RTDETRv2 대 YOLOv10: NMS 실시간 객체 탐지의 발전
컴퓨터 비전의 진화는 주로 속도와 정확성의 균형을 끊임없이 추구하는 과정에서 이루어져 왔다. 기존 실시간 객체 탐지 파이프라인은 중첩된 바운딩 박스를 걸러내기 위한 후처리 단계로 비최대 억제(NMS)에 의존해 왔습니다. 그러나 NMS 지연 병목 현상과 복잡한 하이퍼파라미터 조정을 NMS . 최근 이 문제를 근본적으로 해결하기 위해 두 가지 차별화된 아키텍처 접근법이 등장했습니다: RTDETRv2와 같은 트랜스포머 기반 모델과 YOLOv10 같은 CNN 기반 모델입니다.
이 가이드는 두 모델의 아키텍처, 성능 지표 및 이상적인 사용 사례를 분석하여 포괄적인 기술 비교를 제공하며, 동시에 Ultralytics 최신 혁신이 현대적 배포를 위한 궁극적인 솔루션을 어떻게 제공하는지 강조합니다.
RTDETRv2: 실시간 탐지 트랜스포머
RTDETRv2는 원본을 기반으로 합니다 RT-DETR 아키텍처를 기반으로 하며, 비전 트랜스포머의 글로벌 컨텍스트 이해 능력과 YOLO 전통적으로 주도해 온 실시간 속도 요구 사항을 결합하는 것을 목표로 합니다.
주요 특징:
- 저자: 룽원위, 자오이안, 창친야오, 황쿠이, 왕관종, 류이
- 기관: Baidu
- 날짜: 2024-07-24
- Arxiv: https://arxiv.org/abs/2407.17140
- GitHub: RT-DETR
아키텍처 및 교육 방법론
RTDETRv2는 본질적으로 NMS 회피하는 엔드투엔드 트랜스포머 아키텍처를 활용합니다. "Bag-of-Freebies" 접근법을 도입하고, 훈련 전략을 최적화하며, 다중 스케일 탐지 기능을 통합함으로써 이전 모델을 개선했습니다. 이 모델은 CNN 백본을 사용하여 특징 맵 (가장자리 및 질감과 같은 시각적 세부 사항)을 추출한 후, 이를 트랜스포머 인코더-디코더 구조로 처리합니다. 이를 통해 모델은 전체 이미지 컨텍스트를 동시에 분석할 수 있어, 객체가 밀집되거나 겹쳐진 복잡한 장면을 이해하는 데 매우 효과적입니다.
강점과 약점
강점:
- 글로벌 컨텍스트: 어텐션 메커니즘은 모델이 복잡하고 혼잡한 환경에서 탁월한 성능을 발휘할 수 있게 합니다.
- NMS: 객체 좌표를 직접 예측하여 배포 파이프라인을 간소화합니다.
- 고정밀도: COCO 우수한 평균 정밀도(mAP)를 달성합니다.
약점:
- 자원 집약적:트랜스포머 아키텍처는 일반적으로 CNN에 비해 훈련 중 훨씬 더 많은 CUDA 필요로 하여, 표준 하드웨어에서 미세 조정하는 데 비용이 많이 듭니다.
- 추론 속도 변동성: 속도는 빠르지만, 집중적인 주의력 계산은 전용 AI 가속기가 없는 에지 디바이스의 컴퓨터 비전 작업에서 FPS 저하를 초래할 수 있습니다.
YOLOv10: 실시간 엔드투엔드 객체 detect
YOLOv10 CNN 프레임워크 내에서 직접적으로 오랫동안 지속되어 온 NMS 현상을 해결함으로써 YOLO 탐지 계보에 있어 중대한 전환점을 YOLOv10 .
주요 특징:
- 저자: Ao Wang, Hui Chen, Lihao Liu, et al.
