EfficientDet과 YOLOv5
적절한 신경망 아키텍처를 선택하는 것은 모든 컴퓨터 비전 프로젝트에서 중요한 단계입니다. 추론 지연 시간, 파라미터 효율성, 탐지 정확도 간의 균형에 따라 모델의 실제 성능이 결정됩니다. 이 기술 가이드에서는 영향력 있는 두 가지 객체 탐지 프레임워크인 Google의 EfficientDet과 Ultralytics YOLOv5를 분석합니다.
개발자는 아키텍처 혁신, 학습 방법론, 배포 기능을 비교해 클라우드 서버 전반으로 확장하든 제약이 있는 엣지 디바이스에서 실행하든 특정 배포 환경에 맞는 합리적인 결정을 내릴 수 있습니다.
EfficientDet: BiFPN을 적용한 확장형 아키텍처#
Google Research가 공개한 EfficientDet은 이전의 주요 모델보다 적은 파라미터로 높은 정확도를 달성하기 위해 백본과 특징 네트워크를 체계적으로 확장하도록 설계되었습니다.
모델 세부 정보#
- 저자: Mingxing Tan, Ruoming Pang, Quoc V. Le
- 조직: Google Research
- 날짜: 2019년 11월 20일
- arXiv: EfficientDet: 확장 가능하고 효율적인 객체 탐지
- GitHub: google/automl/efficientdet
아키텍처 혁신#
EfficientDet은 EfficientNet 분류 모델을 백본으로 사용하며, 네트워크의 너비, 깊이, 해상도를 균일하게 확장하는 복합 스케일링 방법을 적용합니다. 객체 탐지에 대한 가장 주목할 만한 기여는 양방향 특징 피라미드 네트워크(BiFPN)의 도입입니다. 특징을 하향식으로 단순 집계하는 표준 특징 피라미드 네트워크와 달리 BiFPN은 복잡한 양방향 교차 스케일 연결을 지원하고 학습 가능한 가중치를 도입해 다양한 입력 특징의 중요도를 결정합니다.
높은 정확도를 제공하지만, EfficientDet은 TensorFlow 생태계와 특정 AutoML 라이브러리에 크게 의존합니다. 이러한 의존성은 사용자 지정 경량 배포 파이프라인이나 동적 연산 그래프를 선호하는 환경에 통합할 때 번거로울 수 있습니다.
Ultralytics YOLOv5: 실시간 AI의 대중화#
2020년 중반 출시된 Ultralytics YOLOv5는 아키텍처의 기본 PyTorch 구현을 제공해 YOLO를 훨씬 쉽게 사용할 수 있도록 했습니다. 개발자 경험, 학습 효율성, 실시간 배포 유연성의 새로운 기준을 세웠습니다.
모델 세부 정보#
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020년 6월 26일
- GitHub: ultralytics/yolov5
- 문서: YOLOv5 문서
아키텍처 혁신#
YOLOv5는 이전 모델보다 크게 개선되었으며, 그래디언트 흐름을 향상하면서 전체 파라미터 수를 줄이는 CSPDarknet(Cross-Stage Partial) 백본을 사용합니다. 또한 자동 학습 앵커 박스를 적용해 사용자 지정 학습 데이터에서 바운딩 박스 사전값을 자동으로 계산하므로 수동으로 앵커를 조정할 필요가 없습니다.
YOLOv5는 네 개의 서로 다른 이미지를 하나의 학습 타일로 결합하는 모자이크 데이터 증강에도 크게 의존합니다. 이는 다양한 환경에서 모델이 작은 객체를 탐지하는 능력과 맥락 이해력을 향상해 모델의 강건성을 높입니다.
성능 및 벤치마크#
정밀도와 속도의 상충 관계를 이해하려면 COCO 데이터셋과 같은 표준 벤치마크에서 모델을 평가하는 것이 중요합니다. 아래 표는 표준화된 조건에서 EfficientDet과 YOLOv5의 다양한 크기별 성능을 보여줍니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
상충 관계 분석#
EfficientDet-d7은 최고 mAP 53.7까지 확장되지만 YOLO 아키텍처에 비해 GPU 하드웨어에서 추론 지연 시간이 상당히 깁니다. 반면 YOLOv5는 하드웨어 가속의 이점을 크게 얻습니다. YOLOv5n 변형은 NVIDIA TensorRT를 사용해 T4 GPU에서 1.12ms의 추론 시간을 달성하므로 자율 주행이나 고속 제조 라인과 같은 실시간 애플리케이션에 훨씬 적합합니다.
YOLOv5 모델은 복잡한 복합 스케일링 네트워크나 대형 Transformer 모델보다 학습 중 CUDA 메모리 요구량도 훨씬 적습니다. 이러한 낮은 메모리 사용량 덕분에 연구자는 일반 소비자용 하드웨어에서 견고한 모델을 학습할 수 있어 최신 AI를 더 쉽게 활용할 수 있습니다.
엣지 디바이스에서 YOLOv5 모델의 초당 프레임 수(FPS)를 최대한 높이려면 PyTorch 가중치를 NVIDIA GPU용 TensorRT 또는 Intel CPU용 OpenVINO로 내보내세요. 이 단계를 통해 추론 속도를 크게 높일 수 있습니다.
