EfficientDet과 YOLOv6-3.0

적절한 신경망 아키텍처를 선택하는 것은 모든 성공적인 컴퓨터 비전 프로젝트의 초석입니다. 이 가이드에서는 Google의 EfficientDet과 Meituan의 YOLOv6-3.0이라는 두 가지 주요 객체 탐지 모델을 기술적으로 비교합니다.

두 아키텍처는 출시 당시 큰 발전을 이루었지만, 이후 AI 분야에서는 더욱 다용도이며 엣지에 최적화된 솔루션이 등장했습니다. 이 가이드에서는 EfficientDet과 YOLOv6-3.0의 성능, 학습 방법, 아키텍처 세부 사항을 비교하고, 현재 많은 개발자가 배포에 Ultralytics YOLO26과 같은 최신 생태계를 선택하는 이유를 설명합니다.

EfficientDet: 확장 가능한 AutoML 아키텍처#

Google Brain 팀이 개발한 EfficientDet은 AutoML로 설계된 EfficientNet 백본을 기반으로 하며, 여기에 복합 스케일링된 특징 네트워크를 결합합니다.

아키텍처 혁신#

EfficientDet의 핵심 혁신은 BiFPN(양방향 특징 피라미드 네트워크)입니다. 특징을 하향식으로 단순 집계하는 기존 FPN과 달리 BiFPN은 복잡한 양방향 교차 스케일 연결을 지원하고 학습 가능한 가중치를 사용해 다양한 입력 특징의 중요도를 반영합니다. 여기에 네트워크의 해상도, 깊이, 너비를 동시에 균일하게 확장하는 복합 스케일링 방법을 결합합니다.

장점과 단점#

EfficientDet은 파라미터 수 대비 뛰어난 평균 정밀도(mAP)를 달성해 당시 높은 정확도를 자랑했습니다. 하지만 오래된 TensorFlow 환경에 크게 의존합니다. 이러한 의존성은 최신 PyTorch 기반 단일 단계 탐지기에 비해 복잡한 하이퍼파라미터 튜닝, 학습 중 높은 메모리 사용량, 표준 하드웨어에서의 느린 추론 지연 시간으로 이어지는 경우가 많습니다.

EfficientDet에 대해 자세히 알아보기

YOLOv6-3.0: 산업 처리량의 강자#

대량 산업 처리에 적합하도록 개발된 YOLOv6-3.0은 NVIDIA T4 및 A100 GPU와 같은 하드웨어 가속기에서 처리량을 극대화하도록 처음부터 설계된 합성곱 신경망(CNN)입니다.

아키텍처 혁신#

YOLOv6-3.0은 정확한 위치 정보 신호를 보존하기 위해 기존 모듈을 넥의 양방향 연결(BiC) 모듈로 대체합니다. 또한 앵커 보조 학습(AAT) 전략을 사용합니다. AAT는 학습 단계에서 앵커 기반 보조 분기를 통합해 추가적인 그래디언트 정보를 제공한 다음, 앵커 프리 속도 이점을 유지하도록 추론 시 이를 제거합니다.

장점과 단점#

하드웨어 친화적인 EfficientRep 백본을 기반으로 한 YOLOv6-3.0은 전용 GPU에서 배치 처리가 가능한 고속 산업 제조 환경에서 우수한 성능을 발휘합니다. 그러나 GPU 처리량에 맞춰 설계되었기 때문에 엣지 디바이스나 CPU 전용 환경에서는 속도 이점이 줄어들 수 있습니다.

YOLOv6-3.0 자세히 알아보기

성능 비교#

원시 성능 지표를 이해하는 것은 특정 배포 제약 조건에 맞는 모델을 선택하는 데 필수적입니다. 아래 표에서는 정확도, 속도, 계산 리소스 사용량을 분석합니다.

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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
하드웨어 고려 사항

YOLOv6-3.0은 T4 GPU에서 TensorRT를 사용해 매우 빠른 속도를 보이지만, 제약이 있는 엣지 하드웨어나 CPU에 배포하는 개발자라면 Ultralytics YOLO26과 같이 저전력 환경을 위해 특별히 설계된 아키텍처를 통해 큰 이점을 얻을 수 있습니다.

사용 사례 및 권장 사항#

EfficientDet과 YOLOv6 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 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.

YOLOv6을 선택할 경우#

다음과 같은 경우 YOLOv6을 권장합니다.

