콘텐츠로 건너뛰기

YOLO11 대 YOLOv7: 상세 기술 비교

최적의 객체 탐지 모델을 선택하려면 다양한 아키텍처의 특정 기능과 장단점을 이해해야 합니다. 이 페이지에서는 YOLO 계열의 강력한 모델인 Ultralytics YOLO11과 YOLOv7의 기술적 비교를 제공합니다. 두 모델의 아키텍처 차이점, 성능 벤치마크, 이상적인 사용 사례를 자세히 살펴보고 컴퓨터 비전 프로젝트에 가장 적합한 모델을 선택하는 데 도움을 드립니다. YOLOv7은 실시간 탐지에서 중요한 진전을 이루었지만, Ultralytics YOLO11은 현재 최첨단 기술을 대표하며, 뛰어난 성능, 더 큰 다양성, 더욱 간소화된 개발자 경험을 제공합니다.

YOLOv7: 효율적이고 정확한 객체 탐지

YOLOv7은 추론 비용 증가 없이 훈련 효율성과 정확성을 최적화하는 데 중점을 둔 실시간 객체 탐지 분야의 주요 발전으로 소개되었습니다.

아키텍처 및 주요 기능

YOLOv7은 몇 가지 주요 혁신을 도입하여 이전 YOLO 아키텍처를 기반으로 구축되었습니다. E-ELAN(Extended Efficient Layer Aggregation Networks) 및 연결 기반 모델에 최적화된 모델 스케일링 방법과 같은 기술을 사용합니다. 주요 기여는 추론 중에 계산 오버헤드를 추가하지 않고 최종 모델 정확도를 높이기 위해 훈련 중에 적용되는 최적화 전략(예: 보조 헤드 및 coarse-to-fine 지침)과 관련된 "trainable bag-of-freebies" 개념입니다. YOLOv7은 주로 객체 감지에 중점을 두지만 포즈 추정과 같은 작업에 대한 커뮤니티 확장이 있습니다.

성능 지표 및 사용 사례

YOLOv7은 출시되자마자 속도와 정확성 사이에서 강력한 균형을 제공하며 최첨단 성능을 입증했습니다. 예를 들어 YOLOv7x 모델은 640 이미지 크기에서 MS COCO 데이터 세트에 대해 53.1% mAPtest를 달성합니다. 효율성이 뛰어나 고급 보안 시스템 및 빠르고 정확한 감지가 필요한 자율 시스템과 같은 실시간 애플리케이션에 적합합니다.

강점

  • 높은 정확도 및 속도 균형: 실시간 작업을 위해 mAP와 추론 속도의 강력한 조합을 제공합니다.
  • 효율적인 훈련: 추론 비용을 늘리지 않고 정확도를 향상시키기 위해 고급 훈련 기술("bag-of-freebies")을 활용합니다.
  • 검증된 성능: MS COCO와 같은 표준 벤치마크에서 입증된 결과를 제공합니다.

약점

  • 복잡성: 아키텍처와 학습 기법은 완전히 파악하고 최적화하기에 복잡할 수 있습니다.
  • 리소스 집약적: 더 큰 YOLOv7 모델은 훈련에 상당한 GPU 리소스가 필요합니다.
  • 제한적인 작업 다양성: 주로 객체 감지에 중점을 두어 YOLO11과 같은 통합 모델과 달리 분할 또는 분류와 같은 다른 작업에는 별도의 구현이 필요합니다.
  • 단편화된 에코시스템: Ultralytics 에코시스템에서 볼 수 있는 통합 프레임워크, 광범위한 문서 및 활발한 유지 관리가 부족합니다.

YOLOv7에 대해 자세히 알아보세요

Ultralytics YOLO11: 최첨단 효율성 및 다재다능함

Ultralytics YOLO11Ultralytics의 Glenn Jocher와 Jing Qiu가 제작했으며 YOLO 시리즈의 최신 진화를 나타냅니다. 2024년 9월 27일에 출시되었으며 사용자 친화적인 프레임워크 내에서 뛰어난 정확성, 향상된 효율성 및 더 넓은 작업 다재다능성을 위해 설계되었습니다.

아키텍처 및 주요 기능

YOLO11의 아키텍처는 고급 특징 추출 기술과 간소화된 네트워크 설계를 통합하여 더 높은 정확도를 제공하며, 종종 YOLOv8 및 YOLOv7과 같은 이전 모델에 비해 파라미터 수가 감소합니다. 이러한 최적화는 더 빠른 추론 속도와 더 낮은 연산 요구 사항으로 이어지며, 이는 에지 장치에서 클라우드 인프라에 이르기까지 다양한 플랫폼에 배포하는 데 매우 중요합니다.

YOLO11의 주요 장점은 다재다능함입니다. 객체 감지, 인스턴스 분할, 이미지 분류, 포즈 추정 및 OBB(Oriented Bounding Box)를 기본적으로 지원하는 다중 작업 모델입니다. Ultralytics 생태계에 완벽하게 통합되어 간단한 PythonCLI 인터페이스, 광범위한 문서효율적인 훈련을 위해 즉시 사용 가능한 사전 훈련된 가중치를 통해 간소화된 사용자 경험을 제공합니다.

