YOLOv10 대 EfficientDet
객체 검출에 최적의 신경망을 선택하는 것은 최신 컴퓨터 비전 시스템에서 중요한 결정입니다. 이 분야에 영향을 미친 두 아키텍처는 YOLOv10과 EfficientDet입니다. 두 모델 모두 계산 오버헤드를 최소화하면서 정확도를 극대화하는 것을 목표로 하지만, 아키텍처 접근 방식은 크게 다릅니다.
이 가이드에서는 두 모델의 설계, 학습 방법론, 배포 특성을 다루어 개발자와 ML 엔지니어가 비전 AI 애플리케이션에 관한 데이터 기반 의사결정을 내릴 수 있도록 돕습니다. 또한 임베디드 엣지 AI 디바이스부터 강력한 클라우드 GPU까지 다양한 하드웨어에서의 성능을 살펴봅니다.
YOLOv10: NMS 프리 실시간 탐지#
실시간 지연 시간을 줄이기 위해 개발된 YOLOv10은 YOLO 계열에서 가장 지속적인 병목 중 하나인 비최대 억제(NMS)를 해결했습니다. 이 후처리 단계를 제거해 예측 가능한 지연 시간을 달성하며, 이는 자율 주행 차량과 고속 로보틱스에서 중요합니다.
아키텍처 혁신#
YOLOv10은 NMS 프리 학습을 위해 일관된 이중 할당을 도입합니다. 학습 중에는 일대다 및 일대일 라벨 할당을 모두 사용하므로 네트워크가 풍부한 표현을 학습하면서도 추론 시 객체마다 하나의 바운딩 박스를 출력할 수 있습니다. 또한 아키텍처에 효율성과 정확도를 종합적으로 고려한 설계를 적용해 분류 헤드를 간소화하고 이전 버전에서 나타난 계산 중복을 줄입니다.
모델 세부 정보#
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 날짜: 2024-05-23
- 논문: YOLOv10: 실시간 엔드투엔드 객체 탐지
- GitHub: THU-MIG/yolov10
- 문서: YOLOv10 문서
YOLOv10은 NMS 단계를 제거하므로 바운딩 박스 필터링을 위한 사용자 지정 런타임 플러그인에 의존하지 않고도 ONNX 형식 및 NVIDIA TensorRT와 같은 형식으로 더 쉽게 내보낼 수 있습니다.
장점:
- 예측 가능한 추론: NMS를 제거하면 장면 내 객체 수와 관계없이 일관된 추론 시간을 보장합니다.
- 메모리 사용량 감소: RT-DETR과 같은 Transformer 기반 모델과 비교하면 YOLOv10은 학습과 추론 모두에서 메모리 요구량이 더 낮습니다.
- 뛰어난 속도와 정확도의 균형: 성능 지표를 희생하지 않으면서 지연 시간이 짧아야 하는 시나리오에 맞게 특별히 최적화되었습니다.
단점:
- 단일 작업에 집중: 폭넓은 Ultralytics 에코시스템과 달리 기존 YOLOv10 저장소는 검출에 중점을 두며, 인스턴스 분할이나 포즈 추정을 기본 지원하지 않습니다.
EfficientDet: 확장성과 균형#
Google Brain이 선보인 EfficientDet은 체계적인 네트워크 스케일링 관점에서 객체 검출에 접근합니다. EfficientNet 이미지 분류 백본을 기반으로 새로운 특징 융합 메커니즘을 도입합니다.
아키텍처 혁신#
EfficientDet의 핵심은 쉽고 빠른 다중 스케일 특징 융합을 지원하는 양방향 특징 피라미드 네트워크(BiFPN)입니다. 특징을 위에서 아래 방향으로만 합산하는 기존 FPN과 달리, BiFPN은 양방향 교차 스케일 연결과 학습 가능한 가중치를 도입해 서로 다른 입력 특징의 중요도를 학습합니다. 또한 EfficientDet은 백본, 특징 네트워크, 박스/클래스 예측 네트워크의 해상도, 깊이, 너비를 균일하게 조정하는 복합 스케일링 방법을 사용합니다.
모델 세부 정보#
- 저자: Mingxing Tan, Ruoming Pang, Quoc V. Le
- 기관: Google Brain
- 날짜: 2019-11-20
- 논문: EfficientDet: 확장 가능하고 효율적인 객체 탐지
- GitHub: Google AutoML EfficientDet
장점:
- 높은 효율성: 파라미터 대비 정확도 비율이 뛰어나 소형
-d0부터-d2변형 모델까지 매우 가볍습니다. - 체계적인 스케일링: 복합 스케일링을 사용하면 사용자의 정확한 계산 예산에 맞는 모델 크기를 쉽게 선택할 수 있습니다.
단점:
- 레거시 프레임워크 통합: 기존 구현은 이전 버전의 TensorFlow에 의존하므로 최신 배포 파이프라인이 복잡해질 수 있습니다.
- 느린 학습: EfficientDet을 처음부터 학습하는 과정은 YOLO 아키텍처의 빠른 수렴과 비교해 느리고, 하이퍼파라미터를 세심하게 튜닝해야 합니다.
- 추론 속도: 파라미터 효율성은 높지만, 복잡한 BiFPN 연산으로 인해 표준 하드웨어에서 실제 추론 속도가 고도로 최적화된 YOLO 모델보다 느린 경우가 많습니다.
