YOLO11과 EfficientDet 비교#
컴퓨터 비전 프로젝트에 가장 적합한 신경망을 선택하려면 사용 가능한 아키텍처를 깊이 이해해야 합니다. 이 가이드에서는 Ultralytics YOLO11과 Google EfficientDet을 심층적으로 기술 비교합니다. 아키텍처 차이, 성능 지표, 학습 효율성, 이상적인 배포 시나리오를 살펴보고 머신 러닝 워크로드에 대한 정보에 기반한 결정을 내릴 수 있도록 돕습니다.
모델 배경 및 사양#
두 모델은 서로 다른 설계 철학과 AI 개발 시기에 기반을 두고 있지만, 딥러닝 분야에 상당한 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
컴퓨터 비전 모델을 사용할 때는 모델 자체만큼 주변 생태계도 중요합니다. Ultralytics 생태계는 방대한 문서, 활발한 커뮤니티 지원, ONNX 및 TensorRT와 같은 형식으로의 원활한 내보내기를 제공해 탁월한 개발자 경험을 선사합니다.
아키텍처 혁신#
EfficientDet: BiFPN과 복합 스케일링#
2019년 말에 소개된 EfficientDet은 계산 비용을 최소화하면서 정확도를 극대화하는 것을 목표로 했습니다. 이를 위해 주로 두 가지 메커니즘을 사용합니다. 첫째, 깊이, 너비, 해상도를 일관되게 확장하는 EfficientNet 백본을 사용합니다. 둘째, 쉽고 빠른 다중 스케일 특징 융합을 지원하는 양방향 특징 피라미드 네트워크(BiFPN)를 도입했습니다.
당시에는 매우 효율적이었지만, EfficientDet은 TensorFlow AutoML 라이브러리에 의존하기 때문에 유연성이 떨어질 수 있습니다. 연구자들은 최신 모듈식 PyTorch 기반 프레임워크와 비교해 모델 가지치기와 사용자 지정 수정이 어렵다고 느끼는 경우가 많습니다.
YOLO11: 향상된 특징 추출과 다용도성#
YOLO11은 객체 탐지 아키텍처의 중요한 도약을 보여 줍니다. 이전 모델의 성과를 바탕으로 개선된 C3k2 블록과 향상된 공간 피라미드 풀링 모듈을 도입했습니다. 이러한 개선으로 특징 추출 성능이 향상되어 YOLO11은 복잡한 시각적 패턴을 탁월한 선명도로 포착할 수 있습니다.
YOLO11의 주요 장점은 다용도성입니다. EfficientDet은 객체 탐지 전용 모델인 반면, YOLO11은 인스턴스 분할, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB)를 기본 지원합니다. 또한 YOLO11은 학습과 추론 중 메모리 요구량이 매우 낮아 구형 모델이나 리소스가 제한된 엣지 AI 환경에 배포할 때 메모리 사용량이 큰 비전 트랜스포머보다 훨씬 뛰어납니다.
성능 및 벤치마크#
평균 정밀도(mAP)로 측정되는 정확도와 추론 속도 간의 균형은 실제 환경에 배포할 때 중요한 결정 요소입니다. 아래 표는 표준 COCO 데이터셋에서 두 모델 제품군의 실제 성능을 보여 줍니다.
| 모델 | 크기 (픽셀) | mAP검증 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 | 21.6 |
| 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 | 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 전체 정확도(54.7 mAP)가 가장 높고, 소형 YOLO11 변형 모델은 GPU 추론 속도에서 압도적인 성능을 보입니다(TensorRT를 사용하면 T4에서 최저 1.5ms).
학습 효율성과 생태계#
Ultralytics 모델의 대표적인 특징 중 하나는 사용 편의성입니다. EfficientDet 모델을 학습하려면 복잡한 TensorFlow 그래프 구성을 다루고 복잡한 종속성 체인을 관리해야 하는 경우가 많습니다. 이와 크게 대조적으로 YOLO11은 깔끔하고 최신인 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#
YOLO11은 매우 강력하지만, 새로운 프로젝트를 처음부터 시작하는 팀은 2026년 1월에 출시된 Ultralytics YOLO26을 적극적으로 고려해야 합니다. YOLO26은 배포 간소화와 엣지 성능의 패러다임을 바꿉니다.
YOLO26의 주요 혁신은 다음과 같습니다.
- 엔드투엔드 NMS 프리 설계: 선택적 일대일 헤드(
nms=False)는 비최대 억제(NMS) 후처리 단계를 생략해 YOLO26의 지연 시간을 일관되게 매우 낮게 유지합니다. 이는 고속 로보틱스와 자율 주행에 필수적입니다. - CPU 추론 속도 최대 43% 향상: 전용 GPU가 없는 환경에 배포할 때 YOLO26은 표준 프로세서의 처리량을 극대화하도록 특별히 최적화되어 있습니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2에서 영감을 얻은 이 하이브리드 옵티마이저는 LLM 학습의 안정성을 컴퓨터 비전에 적용해 더 빠른 수렴을 지원합니다.
- ProgLoss + STAL: 이 개선된 손실 함수는 위성 영상 분석과 드론 영상에서 자주 문제가 되는 작은 객체 인식 성능을 크게 향상합니다.
- 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: 하나의 통합 프레임워크에서 감지, 분할, 자세 추정, OBB가 필요한 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션 배포까지 빠르게 진행해야 하는 팀에 적합합니다.
EfficientDet을 선택해야 하는 경우#
다음과 같은 경우 EfficientDet을 권장합니다.
- Google Cloud 및 TPU 파이프라인: EfficientDet이 기본 최적화된 Google Cloud Vision API 또는 TPU 인프라와 긴밀하게 통합된 시스템입니다.
- 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 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
결론#
EfficientDet은 객체 탐지에서 복합 스케일링의 실현 가능성을 입증한 선구적인 아키텍처였습니다. 그러나 AI 연구의 빠른 발전으로 더 뛰어난 기능과 간편한 통합, 빠른 실행 속도를 제공하는 모델이 등장했습니다.
강력한 멀티태스크 기능과 뛰어난 GPU 추론 속도, 업계에서 가장 개발자 친화적인 API를 갖춘 YOLO11은 최신 비전 파이프라인에서 분명한 우위를 점합니다. 특히 엣지 우선 배포를 비롯해 최첨단 기술을 목표로 한다면 YOLO26으로 업그레이드해 NMS 프리 속도와 탁월한 정확도를 궁극적으로 결합할 수 있습니다.