EfficientDet과 YOLOv9 비교
컴퓨터 비전은 신경망 설계의 지속적인 발전을 통해 변화해 왔습니다. 모델을 선택할 때 컴퓨팅 효율성과 탐지 정확도 사이의 적절한 균형을 찾는 것이 중요합니다. Google의 EfficientDet은 확장 가능한 아키텍처를 도입해 2019년에 탄탄한 기준을 확립했으며, 2024년에 출시된 YOLOv9은 프로그래밍 가능한 그래디언트 정보(PGI)를 활용해 객체 탐지를 발전시켰습니다.
이 가이드에서는 두 모델을 기술적으로 비교하고, 프로덕션 환경에 최적화된 견고한 엔드투엔드 솔루션인 Ultralytics YOLO26을 소개합니다.
모델 아키텍처 및 혁신#
EfficientDet과 YOLOv9의 내부 작동 원리를 이해하는 것은 각 모델에 가장 적합한 사용 사례를 결정하는 데 필수적입니다.
EfficientDet: 복합 스케일링과 BiFPN#
Google Research가 개발한 EfficientDet은 체계적인 스케일링과 효율적인 특징 융합에 중점을 둡니다. EfficientNet을 백본으로 사용하며 새로운 특징 네트워크 아키텍처를 도입했습니다.
주요 아키텍처 특징: EfficientDet은 빠른 멀티스케일 특징 융합을 지원하는 양방향 특징 피라미드 네트워크(BiFPN)에 크게 의존합니다. 또한 네트워크의 해상도, 깊이, 너비를 균일하게 조정하는 복합 스케일링 방식을 사용합니다. 당시에는 정확도가 매우 높았지만 구형 TensorFlow 환경에 크게 의존하므로 현대적인 배포 파이프라인이 복잡해질 수 있습니다.
YOLOv9: 정보 병목 문제 해결#
Academia Sinica의 연구진이 개발한 YOLOv9는 데이터가 심층 신경망을 통과하면서 정보가 저하되는 문제를 해결합니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 조직: Academia Sinica 정보과학연구소
- 날짜: 2024년 2월 21일
- 링크: arXiv, GitHub, 문서
주요 아키텍처 특징: YOLOv9은 보조 감독을 제공하는 프로그래밍 가능한 그래디언트 정보(PGI)를 도입하여 네트워크 가중치를 안정적으로 업데이트하는 데 중요한 데이터가 보존되도록 합니다. 또한 파라미터 효율성을 극대화하는 일반화 효율 레이어 집계 네트워크(GELAN)를 특징으로 합니다. 이러한 발전에도 불구하고 YOLOv9은 후처리 중 비최대 억제(NMS)가 여전히 필요하므로 지연 시간이 추가됩니다.
성능 비교#
이 모델들을 평가할 때 실측 성능 지표를 분석하면 하드웨어에 가장 적합한 절충점을 제공하는 아키텍처를 결정하는 데 도움이 됩니다.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
핵심 분석#
YOLOv9은 비슷한 정확도에서 훨씬 빠릅니다. 예를 들어 YOLOv9e는 16.77ms의 TensorRT 지연 시간으로 55.6% mAP를 달성합니다. EfficientDet-d7은 지연 시간이 훨씬 긴 128.07ms에서 mAP가 53.7%로 더 낮아 실시간 비디오 스트림에 배포하기 어렵습니다.
사용 사례 및 권장 사항#
EfficientDet과 YOLOv9 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약, 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.
YOLOv9을 선택해야 하는 경우#
다음과 같은 경우 YOLOv9을 권장합니다:
- 정보 병목 연구: 프로그래밍 가능한 그래디언트 정보(PGI) 및 일반화된 효율적 계층 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트입니다.
- 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 계층의 정보 손실을 이해하고 완화하는 데 초점을 둔 연구입니다.
- 고정확도 탐지 벤치마킹: 아키텍처 비교의 기준점으로 YOLOv9의 우수한 COCO 벤치마크 성능이 필요한 시나리오입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- 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.
Ultralytics의 장점: YOLO26 선택#
YOLOv9과 EfficientDet이 길을 열었지만, 현대적이고 프로덕션에 바로 사용할 수 있는 프레임워크를 찾는 개발자는 Ultralytics YOLO 모델, 특히 새로 출시된 YOLO26을 고려해야 합니다.
Ultralytics Platform은 로컬 학습 스크립트와 클라우드 기반 인터페이스를 결합해 사용하기 쉽도록 설계되었습니다. YOLO26은 대대적으로 재설계되어 여러 상업용 애플리케이션에서 이전 아키텍처보다 뛰어난 성능을 제공합니다.
YOLO26 기술 주요 특징#
- 엔드투엔드 NMS-free 설계: YOLO26의 선택적 엔드투엔드 헤드(
nms=False)는 후처리 병목을 제거합니다. NMS를 없애 배포 그래프가 통합되며 엣지 AI 칩에서 더 빠르게 실행됩니다. - 최대 43% 빠른 CPU 추론: 임베디드 디바이스에 최적화되어 있으며 GPU를 사용할 수 없는 경우 YOLO26n은 CPU ONNX에서 YOLO11n보다 최대 43% 빠르게 실행됩니다.
- MuSGD 옵티마이저: 비전 AI에 LLM 학습 기법을 적용한 이 하이브리드 옵티마이저는 학습을 안정화하여 모델이 더 적은 리소스로 더 빠르게 수렴하도록 합니다.
- 낮은 메모리 요구 사항: Transformer 중심 아키텍처나 최적화되지 않은 CNN과 달리 YOLO26은 학습 중 CUDA 메모리 사용량을 최소화하여 일반 소비자용 하드웨어에서도 더 큰 배치 크기를 사용할 수 있습니다.
- ProgLoss + STAL: Progressive Loss와 소형 객체 인식 레이블 할당은 소형 객체 탐지 정확도를 크게 높여 YOLO26이 항공 이미지와 IoT 네트워크에 적합하도록 합니다.
- DFL 제거: 구조를 간소화하여 모바일 배포 형식으로 원활하게 변환할 수 있습니다.
Ultralytics 생태계에는 YOLO11과 YOLOv8도 포함되며, 이 모델들 역시 인스턴스 세그멘테이션과 포즈 추정 같은 멀티태스크 기능을 제공합니다.
Python SDK를 사용한 간편한 학습#
Ultralytics 모델은 개발자 경험을 우선시합니다. Python 코드를 몇 줄만 작성하면 모델을 학습할 수 있습니다.
from ultralytics import YOLO
# Initialize the YOLO26 model
model = YOLO("yolo26n.pt")
# Train with optimized memory usage and built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance easily
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")실제 애플리케이션#
이러한 아키텍처 중 무엇을 선택할지는 배포 대상에 크게 좌우됩니다.
- 레거시 클라우드 배포: EfficientDet은 높은 정확도가 필요하지만 엄격한 실시간 제약은 적용되지 않는 오프라인 클라우드 배치 처리에 널리 사용되었습니다.
- 학술 연구: YOLOv9은 CNN 설계의 한계를 연구하고 네트워크 계층을 통과하는 그래디언트 흐름을 분석하는 연구자에게 여전히 흥미로운 선택지입니다.
- 엣지 컴퓨팅 및 IoT: YOLO26은 실제 엣지 애플리케이션에 적합합니다. NMS-free 파이프라인과 방향성 바운딩 박스(OBB) 기능은 스마트 시티 교통 분석, 소매 재고 모니터링, 드론 기반 검사에 적합한 선택이며, 높은 정확도와 빠른 추론 속도의 균형도 제공합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.