YOLO11 YOLOv7: 물체 감지를 위한 세부 기술 비교
컴퓨터 비전 작업에서 최적의 성능을 달성하려면 올바른 물체 감지 모델을 선택하는 것이 중요합니다. 이 페이지에서는 효율적이고 정확한 물체 감지를 위해 설계된 두 가지 고급 모델인 Ultralytics YOLO11 YOLOv7의 상세한 기술 비교를 제공합니다. 아키텍처의 뉘앙스, 성능 벤치마크, 적합한 애플리케이션을 살펴보고 정보에 입각한 결정을 내릴 수 있도록 안내합니다.
Ultralytics YOLO11
2024-09-27에 출시된 Ultralytics Glenn Jocher와 Jing Qiu가 저술하고 2024-09-27에 출시된 Ultralytics YOLO11 YOLO 시리즈의 최신 버전입니다. 물체 감지의 정확성과 효율성을 모두 향상시키는 데 중점을 두어 다양한 실제 애플리케이션에 다용도로 사용할 수 있습니다. Ultralytics YOLO11 은 이전 YOLO 모델을 기반으로 네트워크 구조를 개선하여 실시간 성능을 유지하면서 최첨단 감지 정밀도를 달성합니다.
아키텍처 및 주요 기능:
YOLO11 아키텍처는 고급 특징 추출 기법을 통합하여 YOLOv8 같은 모델에 비해 파라미터 수를 줄이면서 정확도를 높였습니다. 이러한 최적화를 통해 추론 엔진 속도가 빨라지고 계산 요구 사항이 줄어들어 엣지 디바이스에서 클라우드 인프라에 이르기까지 다양한 플랫폼에 배포하기에 적합합니다. YOLO11 물체 감지, 인스턴스 분할, 이미지 분류, 포즈 추정 등 다양한 컴퓨터 비전 작업을 지원합니다. 이 모델은 GitHub에서 사용할 수 있습니다.
성능 지표 및 벤치마크:
YOLO11 다양한 모델 크기에서 인상적인 평균 정밀도(mAP) 점수를 보여줍니다. 예를 들어, YOLO11m은 640 이미지 크기에서 mAPval50-95 51.5를 달성하여 속도와 정확도의 균형을 효과적으로 맞춥니다. YOLO11n 및 YOLO11s와 같은 더 작은 변형은 속도를 우선시하는 애플리케이션에 더 빠른 실시간 추론을 제공하는 반면, YOLO11x와 같은 더 큰 모델은 정확도를 극대화합니다. 자세한 YOLO 성능 메트릭은 Ultralytics 설명서를 참조하세요.
사용 사례:
YOLO11 향상된 정밀도와 효율성은 다음과 같이 정확한 실시간 물체 감지가 필요한 애플리케이션에 이상적입니다:
- 로보틱스: 동적 환경에서 정밀한 탐색 및 개체 상호 작용을 지원합니다.
- 보안 시스템: 정확한 침입 감지 및 종합적인 모니터링을 위한 고급 보안 경보 시스템.
- 리테일 분석: 재고 관리 및 심층적인 고객 행동 분석을 개선하기 위한 소매업의 AI.
- 산업 자동화: 제조 공정에서 엄격한 품질 관리와 효율적인 결함 감지.
강점:
- 높은 정확도: 정교한 아키텍처로 최첨단 지도를 구현합니다.
- 효율적인 추론: 실시간 애플리케이션에 적합한 빠른 처리.
- 다양한 작업: 물체 감지, 분할, 분류, 포즈 추정을 지원합니다.
- 확장성: 엣지 디바이스부터 클라우드 시스템까지 다양한 하드웨어에서 효과적으로 작동합니다.
약점:
- 대형 모델은 속도에 최적화된 소형 모델에 비해 더 많은 컴퓨팅 리소스를 요구할 수 있습니다.
- 특정 에지 디바이스에 대한 최적화를 위해서는 추가 모델 배포 구성이 필요할 수 있습니다.