- 기관: 칭화대학교
- 날짜: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
아키텍처 및 교육 방법론
YOLOv10 핵심 혁신은 NMS 훈련이 가능한 일관된 이중 할당 YOLOv10 . 훈련 단계에서 두 개의 탐지 헤드를 사용합니다: 하나는 풍부한 감독 신호를 제공하기 위한 다대일 할당(기존 YOLO와 유사) 방식이고, 다른 하나는 NMS 필요성을 제거하기 위한 일대일 할당 방식입니다. 추론 단계에서는 일대일 헤드를 단독으로 사용함으로써 엔드투엔드 프로세스를 구현합니다. 또한 저자들은 효율성과 정확도를 종합적으로 고려한 모델 설계 전략을 적용하여 다양한 구성 요소를 포괄적으로 최적화함으로써 계산적 중복을 줄였습니다.
강점과 약점
강점:
- 극한의 속도: NMS 제거 NMS 아키텍처 최적화를 통해 YOLOv10 놀라울 정도로 낮은 추론 지연 시간을 YOLOv10 .
- 효율성: 다른 모델과 동등한 정확도를 달성하기 위해 더 적은 매개변수와 FLOPs를 필요로 하여, 제약이 있는 환경에 매우 적합합니다.
- NMS 배포: 스마트 감시와 같은 에지 애플리케이션으로의 통합을 간소화합니다.
약점:
- 1세대 개념: 이 특정 NMS 아키텍처를 YOLO , 토대를 마련했으나 후속 모델들(예: YOLO11 와 YOLO26과 같은 후속 모델에서 볼 수 있는 다중 작업 유연성과 최적화를 위한 여지를 남겼습니다.
성능 비교
생산용 모델을 평가할 때 정확도와 계산 비용의 균형은 매우 중요하다. 아래 표는 다양한 크기의 RTDETRv2와 YOLOv10 간의 성능 상의 절충점을 보여준다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
| 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 |
RTDETRv2가 견고한 정확도를 제공하는 반면, YOLOv10 특히 소형 변형체(Nano 및 Small)에서 지연 시간과 매개변수 효율성 측면에서 탁월한 이점을 YOLOv10 . 이로 인해 에지 컴퓨팅 및 AIoT 애플리케이션에 매우 매력적인 선택지가 됩니다.
적절한 규모 선택하기
서버급 GPU에 배포하는 경우 배치 크기 VRAM이 덜 제약받는 대형 모델(예: -x 또는 -l정확도를 극대화합니다. 라즈베리 파이(Raspberry Pi)나 휴대폰 같은 에지 디바이스의 경우, 나노(nano)를 우선시합니다.-n) 또는 작은 (-s실시간 프레임 속도를 유지하기 위한 변형들.
사용 사례 및 권장 사항
RT-DETR YOLOv10 사이의 선택은 특정 프로젝트 요구사항, 배포 제약 조건 및 생태계 선호도에 따라 YOLOv10 .
RT-DETR 선택해야 할 때
RT-DETR 다음에 대한 강력한 RT-DETR :
- 트랜스포머 기반 탐지 연구: NMS 없이 엔드투엔드 객체 탐지를 위한 어텐션 메커니즘과 트랜스포머 아키텍처를 탐구하는 프로젝트들.
- 고정밀 시나리오와 유연한 지연 시간: 탐지 정확도가 최우선이며 약간 높은 추론 지연 시간이 허용되는 애플리케이션.
- 대형 객체 탐지: 주로 중대형 객체가 등장하는 장면으로, 트랜스포머의 글로벌 어텐션 메커니즘이 자연스러운 이점을 제공하는 영역.
10 선택해야 할 때
YOLOv10 다음에 YOLOv10 :
- NMS 실시간 감지: 비최대 억제(NMS) 없이 종단 간 감지의 이점을 제공하는 애플리케이션으로, 배포 복잡성을 줄입니다.
- 균형 잡힌 속도-정확도 절충점: 다양한 모델 규모에 걸쳐 추론 속도와 탐지 정확도 간의 강력한 균형이 요구되는 프로젝트들.
- 일관된 지연 시간 애플리케이션: 로봇 공학 이나 자율 시스템과 같이 예측 가능한 추론 시간이 중요한 배포 시나리오.
