YOLO11과 EfficientDet 비교
컴퓨터 비전 프로젝트에 적합한 신경망을 선택하려면 사용 가능한 아키텍처를 이해해야 합니다. 이 가이드에서는 Ultralytics YOLO11과 Google의 EfficientDet을 비교하고, 아키텍처 차이, 성능 지표, 학습 효율성, 적합한 배포 시나리오를 살펴보고 머신러닝 워크로드에 맞는 모델을 선택하도록 돕습니다.
모델 배경 및 사양#
두 모델은 서로 다른 설계 철학과 AI 개발 시대를 바탕으로 하지만, 딥러닝 분야의 객체 탐지 연구에 모두 영향을 미쳤습니다.
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
주변 생태계도 모델 자체만큼 중요합니다. Ultralytics 생태계는 풍부한 문서, 활발한 커뮤니티 지원, ONNX 및 TensorRT 등의 형식으로 한 줄 명령만으로 export하는 기능을 제공합니다.
아키텍처 혁신#
EfficientDet: BiFPN과 복합 스케일링#
2019년 말에 소개된 EfficientDet은 연산 비용을 최소화하면서 정확도를 극대화하는 것을 목표로 했습니다. 이를 위해 주로 두 가지 방식을 사용합니다. 첫째, 백본은 복합 스케일링으로 깊이, 너비, 해상도를 함께 조정하는 EfficientNet 제품군에서 가져왔습니다. 둘째, 양방향 특징 피라미드 네트워크 (BiFPN)를 도입해 쉽고 빠른 다중 스케일 특징 융합을 지원했습니다.
당시에는 효율적이었지만 TensorFlow 기반 EfficientDet의 AutoML 구현은 유연성이 부족할 수 있습니다. 연구자들은 최신 모듈식 PyTorch 기반 프레임워크와 비교해 모델 가지치기와 맞춤형 수정이 어렵다고 느끼는 경우가 많습니다.
YOLO11: 향상된 특징 추출과 다용도성#
YOLO11은 이전 모델을 기반으로 C3k2 블록과 C2PSA 공간 어텐션을 빠른 공간 피라미드 풀링 (SPPF) 모듈과 결합합니다. 이러한 변경으로 특징 추출이 향상되고 YOLO11이 세밀한 시각적 정보를 포착할 수 있습니다.
YOLO11의 주요 장점은 다용도성입니다. EfficientDet이 객체 탐지 전용 모델인 반면, YOLO11은 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스 (OBB)를 기본 지원합니다. YOLO11은 학습과 추론 중 메모리 요구사항도 낮아 리소스가 제한된 엣지 AI 하드웨어에서 기존 모델과 대형 비전 Transformer보다 유리합니다.
성능 및 벤치마크#
평균 정밀도 (mAP)로 측정하는 정확도와 추론 속도의 균형이 실제 배포 환경을 좌우하는 경우가 많습니다. 아래 표는 COCO 데이터셋에서 두 모델 제품군의 성능을 보여줍니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
YOLO11은 비슷한 정확도에서 GPU 실행 속도가 훨씬 빠릅니다. YOLO11s는 T4에서 TensorRT를 사용했을 때 EfficientDet-d3의 성능에 거의 근접하며(47.0 대 47.5 mAP), 실행 시간은 19.59ms 대신 2.5ms입니다. YOLO11x는 가장 높은 정확도(54.7 mAP)를 11.3ms 만에 달성하는 반면, EfficientDet-d7은 53.7 mAP를 128.07ms 만에 달성합니다. EfficientDet-d0은 FLOPs가 가장 적습니다(2.54B).
학습 효율성과 생태계#
Ultralytics 모델은 사용 편의성을 고려해 설계되었습니다. EfficientDet 모델을 학습하려면 복잡한 TensorFlow 그래프 구성과 종속성 체인을 다뤄야 하는 경우가 많지만, YOLO11은 최신 PyTorch 기반으로 구축되었습니다.
