EfficientDet과 YOLOv10 비교

컴퓨터 비전에서 객체 탐지 아키텍처의 선택은 정확도, 지연 시간, 컴퓨팅 효율성의 균형을 맞추는 데 중요합니다. 이 기술 가이드에서는 Google의 EfficientDet과 칭화대학교의 YOLOv10이라는 영향력 있는 두 모델을 비교합니다. 두 모델 모두 객체 탐지의 주요 발전을 보여주지만, 아키텍처 설계와 모델 최적화에 접근하는 방식은 크게 다릅니다.

이 가이드에서는 두 모델의 핵심 아키텍처를 살펴보고, COCO와 같은 표준 데이터셋의 성능 벤치마크를 검토하며, Ultralytics 생태계를 비롯한 현대적인 머신러닝 파이프라인에 두 모델을 통합하는 방법을 논의합니다.

EfficientDet: 복합 스케일링의 선구자#

2019년 말에 소개된 EfficientDet은 네트워크 차원을 확장하는 체계적인 방법을 제시해 확장 가능하고 정확한 객체 탐지의 새로운 기준을 세웠습니다.

주요 혁신 및 아키텍처#

EfficientDet은 EfficientNet 백본을 기반으로 하며 새로운 양방향 특징 피라미드 네트워크(BiFPN)를 사용합니다. 중요도를 구분하지 않고 특징을 합산하는 기존 특징 피라미드 네트워크(FPN)와 달리 BiFPN은 학습 가능한 가중치를 사용해 멀티스케일 특징을 융합합니다. 이를 통해 네트워크는 최종 예측에 가장 크게 기여하는 해상도별 특징을 효과적으로 학습합니다. 또한 EfficientDet은 백본, 특징 네트워크, 박스/클래스 예측 네트워크의 해상도, 깊이, 너비를 동시에 균일하게 조정하는 복합 스케일링 방식을 사용합니다.

EfficientDet은 기존 TensorFlow 파이프라인과 긴밀히 통합된 레거시 시스템에는 여전히 견고한 선택이지만, 학습 중 상당한 메모리가 필요하고 최신 동적 프레임워크에 비해 사용이 번거로울 수 있는 오래된 생태계에 의존합니다.

EfficientDet에 대해 자세히 알아보기

YOLOv10: NMS-free 혁신 모델#

2024년 중반에 출시된 YOLOv10은 후처리 중 비최대 억제(NMS)의 필요성을 없애 추론 지연 시간을 크게 줄이며 실시간 객체 탐지를 혁신했습니다.

주요 혁신 및 아키텍처#

YOLOv10은 NMS-free 학습을 위해 일관된 이중 할당 전략을 도입했습니다. 학습 중 일대다 및 일대일 레이블 할당을 모두 사용함으로써, 네트워크는 중복 항목을 제거하기 위해 NMS에 의존하지 않고도 고유하게 대응하는 바운딩 박스를 생성하도록 학습됩니다. 효율성과 정확도를 함께 고려한 이 통합 모델 설계는 컴퓨팅 중복성을 줄여 엣지 컴퓨팅 및 저지연 비디오 스트리밍 애플리케이션에 적합합니다. 또한 Ultralytics 생태계에 통합되어 개발자에게 간편한 Python API를 제공합니다.

YOLOv10 자세히 알아보기

NMS-free 설계의 효과

NMS 단계를 제거하면 YOLOv10은 장면에서 탐지되는 객체 수와 관계없이 일관된 추론 속도를 유지하므로, 복잡한 컴퓨터 비전 애플리케이션에서 흔히 발생하는 지연 시간 급증을 방지합니다.

성능 비교: 정확도, 속도, 효율성#

실제 환경에 모델을 배포할 때 개발자는 평균 정밀도(mAP)와 파라미터 수 및 컴퓨팅 연산량(FLOPs)을 함께 고려해야 합니다. 아래 표에서는 두 모델의 다양한 스케일 변형에 대한 지표를 자세히 보여 줍니다.

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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

참고: YOLOv10n 변형 모델은 가장 작은 EfficientDet 변형 모델보다 파라미터 수가 적고(2.3M) TensorRT 속도가 훨씬 빠르므로(1.84ms), 프로덕션 환경의 실시간 추론에 훨씬 더 적합합니다.

모델 배포에 Ultralytics를 선택해야 하는 이유#

두 모델 모두 역사적·구조적으로 중요한 의미가 있지만, 현대적인 파이프라인에 통합하기는 쉽지 않을 수 있습니다. 이때 Ultralytics Platform이 도움이 됩니다. 통합된 생태계를 제공하여 데이터 어노테이션부터 배포까지 전체 라이프사이클을 간소화합니다.

