콘텐츠로 건너뛰기

PP-YOLOE+ vs YOLOv10: 기술 비교

최적의 객체 감지 모델을 선택하는 것은 모든 컴퓨터 비전 프로젝트에서 정확도, 속도 및 컴퓨팅 리소스 간의 균형을 맞추는 중요한 결정입니다. 이 페이지에서는 Baidu에서 개발한 PP-YOLOE+와 Ultralytics 생태계에 완전히 통합된 Tsinghua University의 최첨단 모델인 YOLOv10 간의 자세한 기술 비교를 제공합니다. 정보에 입각한 선택을 할 수 있도록 아키텍처, 성능 지표 및 이상적인 사용 사례를 분석합니다.

PP-YOLOE+: PaddlePaddle 생태계에서 높은 정확도 제공

PP-YOLOE+ (Practical PaddlePaddle You Only Look One-level Efficient Plus)는 Baidu의 PaddleDetection 프레임워크에서 제공하는 앵커 프리, 단일 스테이지 객체 감지 모델입니다. 2022년에 소개되었으며, 특히 PaddlePaddle 딥 러닝 환경 내의 사용자를 위해 효율성을 유지하면서 높은 정확도를 제공하는 데 주력합니다.

작성자: PaddlePaddle Authors
기관: Baidu
날짜: 2022-04-02
ArXiv: https://arxiv.org/abs/2203.16250
GitHub: https://github.com/PaddlePaddle/PaddleDetection/
Docs: https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README.md

아키텍처 및 주요 기능

PP-YOLOE+는 성능을 향상시키기 위해 몇 가지 주요 수정 사항을 통해 표준 YOLO 아키텍처를 개선합니다.

  • Anchor-Free Design: 사전 정의된 앵커 박스를 제거함으로써 PP-YOLOE+는 감지 파이프라인을 간소화하고 하이퍼파라미터 튜닝의 복잡성을 줄입니다. 이 접근 방식은 많은 최신 앵커 프리(anchor-free) 감지기에서 일반적입니다.
  • 효율적인 구성 요소: 속도와 정확도의 균형을 맞추는 데 입증된 조합인 효과적인 특징 융합을 위해 ResNet 백본과 PAN(Path Aggregation Network) neck을 활용합니다.
  • Decoupled Head: 이 모델은 detection head 내에서 분류 및 회귀 작업을 분리합니다. 이는 작업 간 간섭을 방지하여 감지 정확도를 향상시키는 것으로 알려진 기술입니다.
  • Task Alignment Learning (TAL): 분류 및 지역화 작업을 더 효과적으로 정렬하도록 설계된 특수 손실 함수를 활용하여 보다 정확한 예측을 가능하게 합니다.

강점과 약점

PP-YOLOE+는 강력한 성능을 입증했지만 특정 트레이드오프가 있습니다.

  • 강점: 이 모델은 특히 더 큰 변형에서 매우 높은 정확도를 달성할 수 있습니다. 앵커 프리 디자인은 효율적이며 PaddlePaddle 프레임워크에 이미 투자한 사용자에게 매우 최적화되어 있습니다.
  • 약점: 주요 단점은 PaddlePaddle 에코시스템과의 긴밀한 결합입니다. 이로 인해 PyTorch와 같은 더 일반적인 프레임워크를 사용하는 개발자에게는 가파른 학습 곡선과 통합 문제가 발생할 수 있습니다. 또한 커뮤니티 지원 및 사용 가능한 리소스는 Ultralytics 에코시스템 내의 모델에 비해 적을 수 있습니다.

사용 사례

PP-YOLOE+는 높은 정확도가 중요하고 개발 환경이 PaddlePaddle 기반인 애플리케이션에 적합합니다.

  • 산업 품질 검사: 제조 공정에서 미세한 결함 감지.
  • 스마트 리테일: 자동 결제 및 재고 관리와 같은 애플리케이션을 지원합니다.
  • 재활용 자동화: 자동 분류 시스템을 위해 다양한 재료를 식별합니다.

PP-YOLOE+에 대해 자세히 알아보세요.

YOLOv10: 실시간 엔드 투 엔드 효율성

Ultralytics YOLOv10은 칭화대학교 연구원들이 개발한 YOLO 시리즈의 최신 진화입니다. 2024년 5월에 출시되었으며, 후처리 병목 현상을 제거하고 뛰어난 효율성을 위해 모델을 최적화하여 진정한 엔드 투 엔드 실시간 객체 감지를 달성하기 위한 획기적인 아키텍처 변경 사항을 도입했습니다.

작성자: Ao Wang, Hui Chen, Lihao Liu 외
소속: Tsinghua University
날짜: 2024-05-23
ArXiv: https://arxiv.org/abs/2405.14458
GitHub: https://github.com/THU-MIG/yolov10
문서: https://docs.ultralytics.com/models/yolov10/

아키텍처 및 주요 기능

YOLOv10의 디자인 철학은 전체적인 효율성과 성능에 중점을 두고 있어 광범위한 애플리케이션에 탁월한 선택입니다.

