EfficientDet과 YOLOX 비교
최신 컴퓨터 비전 파이프라인을 설계할 때 적합한 모델을 선택하는 것은 정확도와 실시간 처리 가능성을 모두 결정하는 중요한 요소입니다. 이 기술 가이드에서는 Google의 EfficientDet과 Megvii의 YOLOX, 두 가지 주요 객체 탐지 아키텍처를 비교합니다. 아키텍처 접근 방식을 분석하고 벤치마크 성능을 평가하며, 최근 출시된 Ultralytics YOLO26과의 차이도 설명합니다.
EfficientDet 개요#
Google Brain 팀이 선보인 EfficientDet은 구조화된 모델 스케일링 방식을 개척했으며, 파라미터가 많은 동시대 네트워크보다 훨씬 적은 파라미터로도 높은 정확도를 달성할 수 있음을 보여주었습니다.
EfficientDet 세부 정보:
- 저자: Mingxing Tan, Ruoming Pang, Quoc V. Le
- 조직: Google
- 날짜: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl/efficientdet
- 문서: EfficientDet 문서
아키텍처 주요 특징#
EfficientDet은 EfficientNet 백본을 기반으로 하며, 네트워크의 해상도, 깊이, 너비를 균일하게 확장하는 복합 스케일링 방식을 적용합니다. 대표적인 특징은 빠르고 효과적인 다중 스케일 특징 융합을 지원하는 양방향 특징 피라미드 네트워크(BiFPN)입니다. 입력 특징마다 학습 가능한 가중치를 적용해 네트워크가 더 중요한 공간 데이터를 우선적으로 처리하도록 합니다.
EfficientDet의 이론적 부동 소수점 연산 수(FLOPs)는 매우 낮지만, TensorFlow 생태계와 오래된 AutoML 구성에 의존하므로 빠르게 변화하는 최신 PyTorch 워크플로에 통합하기 까다로울 수 있습니다. 복잡한 다중 분기 네트워크는 최신 YOLO 변형 모델보다 학습 중 메모리 사용량이 예상보다 커질 수도 있습니다.
YOLOX 개요#
2년 후에 출시된 YOLOX는 기존 YOLO 아키텍처를 앵커 프리 프레임워크로 전환해 학술 연구와 산업 현장의 배포 간 격차를 줄이고자 했습니다.
YOLOX 세부 정보:
- 저자: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- 조직: Megvii
- 날짜: 2021-07-18
- arXiv: 2107.08430
- GitHub: Megvii-BaseDetection/YOLOX
- 문서: YOLOX 문서
아키텍처 주요 특징#
YOLOX는 객체 탐지 설계를 크게 간소화했습니다. 앵커 프리 설계로 전환해 데이터셋별로 복잡하게 앵커 박스를 조정할 필요를 없애고 휴리스틱 오버헤드를 줄였습니다. 또한 분류 작업과 위치 추정 작업을 분리하는 분리형 헤드를 통합해 수렴 속도를 크게 높였습니다. SimOTA 레이블 할당 전략은 학습 중 양성 샘플의 할당을 동적으로 최적화했습니다.
이러한 발전에도 불구하고 YOLOX 저장소를 설정하려면 C++ 확장을 빌드하고 복잡한 종속성을 관리해야 할 수 있어, 경험이 적은 팀의 신속한 모델 배포에 걸림돌이 될 수 있습니다.
성능 비교#
프로덕션용 모델을 평가할 때는 평균 정밀도(mAP)와 추론 속도의 균형을 맞추는 것이 무엇보다 중요합니다. 아래 표에서는 표준 COCO 벤치마크를 기준으로 EfficientDet과 YOLOX 제품군을 직접 비교합니다.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
EfficientDet은 대형 d7 변형 모델에서 높은 정확도를 달성하는 반면, YOLOX는 GPU 하드웨어에서(TensorRT를 통해) 훨씬 낮은 지연 시간을 제공하므로 자율 주행이나 스포츠 추적처럼 높은 FPS가 필요한 애플리케이션에 더 적합합니다.
사용 사례 및 권장 사항#
EfficientDet과 YOLOX 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.
YOLOX를 선택해야 하는 경우#
다음과 같은 경우 YOLOX를 권장합니다.