잘 관리되는 생태계 덕분에 개발자는 패키지를 설치하고 사전 학습된 모델을 불러온 다음 몇 줄의 코드만으로 사용자 지정 데이터셋 학습을 시작할 수 있습니다.
Python 코드 예제#
다음은 Ultralytics API의 간편함을 보여 주는 완전히 실행 가능한 예제입니다. 이 스크립트는 사전 학습된 YOLO11 모델을 다운로드해 학습한 후 간단한 예측을 수행합니다.
from ultralytics import YOLO
# 사전 학습된 YOLO11 나노 모델 초기화
model = YOLO("yolo11n.pt")
# 통합 PyTorch 엔진을 사용해 모델을 효율적으로 학습
# 레거시 모델보다 적은 VRAM을 사용해 학습 효율성이 높습니다
results = model.train(data="coco8.yaml", epochs=10, imgsz=640, device="cpu")
# 샘플 이미지에서 실시간 추론 실행
prediction = model.predict("https://ultralytics.com/images/bus.jpg")
# 출력 바운딩 박스 표시
prediction[0].show()미래를 향해: YOLO26의 장점#
신규 프로젝트를 시작하는 팀은 2026년 1월에 출시되어 배포를 간소화하고 엣지 성능을 향상한 Ultralytics YOLO26을 고려해야 합니다.
YOLO26의 주요 혁신은 다음과 같습니다.
- 엔드투엔드 NMS 프리 설계: 선택적 일대일 헤드(
nms=False)는 후처리 단계의 비최대 억제 (NMS)를 생략하여 고속 로보틱스와 자율 주행에서 YOLO26이 일관되고 낮은 지연 시간을 제공하도록 합니다. - 최대 43% 빠른 CPU 추론: 전용 GPU가 없는 배포 환경에서 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행됩니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2에서 영감을 얻은 SGD와 Muon의 하이브리드로, 대규모 언어 모델 (LLM) 학습의 안정성을 컴퓨터 비전에 적용하고 수렴 속도를 높입니다.
- ProgLoss + STAL: Progressive Loss와 Small-Target-Aware Label Assignment (STAL)은 소형 객체 인식 성능을 높이며, 이는 위성 이미지 분석과 드론 영상에서 자주 발생하는 어려움을 해결하는 데 도움이 됩니다.
- DFL 제거: 분포 초점 손실을 제거해 엣지 장치로 모델을 내보내는 과정을 간소화합니다.
사용 사례 및 권장 사항#
YOLO11과 EfficientDet 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
YOLO11을 선택해야 하는 경우#
YOLO11은 다음과 같은 경우에 적합합니다.
- 프로덕션 엣지 배포: 안정성과 지속적인 유지 관리가 가장 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서 상용 애플리케이션을 실행하는 경우입니다.
- 멀티태스크 비전 애플리케이션: 탐지, 분할, 자세 추정, OBB를 단일 통합 프레임워크에서 처리해야 하는 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: Ultralytics Python API를 사용해 데이터 수집부터 프로덕션까지 빠르게 진행해야 하는 팀입니다.
EfficientDet을 선택해야 하는 경우#
다음과 같은 경우 EfficientDet을 권장합니다.
- 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.
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 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
- 작은 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석과 같이 ProgLoss와 STAL이 작은 객체의 정확도를 높이는 까다로운 시나리오입니다.
결론#
EfficientDet은 객체 탐지에서 복합 스케일링의 가치를 입증한 선구적인 아키텍처였습니다. 최신 모델은 기능이 더 뛰어나고 통합하기 쉬우며 GPU에서 더 빠르게 실행됩니다.
멀티태스크 지원, 빠른 GPU 추론, 간단한 API를 갖춘 YOLO11은 최신 비전 파이프라인에 더 적합한 선택입니다. 특히 엣지를 우선하는 신규 프로젝트에서는 YOLO26이 선택적 NMS 프리 추론과 더 높은 정확도를 제공합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.