  • NMS-Free 학습: YOLOv10의 가장 중요한 혁신은 학습 중에 일관된 이중 할당을 사용한다는 것입니다. 이를 통해 Non-Maximum Suppression (NMS)가 후처리 중에 필요 없으므로 추론 지연 시간이 크게 줄고 배포 파이프라인이 단순화됩니다.
  • 전체적인 효율성-정확도 설계: 이 모델은 백본, Neck, Head의 포괄적인 최적화를 특징으로 합니다. 경량 분류 헤드 및 공간-채널 분리 다운샘플링과 같은 혁신 기술은 풍부한 특징 정보를 보존하면서 계산 오버헤드를 줄입니다.
  • 탁월한 효율성 및 확장성: YOLOv10은 Nano(N)에서 Extra-large(X)에 이르기까지 광범위한 확장 가능한 모델을 제공합니다. 이러한 모델은 더 적은 파라미터와 더 낮은 계산 비용(FLOPs)으로 더 높은 정확도를 제공하여 경쟁사보다 지속적으로 뛰어난 성능을 제공합니다.
  • Ultralytics 생태계 장점: YOLOv10은 Ultralytics 생태계에 완벽하게 통합되어 있습니다. 따라서 사용자는 간단한 Python APICLI를 통한 사용 편의성, 광범위한 문서, 즉시 사용 가능한 사전 훈련된 가중치를 통한 효율적인 학습, 낮은 메모리 요구 사항을 특징으로 하는 탁월한 경험을 할 수 있습니다. 이 모델은 강력한 커뮤니티와 Ultralytics HUB를 통한 활발한 개발에 의해 지원됩니다.

강점과 약점

YOLOv10은 실시간 객체 감지기의 새로운 표준을 설정합니다.

  • 강점: 최첨단 속도와 정확도, 진정한 엔드 투 엔드(end-to-end) NMS-free 디자인, 뛰어난 계산 효율성 및 탁월한 확장성을 제공합니다. 잘 관리되는 Ultralytics 생태계에 통합되어 있어 훈련, 배포 및 유지 관리가 매우 용이합니다.
  • 약점: 최신 모델이므로 커뮤니티 및 타사 도구는 YOLOv8과 같이 오랫동안 확립된 모델에 비해 여전히 성장하고 있습니다.

사용 사례

YOLOv10의 효율성과 end-to-end 디자인은 속도와 리소스 제약이 중요한 애플리케이션에 이상적인 선택입니다.

YOLOv10에 대해 자세히 알아보세요

성능 분석: PP-YOLOE+ vs. YOLOv10

성능 벤치마크는 YOLOv10의 최신 아키텍처의 장점을 명확하게 보여줍니다. PP-YOLOE+x가 약간의 차이로 가장 높은 mAP를 달성했지만, YOLOv10은 모든 모델 크기에서 일관되게 더 나은 속도, 정확성 및 효율성 균형을 제공합니다.

모델 크기
(픽셀)
mAPval
50-95
속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
PP-YOLOE+t 640 39.9 - 2.84 4.85 19.15
PP-YOLOE+s 640 43.7 - 2.62 7.93 17.36
PP-YOLOE+m 640 49.8 - 5.56 23.43 49.91
PP-YOLOE+l 640 52.9 - 8.36 52.2 110.07
PP-YOLOE+x 640 54.7 - 14.3 98.42 206.59
YOLOv10n 640 39.5 - 1.56 2.3 6.7
YOLOv10s 640 46.7 - 2.66 7.2 21.6
YOLOv10m 640 51.3 - 5.48 15.4 59.1
YOLOv10b 640 52.7 - 6.54 24.4 92.0
YOLOv10l 640 53.3 - 8.33 29.5 120.3
YOLOv10x 640 54.4 - 12.2 56.9 160.4

예를 들어 YOLOv10m은 PP-YOLOE+m보다 더 빠르고 매개변수가 훨씬 적음(15.4M 대 23.43M)에도 불구하고 더 높은 mAP를 달성합니다. 마찬가지로 YOLOv10l은 매개변수가 거의 절반임에도 불구하고 PP-YOLOE+l보다 정확도가 뛰어납니다. 최고급에서도 YOLOv10x는 PP-YOLOE+x보다 훨씬 효율적이며 훨씬 낮은 대기 시간과 계산 요구 사항으로 비슷한 정확도를 제공합니다.

결론: 어떤 모델을 선택해야 할까요?

PP-YOLOE+는 PaddlePaddle 프레임워크에 전념하는 사용자를 위한 강력한 모델이지만, 대다수의 개발자 및 연구원에게는 YOLOv10이 확실한 추천 대상입니다.

YOLOv10의 뛰어난 효율성, 혁신적인 NMS-free 아키텍처 및 최첨단 성능은 보다 다재다능하고 미래 지향적인 선택입니다. Ultralytics 생태계에 원활하게 통합되어 진입 장벽을 제거하고 엣지 장치에서 고성능 클라우드 서버에 이르기까지 광범위한 실제 애플리케이션을 위한 사용하기 쉽고, 잘 지원되며, 매우 유능한 솔루션을 제공합니다.

다른 모델 살펴보기

다른 옵션을 살펴보고 있다면 Ultralytics 생태계의 다른 최첨단 모델을 고려해 보세요. YOLOv10 vs. YOLOv9YOLOv10 vs. YOLOv8과 같은 자세한 비교를 확인할 수 있습니다. 최신 개발 사항에 관심이 있다면 새로운 Ultralytics YOLO11을 확인해 보세요.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨

댓글