  • 산업용 하드웨어 고려 배포: 모델의 하드웨어 고려 설계와 효율적인 재매개변수화가 특정 대상 하드웨어에서 최적화된 성능을 제공하는 시나리오입니다.
  • 빠른 단일 단계 검출: 통제된 환경에서 실시간 비디오 처리를 위해 GPU에서의 순수 추론 속도를 우선시하는 애플리케이션입니다.
  • Meituan 생태계 통합: 이미 Meituan의 기술 스택 및 배포 인프라를 사용하는 팀입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

  • NMS-Free 엣지 배포: 비최대 억제(NMS) 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션에 적합합니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 장치에서는 YOLO26이 최대 43% 더 빠른 CPU 추론 속도(YOLO26n과 YOLO11n 비교)를 제공하므로 확실한 이점을 얻을 수 있습니다.
  • 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.

Ultralytics의 강점: YOLO26을 선택해야 하는 이유#

EfficientDet과 YOLOv6-3.0은 비전 연구의 이정표였지만, 현대적인 프로덕션 환경에 배포하려면 복잡한 의존성, 서로 단절된 API, 높은 메모리 요구 사항을 해결해야 하는 경우가 많습니다. Ultralytics 생태계는 이러한 워크플로 병목 현상을 기본적으로 해결합니다.

높은 성능과 사용 편의성을 원하는 개발자에게 Ultralytics YOLO26(2026년 1월 출시)은 큰 발전을 의미합니다. 새로운 배포에 권장되는 모델입니다.

YOLO26의 혁신#

  • 종단 간 NMS 프리 설계: YOLO26은 nms=False을 사용해 일대일 헤드를 선택하면 기본 종단 간 추론을 지원하며, NMS 후처리가 필요하지 않습니다. 이를 통해 지연 시간의 변동성을 줄이고 다양한 엣지 하드웨어에서 모델 배포를 간소화합니다.
  • MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 LLM 학습에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드를 사용합니다. 이를 통해 대규모 언어 모델 학습의 안정성을 컴퓨터 비전에 적용해 더 빠른 수렴과 효율적인 학습을 제공합니다.
  • CPU 추론 최대 43% 향상: 엣지 컴퓨팅과 저전력 디바이스에 최적화된 YOLO26은 기존 산업 모델이 성능을 내기 어려운 환경에서도 빠른 CPU 추론을 제공하며, YOLO26n은 YOLO11n보다 최대 43% 빠릅니다.
  • DFL 제거: 분포 초점 손실을 제거해 내보내기 그래프를 간소화하고 OpenVINO 및 CoreML과 같은 배포 런타임과의 호환성을 향상합니다.
  • ProgLoss + STAL: 점진적 손실과 소형 객체 인식형 레이블 할당은 소형 객체 인식을 크게 향상하므로 YOLO26은 드론 매핑, IoT 센서, 로봇 공학에 적합합니다.

다재다능함#

바운딩 박스 탐지에만 제한된 EfficientDet과 달리 YOLO26은 기본적으로 멀티태스크를 지원합니다. 통합된 동일한 Python API는 기본 제공 기능으로 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB) 탐지를 지원하며, 시맨틱 분할 손실 및 잔차 로그 우도 추정(RLE)과 같은 작업별 개선 사항이 아키텍처에 직접 내장되어 있습니다.

코드 통합#

고급 신경망을 학습하는 데 더 이상 수백 줄의 상용구 코드가 필요하지 않습니다. Ultralytics 라이브러리를 사용하면 연구자가 COCO와 같은 표준 데이터 세트에서 몇 줄의 코드만으로 모델을 불러오고 학습 및 검증할 수 있습니다.

from ultralytics import YOLO

# Initialize the natively end-to-end YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently with automatic hardware detection
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()
print(f"Achieved mAP50-95: {metrics.box.map:.3f}")

# Export directly to ONNX or TensorRT without NMS overhead
model.export(format="onnx", nms=False)

함께 고려할 다른 모델#

프로젝트에서 구형 하드웨어 프로필을 지원해야 하거나 기존 코드베이스를 유지 관리해야 한다면, 폭넓은 Ultralytics 생태계가 필요한 기능을 제공합니다.

  • Ultralytics YOLO11: YOLO26의 직전 모델로, 성숙하고 잘 문서화된 파이프라인이 필요한 기업 환경에서 널리 사용됩니다.
  • Ultralytics YOLOv8: 개발자 경험의 높은 기준을 세운 널리 채택된 모델로, TensorBoard 및 Weights & Biases와 같은 도구와 긴밀하게 통합되어 일반적인 컴퓨터 비전 작업에 여전히 적합합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.