학습 생태계와 개발자 경험#
Ultralytics 생태계의 주요 장점은 간소화된 사용자 경험입니다. EfficientDet은 TensorFlow 객체 탐지 API에 관한 깊은 지식이 필요하지만, YOLOv5는 일관되고 간편한 Python API를 제공합니다.
꾸준히 관리되는 Ultralytics 생태계는 개발자에게 빈번한 업데이트, 활발한 커뮤니티 지원, Weights & Biases 및 ClearML과 같은 실험 추적 도구와의 통합을 제공합니다.
코드 예제: YOLOv5 시작하기#
사전 학습된 YOLOv5 모델로 추론을 실행하는 데는 Ultralytics Python 패키지를 사용한 몇 줄의 코드만 있으면 됩니다.
from ultralytics import YOLO
# 효율성이 뛰어난 YOLOv5s 모델을 불러옵니다
model = YOLO("yolov5su.pt") # YOLOv5u: ultralytics 패키지용 앵커 프리 YOLOv5 가중치
# 이미지에서 추론 실행
results = model("https://ultralytics.com/images/zidane.jpg")
# 감지된 바운딩 박스를 표시합니다
results[0].show()범용성 및 실제 활용 사례#
EfficientDet은 객체 탐지 전용 프레임워크이므로 복잡한 비전 파이프라인에서의 활용이 제한됩니다. 반면 YOLOv5는 여러 컴퓨터 비전 작업을 지원하도록 발전했습니다. 최신 모델 버전은 정확한 인스턴스 분할과 이미지 분류를 지원하므로 개발자는 머신러닝 스택을 통합할 수 있습니다.
적합한 사용 사례#
- EfficientDet: 지연 시간보다 최대 정확도를 우선시하고 서버급 TPU 또는 대용량 메모리 GPU를 사용할 수 있는 오프라인 처리, 학술 연구, 클라우드 기반 분석에 가장 적합합니다.
- YOLOv5: 엣지 AI 배포에 적합한 강력한 선택지입니다. 낮은 지연 시간, 적은 파라미터, 높은 정확도를 결합해 드론 분석, 실시간 소매 자동화, CoreML 또는 LiteRT를 통한 모바일 애플리케이션에 적합합니다.
차세대 모델: YOLO26으로 업그레이드#
YOLOv5는 여전히 견고하고 널리 배포된 모델이지만 AI 분야는 빠르게 발전합니다. 새 프로젝트를 시작하거나 최신 성능을 원하는 팀을 위해 Ultralytics는 2026년 1월 출시된 YOLO26을 선보였습니다.
YOLO26은 배포를 간소화하고 추론 속도를 높이는 아키텍처 변경을 통해 속도와 정확도 간의 균형을 개선합니다.
YOLO26의 주요 개선 사항#
- 종단 간 NMS 프리 설계: YOLO26의 선택적 종단 간 헤드(
nms=False)는 비최대 억제(NMS) 후처리를 제거합니다. 이를 통해 배포 로직을 간소화하고 지연 시간의 변동성을 줄이며 YOLOv10에서 처음 도입한 접근 방식을 발전시킵니다. - CPU 추론 최대 43% 향상: YOLO11n과 비교해 YOLO26n은 CPU에서 최대 43% 빠르므로 전용 GPU 없이 작동하는 엣지 컴퓨팅 및 저전력 IoT 디바이스에 적합합니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델 학습 기법에서 영감을 얻은 SGD와 Muon의 하이브리드는 LLM 학습 아이디어를 컴퓨터 비전에 적용해 더 빠른 수렴과 안정적인 학습 동역학을 구현합니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식형 레이블 할당 전략은 소형 객체 인식 성능을 크게 향상하며, 이는 항공 이미지와 로봇 공학에서 중요합니다.
- DFL 제거: 분포 초점 손실을 제거하면 모델 헤드가 간소화되어 오래되었거나 제약이 큰 엣지 하드웨어로 내보낼 때 호환성이 향상됩니다.
멀티태스크 파이프라인을 배포하는 팀을 위해 YOLO26은 분할용 멀티스케일 프로토와 방향 바운딩 박스 (OBB)용 특수 각도 손실과 같은 작업별 개선 사항도 도입합니다. 생태계의 다른 최신 대안을 살펴보려면 YOLO11 또는 YOLOv8 아키텍처도 확인할 수 있습니다.
결론#
EfficientDet과 YOLOv5 중 무엇을 선택할지는 배포 대상에 크게 좌우됩니다. EfficientDet은 클라우드 중심 추론에 적합한 체계적인 스케일링 방식을 제공하지만, YOLOv5의 개발자 경험, 빠른 PyTorch 학습 루프, 최적화된 엣지 배포 기능은 대부분의 실제 실시간 애플리케이션에서 더 나은 선택이 되며, YOLO26은 신규 프로젝트의 권장 시작점입니다. Ultralytics가 제공하는 포괄적인 도구를 활용하면 팀은 시장 출시 기간을 단축하고 응답성이 뛰어난 AI 시스템을 구축할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.