YOLOv7
대만 학술원 정보과학연구소의 왕 치엔야오, 알렉세이 보흐코브스키, 홍위안 마크 리아오가 2022년 7월에 발표한 YOLOv7은 실시간 객체 감지기의 새로운 지평을 연 훈련 가능한 공짜 가방으로 유명합니다. arXiv 논문과 깃허브 리포지토리에 자세히 설명된 YOLOv7은 물체 감지 작업에서 높은 정확도를 유지하면서 속도와 효율성을 강조합니다.
아키텍처 및 주요 기능:
YOLOv7은 효율적인 계층 집계 네트워크(ELAN)를 기반으로 하며, 네트워크의 학습 능력을 향상시키기 위해 확장 ELAN(E-ELAN)을 도입했습니다. 모델 재파라미터화 및 동적 레이블 할당과 같은 기술을 사용하여 학습 효율성과 추론 속도를 향상시킵니다. YOLOv7은 다양한 애플리케이션에서 고성능 객체 감지를 위해 설계되었습니다.
성능 지표 및 벤치마크:
YOLOv7은 640 이미지 크기에서 COCO 데이터 세트에서 51.4%의 mAP를 달성하며 뛰어난 성능 지표를 보여줍니다. 속도 또한 주목할 만한데, 기본 YOLOv7 모델은 배치 1 추론에서 161 FPS를 달성했습니다. 자세한 성능 벤치마크는 공식 YOLOv7 GitHub 리포지토리를 참조하세요.
사용 사례:
속도와 정확성이 균형을 이룬 YOLOv7은 다음과 같은 다양한 애플리케이션에 적합합니다:
- 실시간 물체 감지: 자율 주행 및 빠른 속도로 진행되는 비디오 분석과 같이 신속한 감지가 필요한 애플리케이션에 이상적입니다.
- 고성능 컴퓨팅: 컴퓨팅 리소스를 사용할 수 있고 속도와 함께 높은 정확도가 우선시되는 환경에 적합합니다.
- 연구 및 개발: 객체 감지 아키텍처 및 훈련 방법론에 대한 추가 연구를 위한 강력한 기준 모델입니다.
강점:
- 빠른 속도: 실시간 시스템에 적합한 인상적인 추론 속도를 달성합니다.
- 우수한 정확도: 벤치마크 데이터 세트에서 경쟁력 있는 맵 점수를 제공합니다.
- 효율적인 아키텍처: E-ELAN 및 모델 재매개변수화를 활용하여 성능을 향상시킵니다.
약점:
- 엣지 배포 시나리오의 경우 YOLO11n과 같은 더 작은 최신 모델에 비해 더 많은 컴퓨팅 리소스가 필요할 수 있습니다.
- 이 아키텍처는 효율적이기는 하지만 YOLO11 비해 물체 감지 이외의 다양한 비전 작업을 지원하는 데 있어서는 활용도가 떨어집니다.
모델 비교 표
| 모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 T4TensorRT10 (ms) |
매개변수 (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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
결론
YOLO11 YOLOv7은 각각 고유한 강점을 지닌 강력한 물체 감지 모델입니다. YOLO11 다용도성과 효율성이 뛰어나며 최첨단 정확도와 속도로 여러 비전 작업을 지원하므로 다양한 애플리케이션과 배포 환경에 적합한 선택입니다. YOLOv7 역시 효율적이지만 특히 고속 물체 감지에 최적화되어 있어 실시간 애플리케이션 및 연구 목적에 적합합니다. 프로젝트의 특정 요구 사항과 작업의 다양성, 정확도 요구 사항, 배포 제약 조건 등의 요소를 균형 있게 고려한 후 선택해야 합니다.
다른 모델을 살펴보고 싶은 사용자를 위해 Ultralytics 간소화된 효율성과 다양한 기능으로 잘 알려진 YOLOv8 속도와 사용 편의성으로 널리 채택된 YOLOv5 제공합니다. 또한 YOLO11 YOLOv9를 비교하거나 객체 감지에 대한 다양한 아키텍처 접근 방식을 위해 RT-DETR 같은 모델을 살펴볼 수도 있습니다.
