YOLO11과 EfficientDet#
컴퓨터 비전 프로젝트에 최적의 신경망을 선택하려면 사용 가능한 아키텍처를 깊이 이해해야 합니다. 이 가이드에서는 Ultralytics YOLO11과 Google의 EfficientDet을 심층적으로 기술 비교합니다. 아키텍처 차이, 성능 지표, 학습 효율성 및 이상적인 배포 시나리오를 살펴보고, 머신러닝 워크로드에 적합한 선택을 할 수 있도록 지원합니다.
모델 배경 및 사양#
두 모델 모두 딥러닝 분야에 큰 영향을 미쳤지만, AI 발전 과정에서 서로 다른 설계 철학과 시대적 배경에서 출발했습니다.
YOLO11 세부 정보#
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: https://docs.ultralytics.com/models/yolo11
EfficientDet 세부 정보#
- 저자: Mingxing Tan, Ruoming Pang, Quoc V. Le
- 조직: Google
- 날짜: 2019-11-20
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- 문서: https://github.com/google/automl/tree/master/efficientdet#readme
컴퓨터 비전 모델을 사용할 때는 모델 자체만큼 주변 생태계도 중요합니다. Ultralytics 생태계는 광범위한 문서, 활발한 커뮤니티 지원, ONNX 및 TensorRT와 같은 형식으로의 원활한 내보내기 기능을 제공하여 탁월한 개발자 경험을 지원합니다.
아키텍처 혁신#
EfficientDet: BiFPN 및 복합 스케일링#
2019년 말에 소개된 EfficientDet은 계산 비용을 최소화하면서 정확도를 극대화하는 것을 목표로 했습니다. 이는 주로 두 가지 메커니즘을 통해 달성됩니다. 첫째, 깊이, 너비 및 해상도를 일관되게 확장하는 EfficientNet 백본을 사용합니다. 둘째, 빠르고 간편한 다중 스케일 특징 융합을 지원하는 양방향 특징 피라미드 네트워크 (BiFPN)를 도입했습니다.
EfficientDet은 당시에는 매우 효율적이었지만, TensorFlow AutoML 라이브러리에 의존하기 때문에 유연성이 떨어질 수 있습니다. 최신 모듈형 PyTorch 기반 프레임워크와 비교할 때 연구자들은 모델 프루닝과 사용자 지정 수정 작업이 어려운 경우가 많습니다.
YOLO11: 향상된 특징 추출 및 범용성#
YOLO11은 객체 검출 아키텍처에서 중요한 도약을 보여줍니다. 이전 모델의 성과를 기반으로 개선된 C3k2 블록과 향상된 Spatial Pyramid Pooling 모듈을 도입했습니다. 이러한 개선을 통해 특징 추출 성능이 향상되어 YOLO11은 복잡한 시각적 패턴을 뛰어난 명확성으로 포착할 수 있습니다.
YOLO11의 주요 장점은 범용성입니다. EfficientDet은 엄 strictly 객체 검출 모델인 반면, YOLO11은 기본적으로 인스턴스 분할, 이미지 분류, 포즈 추정 및 방향성 바운딩 박스 (OBB)를 지원합니다. 또한 YOLO11은 학습과 추론 중 메모리 요구 사항이 매우 낮아, 리소스가 제한된 엣지 AI 환경에 배포할 때 기존 모델과 대형 비전 트랜스포머보다 훨씬 뛰어난 성능을 제공합니다.
성능 및 벤치마크#
평균 정밀도 (mAP)로 측정되는 정확도와 추론 속도의 균형은 실제 배포에서 중요한 결정 요소입니다. 아래 표는 표준 COCO 데이터 세트에서 두 모델 제품군의 원시 성능을 보여줍니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
표에서 볼 수 있듯이 YOLO11은 매우 뛰어난 성능 균형을 달성합니다. YOLO11x는 가장 높은 종합 정확도(54.7 mAP)를 달성하며, 더 작은 YOLO11 변형 모델은 GPU 추론 속도에서 압도적인 성능을 보입니다(TensorRT를 사용한 T4에서 최저 1.5ms).
학습 효율성 및 생태계#
Ultralytics 모델의 대표적인 특징 중 하나는 사용 편의성입니다. EfficientDet 모델을 학습하려면 복잡한 TensorFlow 그래프 구성을 탐색하고 복잡한 종속성 체인을 관리해야 하는 경우가 많습니다. 반면 YOLO11은 깔끔하고 철저히 현대적인 PyTorch 기반 위에 구축되었습니다.
