 목표로 하거나 클라우드 기반 추론에서 확장 가능한 정확도가 필요한 경우, 두 모델의 차이를 이해하는 것이 도움이 됩니다.

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.

EfficientDet에 대해 자세히 알아보기

YOLO11#

YOLO11은 Ultralytics 생태계에서 중요한 진화를 나타내며 실시간 성능, 파라미터 효율성, 멀티태스크 학습을 개선합니다.

아키텍처 비교#

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

EfficientDet은 EfficientNet 백본을 사용하고 BiFPN을 도입하여 하향식 및 상향식 멀티스케일 특징 융합을 구현합니다. 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 병목 현상을 일으킬 수 있습니다.

반면 YOLO11은 최적화된 C3k2 모듈과 앵커 프리 탐지 헤드를 사용합니다. 이 간소화된 접근 방식은 특징 추출 중 오버헤드를 최소화합니다. Ultralytics는 GPU 하드웨어 활용률을 극대화하도록 YOLO11을 설계했으며, 그 결과 이전 아키텍처나 대규모 트랜스포머 모델보다 학습과 추론 중 메모리 요구량이 크게 낮아졌습니다.

멀티태스크 활용성

EfficientDet은 객체 탐지 전용 모델인 반면, YOLO11은 활용 범위가 매우 넓습니다. 단일 YOLO11 아키텍처는 기본적으로 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB)를 지원합니다.

성능 벤치마크#

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

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

균형 잡힌 분석: 장점과 단점#

YOLO11은 GPU 환경에서 뛰어난 성능을 발휘합니다. 예를 들어 YOLO11m은 TensorRT를 사용해 T4 GPU에서 4.7ms 만에 51.5%의 mAP를 달성합니다. 같은 정확도를 얻는 데 EfficientDet-d5는 67.86ms가 걸려 14배 이상 느립니다. 이는 Ultralytics 모델이 실시간 애플리케이션에 적합한 성능 균형을 제공함을 보여 줍니다.

학습 방법론 및 생태계#

개발자 경험은 모델의 이론적 역량만큼이나 중요한 경우가 많습니다. 이 점에서 Ultralytics 생태계가 돋보입니다.

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

반면 Ultralytics는 사용하기 쉽도록 설계되었습니다. 잘 관리되는 PyTorch 생태계를 기반으로 YOLO 모델 학습에는 몇 줄의 코드만 필요합니다. 프레임워크는 데이터 증강과 학습률 스케줄링을 기본적으로 자동 관리하고, 내장된 하이퍼파라미터 튜닝 기능도 제공합니다.

코드 예제: Ultralytics 시작하기#

이 코드 예제는 Python API를 사용한 학습과 추론이 얼마나 간단한지 보여줍니다.

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 사용해야 하는 경우: EfficientDet은 TensorFlow 파이프라인을 깊이 활용하는 연구 환경에서 여전히 유효한 선택입니다.

YOLO11을 사용해야 하는 경우: YOLO11은 현대적인 엔터프라이즈 배포에 적합한 선택입니다. 빠른 속도 덕분에 자율주행차, 실시간 스포츠 분석, 대량 처리 제조 결함 탐지에 적합합니다. 메모리 사용량이 적어 NVIDIA Jetson과 같은 리소스 제약 하드웨어에도 유연하게 배포할 수 있습니다.

앞으로의 방향: YOLO26으로 업그레이드#

YOLO11도 뛰어난 성능을 제공하지만, 새 프로젝트를 시작하는 개발자는 새로 출시된 YOLO26을 검토해야 합니다. 기존 배포에는 검증된 YOLOv8을 계속 사용할 수 있습니다. 2026년 1월에 출시된 YOLO26은 YOLO11의 기반을 발전시키고 다음과 같은 혁신을 도입했습니다.

  • 엔드투엔드 NMS-free 설계: YOLOv10을 기반으로 한 YOLO26은 선택적 일대일 헤드(nms=False)를 사용해 비최대 억제(NMS) 후처리를 완전히 생략할 수 있으므로 지연 시간이 줄고 배포 파이프라인이 간소화됩니다.
  • MuSGD 옵티마이저: 표준 SGD와 Muon을 결합한 하이브리드 옵티마이저로, 대규모 언어 모델 학습에서 영감을 얻어 학습 안정성을 높입니다.
  • 최대 43% 빠른 CPU 추론: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 외장 GPU가 없는 엣지 디바이스에 적합합니다.
  • ProgLoss + STAL: Progressive Loss와 소형 객체 인식 레이블 할당은 소형 객체 탐지 성능을 향상하며, 이는 항공 이미지와 로보틱스 분야에서 매우 중요합니다.

RT-DETR과 같은 트랜스포머 기반 탐지기를 비롯한 다양한 비전 아키텍처를 Ultralytics Docs에서 살펴보세요.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.