YOLO11 대 EfficientDet#
컴퓨터 비전 프로젝트에 최적의 신경망을 선택하려면 사용 가능한 아키텍처에 대한 깊은 이해가 필요합니다. 본 가이드는 Ultralytics YOLO11과 Google의 EfficientDet 간의 심층적인 기술적 비교를 제공합니다. 머신 러닝 워크로드에 대해 현명한 결정을 내리실 수 있도록 아키텍처 차이점, 성능 지표, 학습 효율성 및 이상적인 배포 시나리오를 살펴보겠습니다.
모델 배경 및 사양#
두 모델 모두 deep learning 생태계에 큰 영향을 미쳤으나, 서로 다른 디자인 철학장과 AI 개발 시대에서 탄생했습니다.
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 및 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 다룰 때 주변 생태계는 모델 자체만큼이나 중요합니다. Ultralytics ecosystem은 방대한 문서, 활발한 커뮤니티 지원, 그리고 ONNX 및 TensorRT와 같은 포맷으로의 원활한 내보내기 기능을 제공하여 타의 추종을 불허하는 개발자 경험을 선사합니다.
아키텍처 혁신#
EfficientDet: BiFPN 및 Compound Scaling#
2019년 말에 소개된 EfficientDet은 연산 비용을 최소화하면서 정확도를 극대화하는 것을 목표로 했습니다. 이는 주로 두 가지 메커니즘을 통해 달성됩니다. 첫째, 깊이, 너비, 해상도를 유기적으로 확장하는 EfficientNet backbone을 사용합니다. 둘째, 쉽고 빠른 멀티스케일 feature fusion을 가능하게 하는 양방향 피라미드 네트워크(BiFPN)를 도입했습니다.
당시에는 매우 효율적이었지만, EfficientDet은 TensorFlow AutoML 라이브러리에 의존하기 때문에 유연성이 떨어질 수 있습니다. 연구원들은 현대의 모듈식 PyTorch 기반 프레임워크에 비해 model pruning과 커스텀 수정을 어렵게 느끼는 경우가 많습니다.
YOLO11: 향상된 특징 추출 및 범용성#
YOLO11은 object detection architectures 분야에서 중요한 도약을 이뤄냈습니다. 이전 모델들의 성공을 바탕으로 정제된 C3k2 블록과 향상된 Spatial Pyramid Pooling 모듈을 도입했습니다. 이러한 개선 사항은 뛰어난 feature extraction로 이어져 YOLO11이 복잡한 시각적 패턴을 뛰어난 선명도로 포착할 수 있게 해줍니다.
YOLO11의 주요 장점은 뛰어난 다기능성입니다. EfficientDet은 엄격하게 객체 감지 모델인 반면, YOLO11은 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 방향성 바운딩 박스 (OBB)를 기본적으로 지원합니다. 또한 YOLO11은 학습과 추론 모두에서 매우 낮은 메모리 요구사항을 자랑하므로, 리소스가 제한된 에지 AI 환경에 배포할 때 구형 모델이나 부피가 큰 비전 트랜스포머보다 훨씬 우수합니다.
성능 및 벤치마크#
mean Average Precision (mAP)으로 측정된 정확도와 추론 속도 간의 균형은 실제 배포 시 가장 중요한 결정 요소입니다. 아래 표는 표준 COCO dataset에서 두 모델군의 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 |
보시다시피 YOLO11은 매우 유리한 성능 균형을 달성합니다. YOLO11x는 가장 높은 전체 정확도(54.7 mAP)를 달성하며, 더 작은 YOLO11 변형 모델은 TensorRT를 사용하는 T4에서 1.5ms까지 낮은 GPU 추론 속도로 압도적인 성능을 보여줍니다.
학습 효율성 및 생태계#
Ultralytics 모델의 결정적인 특징 중 하나는 사용 편의성입니다. EfficientDet 모델을 학습하려면 복잡한 TensorFlow 그래프 구성을 탐색하고 복잡한 종속성 체인을 관리해야 하는 경우가 많습니다. 이와 대조적으로 YOLO11은 깨끗하고 철저히 현대적인 PyTorch 기반으로 구축되었습니다.
이러한 잘 유지 관리되는 생태계 덕분에 개발자는 단 몇 줄의 코드만으로 패키지를 설치하고, 사전 학습된 모델을 로드하며, 커스텀 dataset 학습을 시작할 수 있습니다.