강점

  • 최첨단 성능: 더욱 효율적인 아키텍처로 더 높은 mAP 점수를 달성합니다.
  • 탁월한 효율성: CPU와 GPU 모두에서 뛰어난 속도를 제공하며, 유사한 정확도에 대해 YOLOv7보다 파라미터와 FLOPs가 훨씬 적습니다.
  • 탁월한 다재다능함: 단일 통합 프레임워크에서 detection, segmentation, classification, pose 및 OBB를 기본적으로 지원합니다.
  • 사용 편의성: 간단한 API, 포괄적인 문서, 노코드 학습 및 배포를 위한 Ultralytics HUB와 같은 도구와의 원활한 통합을 제공합니다.
  • 잘 관리되는 에코시스템: 활발한 개발, 강력한 커뮤니티, 잦은 업데이트, 풍부한 리소스를 통해 이점을 얻으세요.
  • 메모리 효율성: 훈련 및 추론 중 더 낮은 메모리 사용을 위해 설계되어 다른 아키텍처보다 접근성이 뛰어납니다.

약점

  • 더 새로운 모델로서 일부 틈새 타사 도구 통합은 기존의 더 확립된 모델에 비해 아직 개발 중일 수 있습니다.
  • 가장 큰 모델은 정확도가 높지만 훈련 및 배포를 위해 여전히 상당한 컴퓨팅 리소스가 필요할 수 있습니다.

YOLO11에 대해 자세히 알아보세요

성능 비교: YOLO11 vs. YOLOv7

성능 지표를 직접 비교하면 Ultralytics YOLO11의 장점이 분명해집니다. 이 모델은 전반적으로 정확도와 효율성 사이에서 더 나은 균형을 제공합니다.

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
YOLOv7l 640 51.4 - 6.84 36.9 104.7
YOLOv7x 640 53.1 - 11.57 71.3 189.9

표에서 몇 가지 중요한 통찰력을 얻을 수 있습니다.

  • 정확도 및 효율성: YOLO11l은 YOLOv7x (53.1)보다 높은 mAP (53.4)를 달성하면서 파라미터 (25.3M vs. 71.3M) 및 FLOP (86.9B vs. 189.9B)를 훨씬 적게 사용합니다.
  • 추론 속도: YOLO11 모델은 특히 TensorRT를 사용하는 GPU에서 훨씬 빠릅니다. YOLO11l은 T4 GPU에서 YOLOv7x보다 거의 두 배 빠릅니다. 또한 YOLO11은 YOLOv7 데이터를 사용할 수 없는 많은 실제 배포에 중요한 지표인 ONNX를 통해 강력한 CPU 성능 벤치마크를 제공합니다.
  • 확장성: YOLO11 제품군은 경량 YOLO11n(1.5ms 지연 시간)에서 고정밀 YOLO11x(54.7mAP)에 이르기까지 더 광범위하고 효율적인 모델 범위를 제공하므로 개발자는 특정 요구 사항에 맞는 완벽한 균형을 찾을 수 있습니다.

Ultralytics YOLO11을 선택해야 하는 이유

YOLOv7은 당시 강력한 모델이었지만, Ultralytics YOLO11은 최신 컴퓨터 비전 프로젝트에 대한 명확한 선택입니다. 정확도 및 속도와 같은 핵심 지표에서 YOLOv7을 능가할 뿐만 아니라 훨씬 더 우수한 사용자 경험과 보다 포괄적인 기능 세트를 제공합니다.

YOLO11을 선택해야 하는 주요 이점은 다음과 같습니다.

  • 통합 프레임워크: 여러 비전 작업을 위해 사용하기 쉬운 단일 패키지로, 여러 저장소와 환경을 번갈아 사용할 필요가 없습니다.
  • 활발한 개발 및 지원: 활발하게 유지 관리되는 Ultralytics 생태계의 일부인 YOLO11은 대규모 커뮤니티와 핵심 개발 팀으로부터 지속적인 업데이트, 버그 수정 및 지원을 받습니다.
  • 제품 생산 준비 완료: 효율성, 쉬운 배포 및 강력한 툴링에 중점을 둔 YOLO11은 프로토타입 제작에서 대규모 생산에 이르기까지 실제 애플리케이션을 위해 구축되었습니다.
  • 미래 보장: YOLO11을 채택함으로써 개발자는 최첨단 객체 감지 연구에 발맞추고 Ultralytics의 지속적인 혁신으로부터 혜택을 얻을 수 있습니다.

강력한 생태계에서 지원하는 최신식의 다재다능한 고성능 모델을 찾는 개발자에게 Ultralytics YOLO11은 확실한 선택입니다.

기타 모델 비교

더 자세한 내용을 알아보려면 YOLOv7, YOLO11 및 기타 관련 모델과 관련된 다음 비교를 살펴보십시오.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨

댓글