EfficientDet vs YOLOv5: 상세한 기술 비교
정확도, 속도 및 계산 리소스의 필요성 간의 균형을 맞추는 올바른 객체 감지 모델을 선택하는 것은 매우 중요한 결정입니다. 이 페이지에서는 확장성과 정확성으로 잘 알려진 Google의 모델 제품군인 EfficientDet과 뛰어난 속도와 사용 용이성으로 유명한 널리 채택된 모델인 Ultralytics YOLOv5 간의 포괄적인 기술 비교를 제공합니다. 컴퓨터 비전 프로젝트에 가장 적합한 모델을 선택하는 데 도움이 되도록 아키텍처 차이점, 성능 벤치마크 및 이상적인 사용 사례를 자세히 살펴보겠습니다.
EfficientDet: 확장 가능하고 효율적인 아키텍처
EfficientDet은 Google Brain 팀에서 확장 가능하고 효율적인 새로운 객체 감지기 제품군으로 소개되었습니다. 핵심 혁신은 복합 확장을 통해 정확도와 효율성을 모두 최적화하는 세심하게 설계된 아키텍처에 있습니다.
기술 세부 정보
- 작성자: 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
아키텍처 및 주요 기능
EfficientDet의 아키텍처는 세 가지 핵심 요소로 구성됩니다.
- EfficientNet Backbone: 특징 추출을 위해 매우 효율적인 EfficientNet을(를) 백본으로 사용하며, 이는 이미 뛰어난 정확도-계산 비율에 최적화되어 있습니다.
- BiFPN (양방향 특징 피라미드 네트워크): 특징 융합을 위해 EfficientDet은 간단하고 빠른 다중 스케일 특징 융합을 가능하게 하는 BiFPN을 도입했습니다. 기존 FPN과 달리 BiFPN은 양방향 연결을 가지고 있으며 가중 특징 융합을 사용하여 다양한 입력 특징의 중요도를 학습합니다.
- Compound Scaling: 백본, 특징 네트워크 및 박스/클래스 예측 네트워크의 깊이, 너비 및 해상도를 균일하게 조정하는 새로운 스케일링 방법입니다. 이를 통해 아키텍처 일관성을 유지하면서 다양한 리소스 제약 조건을 충족하는 모델 패밀리(D0~D7)를 만들 수 있습니다.
강점과 약점
강점:
- 높은 정확도: 더 큰 EfficientDet 모델(예: D5-D7)은 최첨단 mAP 점수를 달성할 수 있으며, 순수한 정확도 벤치마크에서 다른 모델보다 성능이 뛰어납니다.
- 파라미터 효율성: 주어진 정확도 수준에서 EfficientDet 모델은 종종 Mask R-CNN과 같은 이전 아키텍처보다 파라미터 및 FLOP 효율성이 더 높습니다.
- 확장성: 복합 스케일링 방식은 대상 하드웨어 및 성능 요구 사항에 따라 모델을 확장하거나 축소할 수 있는 명확한 경로를 제공합니다.
약점:
- 추론 속도: 정확도에 비해 효율적이지만, EfficientDet은 일반적으로 특히 GPU에서 YOLOv5와 같은 단일 단계 감지기보다 느립니다. 이로 인해 실시간 추론 애플리케이션에는 적합하지 않을 수 있습니다.
- 복잡성: BiFPN 및 복합 스케일링은 YOLOv5의 보다 간단한 설계에 비해 더 높은 수준의 아키텍처 복잡성을 도입합니다.
이상적인 사용 사례
EfficientDet은 가능한 한 가장 높은 정확도를 달성하는 것이 주요 목표이고, 지연 시간이 부차적인 고려 사항인 애플리케이션에 탁월한 선택입니다.
- 의료 영상 분석: 정밀도가 가장 중요한 의료 스캔에서 미묘한 이상 징후를 감지합니다.
- 위성 이미지: 농업 또는 환경 모니터링과 같은 애플리케이션을 위한 고해상도 분석.
- 오프라인 일괄 처리: 실시간으로 처리할 필요가 없는 대규모 이미지 또는 비디오 데이터 세트 분석.
Ultralytics YOLOv5: 다재다능하고 널리 채택된 모델
Ultralytics YOLOv5는 놀라운 속도, 정확성 및 탁월한 사용 편의성으로 유명한 업계 표준이 되었습니다. PyTorch에서 개발되었으며, 실용적이고 고성능 솔루션을 찾는 개발자와 연구자들에게 가장 많이 사용되는 모델입니다.