  1. 사용 편의성: Ultralytics Python 패키지는 모델 학습, 검증, 내보내기에 사용할 수 있는 단일 인터페이스를 제공하며, 수백 줄의 상용구 코드를 간결한 명령어로 대체합니다.
  2. 생태계와 활용 범위: EfficientDet은 탐지에 특화되어 있지만, Ultralytics YOLO 모델은 인스턴스 세그멘테이션, 분류, 포즈 추정, 방향성 바운딩 박스(OBB)까지 지원합니다.
  3. 학습 효율성: 오토 배칭 및 분산 학습 기법을 활용하는 Ultralytics 모델은 대규모 트랜스포머나 구형 멀티브랜치 TensorFlow 아키텍처보다 빠르게 학습하며 CUDA 메모리도 훨씬 적게 사용합니다.

코드 예제: YOLOv10 학습#

Ultralytics를 사용하면 YOLOv10을 간편하게 배포할 수 있습니다. 다음 코드 예제에서는 Python API만으로 YOLOv10 네트워크를 초기화하고 학습 및 평가하는 방법을 보여줍니다.

from ultralytics import YOLO

# 사전 학습된 YOLOv10 모델 불러오기(엣지 속도를 위한 나노 변형)
model = YOLO("yolov10n.pt")

# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# 검증 세트에서 모델 평가
metrics = model.val()

# 프로덕션 배포를 위해 모델을 ONNX로 내보내기
model.export(format="onnx")

사용 사례 및 권장 사항#

EfficientDet과 YOLOv10 중 무엇을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 선호하는 생태계에 따라 달라집니다.

EfficientDet을 선택해야 하는 경우#

EfficientDet은 다음과 같은 경우에 적합합니다.

  • Google Cloud 및 TPU 파이프라인: EfficientDet의 참조 구현이 TPU 학습을 지원하는 Google Cloud TPU 인프라에서 TensorFlow 기반 시스템을 사용하는 경우입니다.
  • 복합 스케일링 연구: 네트워크 깊이, 너비, 해상도를 균형 있게 조정하는 효과를 연구하는 데 중점을 둔 학술 벤치마킹입니다.
  • LiteRT를 통한 모바일 배포: Android 또는 임베디드 Linux 장치용으로 LiteRT(구 TensorFlow Lite) 내보내기가 필요한 프로젝트입니다.

YOLOv10을 선택해야 하는 경우#

다음과 같은 경우 YOLOv10을 권장합니다:

  • NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
  • 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
  • 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.

  • NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서는 YOLO26n이 YOLO11n보다 CPU 추론 속도가 최대 43% 빨라 확실한 이점을 제공합니다.
  • 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.

미래가 도래했습니다: Ultralytics YOLO26의 등장#

YOLOv10이 NMS-free YOLO 설계를 도입한 이후에도 기술은 계속 발전했습니다. 2026년 1월에 출시된 Ultralytics YOLO26은 현재 권장되는 Ultralytics 비전 AI 모델입니다. YOLO11의 멀티태스크 기능과 RT-DETR의 엔드투엔드 탐지 등 이전 아키텍처의 장점을 하나의 최적화된 모델 제품군으로 결합합니다.

YOLO26의 강점

새 프로젝트를 시작한다면 YOLO26을 사용하세요. Ultralytics Platform을 통해 유연하고 편리하게 사용할 수 있습니다.

YOLO26의 주요 혁신:

  • 엔드투엔드 NMS-free 설계: YOLOv10을 기반으로 하는 YOLO26은 선택적 엔드투엔드 일대일 헤드(nms=False)를 제공해 NMS를 생략하고 배포 로직을 최소화합니다.
  • 최대 43% 빠른 CPU 추론: Distribution Focal Loss (DFL)를 제거해 컴퓨팅 오버헤드를 크게 줄입니다. YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 엣지 AI 디바이스에 적합합니다.
  • MuSGD 옵티마이저: YOLO26은 대규모 언어 모델(LLM) 학습 기법을 활용합니다. SGD의 안정성과 Muon의 속도를 결합하여 더 빠르고 안정적으로 수렴합니다.
  • ProgLoss + STAL: Progressive Loss와 소형 객체 인식 레이블 할당은 소형 객체 탐지에서 오랫동안 해결하기 어려웠던 문제를 다룹니다. 이 분야는 EfficientDet이 전통적으로 어려움을 겪었습니다.

결론: 사용 사례에 맞는 모델 선택#

궁극적으로 네트워크 선택은 배포 제약 조건에 따라 달라집니다.

  • EfficientDet은 복합 스케일링을 연구하는 학계에서 여전히 관심을 받고 있으며, 모델 가중치 크기(디스크 용량)가 실행 속도보다 중요한 기존 TensorFlow 시스템을 유지 관리하는 연구자에게 적합합니다.
  • YOLOv10은 NMS 프리 아키텍처 덕분에 고속 다중 객체 추적 및 교통 모니터링처럼 초저지연이 필요한 애플리케이션에 적합합니다.
  • 반면 YOLO26은 현대적인 컴퓨터 비전 프로젝트에 가장 적합한 권장 모델입니다. 강력한 Ultralytics 생태계를 바탕으로 정확도, 낮은 메모리 사용량, 멀티태스크 활용 범위에서 뛰어난 성능 균형을 제공합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.