이 잘 관리되는 생태계 덕분에 개발자는 패키지를 설치하고, 사전 학습된 모델을 로드한 뒤, 몇 줄의 코드만으로 사용자 지정 데이터 세트 학습을 시작할 수 있습니다.
Python 코드 예제#
다음은 Ultralytics API의 간편함을 보여주는 완전히 실행 가능한 예제입니다. 이 스크립트는 사전 학습된 YOLO11 모델을 다운로드하고, 학습한 후, 빠른 예측을 실행합니다.
from ultralytics import YOLO
# Initialize a pretrained YOLO11 nano model
model = YOLO("yolo11n.pt")
# Train the model efficiently using the integrated PyTorch engine
# Training efficiency is high, requiring less VRAM than legacy models
results = model.train(data="coco8.yaml", epochs=10, imgsz=640, device="cpu")
# Run real-time inference on a sample image
prediction = model.predict("https://ultralytics.com/images/bus.jpg")
# Display the output bounding boxes
prediction[0].show()미래를 향하여: YOLO26의 이점#
YOLO11은 매우 강력하지만, 새로운 그린필드 프로젝트를 시작하는 팀은 2026년 1월에 출시된 Ultralytics YOLO26을 적극적으로 고려해야 합니다. YOLO26은 배포 간편성과 엣지 성능에서 패러다임의 전환을 보여줍니다.
YOLO26의 주요 혁신은 다음과 같습니다:
- 엔드 투 엔드 NMS 없는 설계: 후처리 과정에서 비최대 억제 (NMS)를 제거하여 YOLO26은 일관되고 초저지연 성능을 보장하며, 이는 고속 로보틱스 및 자율 주행에 필수적입니다.
- 최대 43% 더 빠른 CPU 추론: 전용 GPU가 없는 배포 환경을 위해 YOLO26은 표준 프로세서에서 처리량을 극대화하도록 특별히 최적화되었습니다.
- MuSGD Optimizer: Moonshot AI의 Kimi K2에서 영감을 받은 이 하이브리드 옵티마이저는 LLM 학습의 안정성을 컴퓨터 비전에 적용하여 더 빠른 수렴을 지원합니다.
- ProgLoss + STAL: 이러한 개선된 손실 함수는 작은 객체의 인식 성능을 크게 향상합니다. 작은 객체 인식은 위성 이미지 분석과 드론 영상에서 자주 발생하는 문제입니다.
- DFL 제거: Distribution Focal Loss를 제거하여 엣지 디바이스로의 모델 내보내기 프로세스를 간소화합니다.
사용 사례 및 권장 사항#
YOLO11과 EfficientDet 중 어떤 것을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건 및 생태계 선호도에 따라 달라집니다.
YOLO11을 선택해야 하는 경우#
YOLO11은 다음과 같은 경우에 적합합니다.
- 프로덕션 엣지 배포: 신뢰성과 지속적인 유지 관리가 무엇보다 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서 실행되는 상용 애플리케이션입니다.
- 멀티태스크 비전 애플리케이션: 단일 통합 프레임워크에서 감지, 세그멘테이션, 포즈 추정, OBB가 필요한 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션까지 빠르게 진행해야 하는 팀입니다.
EfficientDet을 선택해야 하는 경우#
다음과 같은 경우 EfficientDet을 권장합니다:
- Google Cloud 및 TPU 파이프라인: EfficientDet의 네이티브 최적화를 활용할 수 있는 Google Cloud Vision API 또는 TPU 인프라와 긴밀하게 통합된 시스템입니다.
- 복합 스케일링 연구: 균형 잡힌 네트워크 깊이, 너비 및 해상도 스케일링의 영향을 연구하는 데 중점을 둔 학술적 벤치마킹입니다.
- TFLite를 통한 모바일 배포: Android 또는 임베디드 Linux 디바이스에 TensorFlow Lite 형식으로 내보내야 하는 프로젝트입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
- 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.
결론#
EfficientDet은 객체 검출에서 복합 스케일링의 실현 가능성을 입증한 선구적인 아키텍처였습니다. 그러나 빠른 AI 연구의 발전으로 더욱 뛰어난 성능과 간편한 통합, 빠른 실행을 제공하는 모델이 등장했습니다.
강력한 멀티태스크 기능, 뛰어난 GPU 추론 속도 및 업계에서 가장 개발자 친화적인 API라고 할 수 있는 인터페이스를 갖춘 YOLO11은 현대적인 비전 파이프라인에서 명확한 승자입니다. 특히 엣지 우선 배포를 비롯해 기술의 최첨단을 목표로 하는 경우 YOLO26으로 업그레이드하면 NMS 없는 속도와 탁월한 정확도를 결합한 최고의 성능을 얻을 수 있습니다.