Ultralytics YOLO26)를 선택해야 할 때
대부분의 신규 프로젝트에 대해 Ultralytics 성능과 개발자 경험의 최적 조합을 제공합니다:
- NMS 에지 배포: 복잡한 비최대 억제(NMS) 후처리 없이도 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
- CPU 전용 환경: 전용 GPU 없는 장치에서, YOLO26의 최대 43% 빠른 CPU 성능이 결정적인 이점을 제공합니다.
- 소형 물체 탐지: 항공 드론 영상이나 IoT 센서 분석과 같은 까다로운 시나리오에서 ProgLoss와 STAL이 미세한 물체의 정확도를 크게 향상시킵니다.
Ultralytics : YOLO26 소개
RTDETRv2와 YOLOv10 모두 학문적으로 주목할 만한 발전을 YOLOv10 , 실제 환경에 적용하려면 견고하고 잘 관리되는 소프트웨어 생태계가 필요합니다. Ultralytics 사용 편의성, 방대한 문서, 데이터 주석 및 배포를 위한 강력한 도구를 결합하여 비교할 수 없는 개발자 경험을 제공합니다.
2026년 최첨단을 추구하는 개발자들을 위해, Ultralytics 이 최고의 선택입니다. 두 아키텍처의 장점을 종합하면서 획기적인 개선점을 도입합니다:
- 엔드투엔드 NMS 설계: YOLOv10 개척한 개념을 기반으로, YOLO26은 NMS 원천적으로 제거하여 더 빠르고 단순한 배포 로직과 제로 지연 변동성을 실현합니다.
- DFL 제거: 분포 초점 손실(DFL)을 제거함으로써 YOLO26은 모델 내보내기를 단순화하고 에지 및 저전력 장치와의 호환성을 획기적으로 개선합니다.
- MuSGD 최적화기: SGD Muon)의 하이브리드(LLM 훈련 혁신에서 영감을 얻음)인 이 새로운 최적화기는 기존 방법에 비해 더 안정적인 훈련과 현저히 빠른 수렴을 제공합니다.
- 최대 43% 빠른 CPU : 전용 GPU가 없는 환경을 위해 세심하게 최적화되어 고성능 비전 AI를 대중화합니다.
- ProgLoss + STAL: 이러한 고급 손실 함수는 드론 및 IoT 센서를 활용하는 애플리케이션에 중요한 소형 물체 인식 성능에서 현저한 개선을 가져옵니다.
- 탁월한 다용도성: 바운딩 박스로 제한된 모델과 달리, YOLO26은 인스턴스 분할, 자세 추정, 이미지 분류, OBB 탐지 등 포괄적인 작업군을 지원하며, 자세 추정을 위한 잔차 로그 가능도 추정(RLE)과 같은 작업별 개선 사항까지 완벽하게 구현합니다.
Python 통한 원활한 구현
Ultralytics Python 사용한 모델 훈련 및 배포는 마찰 없이 진행되도록 설계되었습니다. 트랜스포머 기반 아키텍처에 비해 훈련 중 메모리 요구량이 현저히 낮아 표준 하드웨어에서도 강력한 모델을 훈련할 수 있습니다.
from ultralytics import YOLO
# Load the cutting-edge YOLO26 model (recommended)
# Alternatively, load a YOLOv10 model using YOLO('yolov10n.pt')
model = YOLO("yolo26n.pt")
# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Easily export to various formats for edge deployment
model.export(format="onnx", simplify=True)
보안 경보 시스템을 구현하든 의료 영상 분석을 수행하든, 활발한 Ultralytics 지원하는 모델을 선택하면 성공에 필요한 도구, 하이퍼파라미터 조정 가이드, 지속적인 업데이트를 확보할 수 있습니다. YOLOv10 NMS 아키텍처의 길을 열었다면, YOLO26은 성능, 다용도성, 생산 준비도 간의 최적의 균형을 제공하며 이 공식을 완성합니다.