콘텐츠로 건너뛰기

YOLO11 대 EfficientDet: 상세 기술 비교

이 페이지에서는 Ultralytics YOLO11과 EfficientDet이라는 두 가지 주요 객체 감지 모델 간의 자세한 기술 비교를 제공합니다. 아키텍처, 성능 벤치마크, 다양한 애플리케이션에 대한 적합성을 분석하여 귀사의 컴퓨터 비전 요구 사항에 맞는 최적의 모델을 선택할 수 있도록 지원합니다. 두 모델 모두 효율적이고 정확한 객체 감지를 목표로 하지만 서로 다른 연구 라인(Ultralytics 및 Google)에서 비롯되었으며 뚜렷한 아키텍처 철학을 채택하고 있습니다.

Ultralytics YOLO11

Ultralytics YOLO11은(는) Ultralytics에서 개발하고 뛰어난 실시간 객체 감지 기능으로 알려진 YOLO(You Only Look Once) 시리즈의 최신 발전을 나타냅니다. YOLOv8과(와) 같은 이전 모델의 성공을 기반으로 정확성과 계산 효율성을 모두 향상시키는 데 중점을 둡니다.

기술 세부 사항:

아키텍처 및 주요 기능

YOLO11은 속도와 정확도에 최적화된 단일 스테이지 앵커 프리 아키텍처를 활용합니다. 주요 기능으로는 개선된 특징 추출 레이어와 간소화된 네트워크 구조가 있으며, 파라미터 수와 계산 부하를 줄입니다. 이러한 설계를 통해 에지 장치(NVIDIA Jetson, Raspberry Pi)에서 클라우드 서버에 이르기까지 다양한 하드웨어에서 뛰어난 성능을 보장합니다.

YOLO11의 주요 장점은 Ultralytics 생태계 내에서의 다재다능함과 통합입니다. 객체 감지 외에도 인스턴스 분할, 이미지 분류, 포즈 추정 및 OBB(Oriented Bounding Box)를 포함한 여러 작업을 지원합니다. Ultralytics 프레임워크는 간단한 Python APICLI, 광범위한 문서, 즉시 사용 가능한 사전 훈련된 가중치 및 다른 많은 아키텍처에 비해 더 낮은 메모리 요구 사항으로 효율적인 훈련 프로세스를 제공합니다. 이 생태계는 활발한 개발, 강력한 커뮤니티 지원 및 간소화된 MLOps를 위한 Ultralytics HUB와 같은 도구와의 원활한 통합의 이점을 누리고 있습니다.

강점

  • 높은 속도 및 효율성: 뛰어난 추론 속도로 실시간 애플리케이션에 이상적입니다.
  • 높은 정확도: 모델 크기 전반에 걸쳐 최첨단 mAP 점수를 달성합니다.
  • 다양성: 단일 프레임워크 내에서 탐지, 분할, 분류, 자세 및 OBB 작업을 지원합니다.
  • 사용 편의성: 간단한 API, 포괄적인 문서, 사용자 친화적인 생태계를 제공합니다.
  • 잘 관리되는 생태계: 활발한 개발, 강력한 커뮤니티, 잦은 업데이트 및 Ultralytics HUB와 같은 도구를 제공합니다.
  • 학습 효율성: 많은 대안 모델에 비해 더 빠른 학습 시간과 더 낮은 메모리 사용량을 제공합니다.
  • Deployment Flexibility: edge에서 클라우드에 이르기까지 다양한 하드웨어에 최적화되어 있습니다.

약점

  • 더 작은 모델은 속도를 우선시하므로 가장 큰 변형 모델에 비해 최대 달성 가능한 정확도에서 절충이 있을 수 있습니다.
  • 원-스테이지 검출기로서 특정 복잡한 장면에서 매우 작은 객체에 어려움을 겪을 수 있습니다.

이상적인 사용 사례

YOLO11은 실시간 성능과 높은 정확성이 요구되는 애플리케이션에서 뛰어납니다.

YOLO11에 대해 자세히 알아보세요

Google의 EfficientDet

EfficientDet은 Google Brain 팀에서 개발한 객체 감지 모델 제품군입니다. 정확도와 컴퓨팅 자원(파라미터 및 FLOPs) 간의 균형을 최적화하여 높은 효율성을 달성하도록 설계되었습니다.

기술 세부 사항:

아키텍처 및 주요 기능

EfficientDet 아키텍처는 세 가지 주요 혁신을 기반으로 구축되었습니다.