성능 및 벤치마크#
이 모델들의 실제 성능은 COCO 데이터셋과 같은 표준 벤치마크에서 확인할 수 있습니다. 아래 표는 매개변수 수, 부동소수점 연산(FLOPs), NVIDIA T4 GPU에서의 추론 지연 시간 차이를 보여줍니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
YOLOv10은 GPU 추론 속도에서 큰 우위를 보입니다. 예를 들어 YOLOv10s는 TensorRT 지연 시간 2.49ms에 46.3 mAP를 달성하는 반면, EfficientDet-d3는 비슷한 47.5 mAP를 달성하는 데 19.59ms가 걸립니다. 상위 모델인 YOLOv10m(51.1 mAP, 4.74ms)은 EfficientDet-d5(51.5 mAP, 67.86ms)에 거의 필적합니다. 따라서 YOLOv10은 실시간 비디오 스트리밍이나 빠르게 움직이는 제조 파이프라인에 훨씬 적합합니다. EfficientDet-d0는 표에서 FLOPs가 가장 낮습니다(2.54B).
사용 사례 및 권장 사항#
YOLOv10과 EfficientDet 중에서 선택할 때는 구체적인 프로젝트 요구 사항, 배포 제약, 선호하는 생태계를 고려해야 합니다.
YOLOv10을 선택해야 하는 경우#
YOLOv10은 다음과 같은 경우에 적합합니다:
- NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
- 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
- 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.
EfficientDet을 선택해야 하는 경우#
다음과 같은 경우 EfficientDet을 권장합니다.
- Google Cloud 및 TPU 파이프라인: EfficientDet의 참조 구현이 TPU 학습을 지원하는 Google Cloud TPU 인프라에서 TensorFlow 기반 시스템을 사용하는 경우입니다.
- 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 디바이스에서는 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
- 작은 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석과 같이 ProgLoss와 STAL이 작은 객체의 정확도를 높이는 까다로운 시나리오입니다.
최신 표준: Ultralytics YOLO26의 등장#
YOLOv10은 NMS 프리 YOLO 검출을 도입했고 EfficientDet은 원칙에 기반한 스케일링의 가치를 보여주었지만, 컴퓨터 비전은 계속 발전해 왔습니다. 오늘날 새 프로젝트를 시작하는 개발자에게는 Ultralytics YOLO26을 권장합니다. 2026년 1월에 출시된 YOLO26은 이러한 아이디어를 Ultralytics Platform이 지원하는 프로덕션용 패키지로 결합합니다.
YOLO26이 경쟁 모델보다 뛰어난 이유#
- 엔드투엔드 NMS 프리 설계: YOLO26은 YOLOv10의 엔드투엔드 NMS 프리 설계를 선택적 일대일 헤드(
nms=False)로 제공해 배포를 간소화하고 추론 속도를 높입니다. - 최대 43% 더 빠른 CPU 추론: 전용 가속기가 없는 엣지 디바이스에서 YOLO26n은 표준 CPU 기준 YOLO11n보다 최대 43% 빠르게 실행됩니다.
- 고급 MuSGD 옵티마이저: 대규모 언어 모델(LLM) 학습 방식에서 영감을 받은 YOLO26은 SGD와 Muon의 하이브리드를 사용해 안정적인 학습과 빠른 수렴을 지원하며, EfficientDet보다 학습 효율성을 높입니다.
- ProgLoss + STAL: Progressive Loss와 소형 객체 인식 라벨 할당(STAL)은 소형 객체 인식 성능을 높입니다. 이는 이전 검출기들이 어려움을 겪는 영역입니다.
- DFL 제거: Distribution Focal Loss를 제거하면 OpenVINO와 CoreML을 비롯한 다양한 하드웨어 형식으로 더 간편하게 내보낼 수 있습니다.
YOLO26은 더 높은 다용도성도 제공합니다. EfficientDet과 YOLOv10은 검출 모델이지만, YOLO26은 동일한 Ultralytics Python 패키지를 사용해 인스턴스 분할, 시맨틱 분할, 깊이 추정, 이미지 분류, 포즈 추정, 방향 바운딩 박스도 처리합니다.
Ultralytics를 통한 간편한 사용#
Ultralytics가 제공하는 잘 관리된 에코시스템은 원활한 개발자 경험을 보장합니다. 모델을 학습하고 검증한 다음 TensorRT로 내보내는 데 코드 몇 줄이면 충분합니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv10 모델을 로드합니다(또는 YOLO26으로 기본 업그레이드합니다).
model = YOLO("yolov10n.pt")
# 사용자 지정 데이터셋으로 모델을 효율적으로 학습합니다.
model.train(data="coco8.yaml", epochs=50, imgsz=640)
# 추론을 실행하고 결과를 즉시 시각화합니다.
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()
# 빠른 배포를 위해 내보냅니다.
model.export(format="engine", quantize=16)결론#
YOLOv10과 EfficientDet 중에서 선택할 때는 프레임워크 선호도와 속도 제약을 고려해야 합니다. EfficientDet은 TensorFlow 에코시스템에서 체계적인 모델 스케일링 방식을 제공합니다. 하지만 YOLOv10은 NMS 프리 아키텍처 덕분에 더 빠른 실시간 성능, 낮은 메모리 사용량, 더 간단한 배포 경로를 제공합니다.
성능, 사용 편의성, 다중 작업 다용도성의 균형을 가장 잘 갖춘 모델로 Ultralytics Platform의 YOLO26을 권장합니다. YOLOv10의 NMS 프리 접근 방식을 채택하고 MuSGD 옵티마이저와 같은 최신 학습 기법을 더했으며, 전 세계 대규모 커뮤니티의 지원을 받는 오픈 소스 프레임워크로 제공됩니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.