Python 코드 예시#
다음은 Ultralytics API의 단순함을 보여주는 완전 실행 가능한 예제입니다. 이 스크립트는 사전 학습된 YOLO11 모델을 다운로드하고, 학습시키며, 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 예외적으로 강력하지만, 새로 그린필드 프로젝트를 시작하는 팀은 2026년 1월에 출시된 Ultralytics YOLO26을 강력히 고려해야 합니다. YOLO26은 배포 단순성과 엣지 성능의 패러다임 전환을 나타냅니다.
YOLO26의 주요 혁신은 다음과 같습니다:
- 엔드투엔드 NMS 프리 디자인: 후처리 과정에서 NMS(Non-Maximum Suppression)를 제거함으로써 YOLO26은 고속 robotics 및 자율 주행에 필수적인 일관되고 초저지연 성능을 보장합니다.
- 최대 43% 더 빠른 CPU 추론: 전용 GPU가 없는 배포의 경우, YOLO26은 표준 프로세서에서 처리량을 최대화하도록 특별히 최적화되었습니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2에서 영감을 받은 이 하이브리드 옵티마이저는 LLM 학습 안정성을 컴퓨터 비전에 도입하여 더 빠른 수렴을 가능하게 합니다.
- ProgLoss + STAL: 이러한 개선된 손실 함수는 satellite image analysis 및 드론 영상에서 종종 골칫거리인 소형 객체 인식 능력을 크게 향상시킵니다.
- DFL 제거: Distribution Focal Loss를 제거하여 엣지 장치로의 모델 내보내기 프로세스를 간소화했습니다.
활용 사례 및 권장 사항#
YOLO11과 EfficientDet 중에서 선택하는 것은 구체적인 프로젝트 요구 사항, 배포 제약 조건 및 생태계 선호도에 따라 달라집니다.
YOLO11을 선택해야 할 때#
YOLO11은 다음에 강력히 추천합니다:
- 프로덕션 엣지 배포: 신뢰성과 활성 유지 관리가 무엇보다 중요한 Raspberry Pi 또는 NVIDIA Jetson 같은 장치의 상업적 애플리케이션.
- 멀티태스크 비전 애플리케이션: 단일 통합 프레임워크 내에서 detection, segmentation, pose estimation, 그리고 OBB가 필요한 프로젝트.
- 빠른 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집에서 프로덕션까지 빠르게 진행해야 하는 팀.
EfficientDet을 선택해야 할 때#
EfficientDet은 다음 경우에 권장됩니다:
- Google Cloud 및 TPU 파이프라인: EfficientDet의 네이티브 최적화가 지원되는 Google Cloud Vision API 또는 TPU 인프라와 깊게 통합된 시스템.
- 컴파운드 스케일링 연구: 네트워크 깊이, 너비 및 해상도 스케일링의 균형 잡힌 효과를 연구하는 데 중점을 둔 학술적 벤치마킹.
- TFLite를 통한 모바일 배포: Android 또는 임베디드 Linux 기기를 위해 TensorFlow Lite 내보내기가 특별히 필요한 프로젝트.
Ultralytics (YOLO26)를 선택해야 할 때#
대부분의 신규 프로젝트의 경우, Ultralytics YOLO26은 성능과 개발자 경험의 최상의 조합을 제공합니다.
- NMS 미사용 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
- CPU 전용 환경: 전용 GPU 가속이 없는 디바이스에서, 최대 43% 더 빠른 YOLO26의 CPU 추론 속도가 결정적인 이점을 제공합니다.
- 소형 객체 감지: 항공 드론 이미지나 IoT 센서 분석과 같은 까다로운 시나리오에서 ProgLoss와 STAL이 아주 작은 객체의 정확도를 크게 향상시킵니다.
결론#
EfficientDet은 객체 탐지에서 Compound Scaling의 실현 가능성을 입증한 선구적인 아키텍처였습니다. 그러나 AI 연구의 빠른 속도는 더 뛰어나고, 통합하기 쉬우며, 더 빠르게 실행되는 모델들을 탄생시켰습니다.
탄탄한 멀티태스크 기능, 놀라운 GPU 추론 속도, 그리고 업계에서 가장 개발자 친화적인 API를 갖춘 YOLO11은 현대 비전 파이프라인을 위한 확실한 승자입니다. 기술의 최전선(특히 엣지 중심 배포)을 목표로 하는 분들에게는 YOLO26으로 업그레이드하는 것이 NMS 프리 속도와 뛰어난 정확도의 궁극적인 조합을 제공합니다.