- 앵커 프리 탐지 연구: 새로운 탐지 헤드나 손실 함수를 실험하기 위한 기준 모델로 YOLOX의 간결한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
- 초경량 엣지 디바이스: YOLOX-Nano 변형의 매우 작은 크기(파라미터 0.91M)가 중요한 저전력 임베디드 하드웨어나 구형 모바일 하드웨어에 배포하는 경우입니다.
- SimOTA 레이블 할당 연구: 최적 수송 기반 레이블 할당 전략과 해당 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.
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 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: YOLO26 소개#
EfficientDet과 YOLOX는 각 시대에 중요한 발전을 이뤘지만, 최신 컴퓨터 비전에는 더 높은 다용성, 간소화된 워크플로, 빠른 속도가 요구됩니다. 사용 편의성, 낮은 메모리 요구량, 체계적으로 유지 관리되는 생태계를 중시하는 개발자에게는 2026년 1월에 출시된 Ultralytics YOLO26으로 업그레이드하는 것을 권장합니다.
YOLO26은 YOLO 계보의 중요한 진전으로, YOLOX와 EfficientDet 같은 이전 모델의 한계를 해결합니다:
- End-to-End NMS-Free Design: 비용이 많이 드는 비최대 억제(NMS) 후처리가 필요한 EfficientDet 및 YOLOX와 달리, YOLO26은 선택적 일대일 헤드(
nms=False)를 통해 기본 엔드투엔드 추론을 지원합니다. 이를 통해 NMS로 인한 지연 시간 병목 현상을 없애고 엣지 배포를 간소화합니다. - CPU 추론 속도 최대 43% 향상: 아키텍처 조정과 DFL 제거(분포 초점 손실)를 통해 YOLO26은 전용 GPU가 없는 환경에 최적화되었습니다. YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르며, Raspberry Pi와 같은 엣지 AI 하드웨어에서도 뛰어난 성능을 제공합니다.
- MuSGD Optimizer: LLM 학습의 혁신(Moonshot AI의 Kimi K2 등)에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드 방식을 사용합니다. 이를 통해 기존 학습 설정보다 안정적으로 학습하고 더 빠르게 수렴합니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식형 레이블 할당은 YOLOX와 EfficientDet 모두가 역사적으로 취약했던 소형 객체 인식 성능을 크게 향상합니다. 이는 드론 분석과 IoT에 매우 중요합니다.
- 다중 작업 지원: EfficientDet과 YOLOX는 바운딩 박스 탐지에만 한정되지만, YOLO26은 인스턴스 분할, 자세 추정(잔차 로그 우도 추정 사용), 방향 바운딩 박스(OBB)를 기본적으로 지원합니다.
간소화된 사용자 경험과 학습 효율성#
YOLOX와 같은 모델을 사용할 때 가장 큰 난관 중 하나는 학습 환경을 설정하는 일입니다. 통합된 Ultralytics Python API를 사용하면 코드 몇 줄만으로 모델을 학습할 수 있습니다. YOLO 모델은 최적화된 데이터 로더와 경량 아키텍처도 갖추고 있어, Transformer 기반 모델이나 기존 다중 분기 네트워크보다 CUDA 메모리 사용량이 훨씬 적습니다.
from ultralytics import YOLO
# YOLO26n 모델 로드(nms=False로 NMS 프리 추론 사용 가능)
model = YOLO("yolo26n.pt")
# 사용자 지정 데이터셋으로 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 에지 배포를 위해 모델을 ONNX 또는 OpenVINO로 내보냅니다
model.export(format="openvino")결론: 올바른 선택#
TensorFlow 생태계에 깊이 통합된 레거시 시스템을 유지 관리한다면, 특히 복합 스케일링 변형 모델이 이미 통합된 경우 EfficientDet은 여전히 안정적인 선택입니다. 기존 앵커 프리 코드베이스에서 순수한 속도가 필요하다면 YOLOX가 빠르고 신뢰할 수 있는 탐지기입니다.
하지만 새 프로젝트를 프로덕션으로 전환하는 경우에는 Ultralytics YOLO26(기존 엔터프라이즈 배포에는 안정적인 YOLO11)을 권장합니다. 선택적 엔드투엔드 NMS 없는 추론, 더 빠른 CPU 속도, OpenVINO 및 TensorRT와 같은 형식을 통한 간편한 배포 파이프라인을 제공하므로 YOLO26은 컴퓨터 비전 애플리케이션의 정확성과 최신성을 유지하면서 손쉽게 관리할 수 있도록 합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.