  1. EfficientNet Backbone: 특징 추출을 위해 매우 효율적인 EfficientNet을(를) 백본으로 사용합니다.
  2. BiFPN (Bi-directional Feature Pyramid Network): 가중치가 적용된 연결을 추가하여 기존 FPN을 개선함으로써 간단하고 빠른 다중 스케일 특징 융합을 가능하게 하는 새로운 특징 네트워크입니다.
  3. Compound Scaling: 백본, 특징 네트워크 및 박스/클래스 예측 네트워크에 대해 깊이, 너비 및 해상도를 균일하게 조정하는 방법입니다. 이를 통해 모델을 작은(D0) 변형에서 큰(D7) 변형으로 확장하여 다양한 리소스 제약 조건에 맞출 수 있습니다.

강점

  • 높은 파라미터 효율성: 비교적 적은 수의 파라미터와 FLOP으로 강력한 정확도를 제공합니다.
  • 확장성: 복합 스케일링 방식은 다양한 성능 목표에 맞게 모델을 확장할 수 있는 명확한 경로를 제공합니다.
  • 강력한 벤치마크 성능: 출시 당시 COCO 데이터 세트에서 최첨단 결과를 달성했습니다.

약점

  • 더 느린 추론 속도: FLOP 효율성에도 불구하고 EfficientDet은 종종 YOLO 모델에 비해 더 높은 추론 지연 시간을 가지며, 특히 GPU에서 그러하여 많은 실시간 애플리케이션에 적합하지 않습니다.
  • 제한적인 다용도성: 주로 객체 감지를 위해 설계되었으며 Ultralytics YOLO 프레임워크에 통합된 인스턴스 분할, 포즈 추정 또는 OBB와 같은 다른 작업에 대한 기본 지원이 부족합니다.
  • 낮은 통합된 생태계: 원래 저장소는 주로 연구 결과물입니다. Ultralytics HUB와 같이 훈련에서 배포까지의 엔드 투 엔드 워크플로우를 단순화하는 포괄적인 문서, 간단한 API 및 통합 도구가 부족합니다.
  • 프레임워크 종속성: 공식 구현은 TensorFlow로 되어 있으며, 이는 주로 PyTorch 생태계에서 작업하는 개발자 및 연구자에게 제한 사항이 될 수 있습니다.

이상적인 사용 사례

EfficientDet은 모델 크기 및 이론적 계산 비용이 가장 중요한 제약 조건인 시나리오에 적합합니다.

  • Edge AI: 메모리 및 처리 능력이 심각하게 제한된 모바일 또는 임베디드 장치에 배포.
  • 학술 연구: 모델 스케일링 법칙 및 아키텍처 효율성을 연구합니다.
  • 클라우드 응용 프로그램: 추론당 계산 비용을 최소화하는 것이 가능한 가장 낮은 대기 시간을 달성하는 것보다 더 중요한 시나리오입니다.

EfficientDet에 대해 자세히 알아보세요.

성능 및 벤치마크: YOLO11 vs. EfficientDet

성능을 비교할 때 mAP만 보는 것을 넘어 살펴보는 것이 중요합니다. 두 모델 제품군 모두 다양한 정확도 수준을 제공하지만 YOLO11은 뛰어난 실제 속도를 위해 설계되었습니다. 아래 표는 유사한 mAP의 경우 YOLO11 모델이 특히 GPU에서 TensorRT로 가속화될 때 훨씬 더 빠르다는 것을 보여줍니다.

예를 들어 YOLO11m은 EfficientDet-d5와 동일한 51.5 mAP를 달성하지만 T4 GPU에서 14배 더 빠르며(4.7ms 대 67.86ms) 매개변수를 40% 적게 사용합니다. 이는 YOLO11의 뛰어난 정확도, 속도 및 모델 크기의 균형을 강조하며 실시간 처리가 필요한 애플리케이션에 훨씬 더 실용적인 선택입니다.

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

결론: 어떤 모델을 선택해야 할까요?

EfficientDet은 모델 효율성에서 중요한 진전이었지만, Ultralytics YOLO11은 대다수의 컴퓨터 비전 애플리케이션을 위한 더욱 현대적이고 실용적이며 강력한 솔루션을 나타냅니다.

  • EfficientDet 선택의 주요 제약 조건이 이론적 FLOP 또는 파라미터 수를 최소화하는 것이고 연구 중심 프레임워크 내에서 작업하는 데 익숙하다면 EfficientDet을 선택하세요.

  • 거의 모든 다른 시나리오에서는 Ultralytics YOLO11을 선택하십시오. 뛰어난 속도-정확도 균형, 여러 비전 작업에서 놀라운 다재다능함, 사용 편의성으로 인해 개발자와 연구자에게 확실한 선택입니다. 포괄적인 문서, 활발한 커뮤니티 지원 및 Ultralytics HUB와 같은 도구를 포함한 잘 관리되는 생태계는 초기 실험에서 대규모 생산에 이르기까지 원활한 개발 및 배포 경험을 보장합니다.

기타 모델 비교

더 자세한 내용을 알아보려면 YOLO11 및 기타 관련 모델과 관련된 다음 비교를 살펴보십시오.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨

댓글