기술 세부 정보
- 작성자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 문서: https://docs.ultralytics.com/models/yolov5/
강점과 약점
강점:
- 탁월한 속도: YOLOv5는 매우 빨라서 보안 경보 시스템과 같은 애플리케이션에 중요한 실시간 객체 감지를 가능하게 합니다.
- 사용 편의성: 간단한 Python 및 CLI 인터페이스를 통해 탁월한 Ultralytics 문서와 간소화된 사용자 경험을 통해 지원되는 간단한 학습 및 배포 워크플로를 제공합니다.
- 잘 관리되는 에코시스템: YOLOv5는 활발한 개발, 대규모 커뮤니티, 잦은 업데이트, 그리고 노코드 학습을 위한 Ultralytics HUB와 같은 도구와의 튜토리얼 및 통합과 같은 광범위한 리소스으로부터 이점을 얻습니다.
- 성능 균형: 이 모델은 추론 속도와 감지 정확도 사이에서 강력한 균형을 달성하여 광범위한 실제 시나리오에 적합합니다.
- 학습 효율성: YOLOv5는 즉시 사용 가능한 사전 학습된 가중치를 통해 효율적인 학습 프로세스를 특징으로 하며 일반적으로 더 복잡한 아키텍처에 비해 학습 및 추론에 더 적은 메모리가 필요합니다.
- 다재다능함: YOLOv5는 객체 감지 외에도 인스턴스 분할 및 이미지 분류 작업도 지원합니다.
약점:
- 정확도: 매우 정확하지만, YOLOv5는 특히 매우 작은 객체를 탐지하는 데 있어 가장 큰 EfficientDet 모델에 비해 항상 절대적으로 가장 높은 mAP를 달성하지 못할 수 있습니다.
- Anchor-Based Detection: 사전 정의된 앵커 박스에 의존하며, 특이한 객체 종횡비를 가진 데이터 세트에서 최적의 성능을 위해 튜닝이 필요할 수 있습니다.
이상적인 사용 사례
YOLOv5는 속도, 효율성 및 간편한 배포가 가장 중요한 애플리케이션에 선호되는 선택입니다.
- 실시간 비디오 감시: 라이브 비디오 스트림에서 빠른 객체 감지.
- 자율 시스템: 로보틱스 및 자율 주행 차량을 위한 낮은 지연 시간의 인지 기능.
- Edge Computing: 모델 효율성으로 인해 Raspberry Pi 및 NVIDIA Jetson과 같이 리소스가 제한된 장치에 배포합니다.
- 모바일 애플리케이션: 빠른 추론 시간과 작은 모델 크기는 모바일 플랫폼에 적합합니다.
성능 분석: 정확도 vs. 속도
EfficientDet과 YOLOv5 간의 주요 절충점은 정확도와 속도입니다. 아래 표는 더 큰 EfficientDet 모델이 더 높은 mAP 점수를 달성할 수 있지만 지연 시간이 훨씬 더 높다는 것을 보여줍니다. 반면, YOLOv5 모델은 특히 GPU(T4 TensorRT)에서 훨씬 빠른 추론 속도를 제공하므로 실시간 애플리케이션에 이상적입니다. 예를 들어 YOLOv5l은 6.61ms의 지연 시간으로 경쟁력 있는 49.0 mAP를 달성하는 반면, 유사하게 정확한 EfficientDet-d4는 33.55ms로 5배 이상 느립니다.
| 모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 T4 TensorRT10 (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 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
결론: 어떤 모델을 선택해야 할까요?
EfficientDet과 Ultralytics YOLOv5는 모두 강력한 객체 탐지 모델이지만, 서로 다른 우선순위를 충족합니다. EfficientDet은 최대 정확도가 주요 목표일 때 탁월하며, 추론 속도가 느려질 수 있습니다.
그러나 Ultralytics YOLOv5는 빠른 속도와 정확성의 균형으로 대다수의 실제 애플리케이션에 이상적입니다. 사용 편의성, 포괄적이고 잘 관리되는 생태계(Ultralytics HUB 포함), 효율적인 학습 및 확장성은 매우 실용적이고 개발자 친화적인 선택입니다. 빠른 배포, 실시간 성능 및 강력한 커뮤니티 지원이 필요한 프로젝트의 경우 YOLOv5가 종종 더 나은 옵션입니다.
더욱 발전된 최신 모델을 탐색하는 데 관심 있는 사용자는 Ultralytics YOLOv8 또는 최신 YOLO11을 고려할 수도 있습니다. 이러한 모델은 향상된 정확도와 새로운 기능으로 YOLOv5의 강점을 기반으로 구축되었습니다. 더 많은 비교 자료를 보려면 Ultralytics 모델 비교 페이지를 방문하세요.
