YOLOv10 EfficientDet: 객체 탐지 효율성의 진화

컴퓨터 비전 분야의 발전은 균형 추구에 의해 정의되어 왔으며, 특히 추론 속도와 탐지 정확도 사이의 절충점을 중심으로 이루어졌다. 본 비교는 이 역사 속 두 가지 중요한 이정표를 살펴본다: YOLOv10, 칭화대학교의 학문적 돌파구로 NMS 검출이 가능한 방식을 도입했으며, EfficientDet, Google 선구적인 아키텍처로 확장 가능한 효율성을 주창했습니다.

EfficientDet가 2019년 복합 스케일링 기법으로 벤치마크를 세웠다면, YOLOv10 2024)은 후처리 병목 현상을 완전히 제거하는 패러다임 전환을 보여줍니다. 본 가이드는 두 모델의 아키텍처, 성능 지표 및 현대적 엣지 AI 애플리케이션 적합성을 분석합니다.

YOLOv10: 엔드투엔드 실시간 Detector

2024년 5월 출시된 YOLOv10 YOLO 오랜 비효율성인 비최대 억제(NMS) 의존 문제를 YOLOv10 . 이 후처리 단계를 제거함으로써 YOLOv10 지연 시간을 YOLOv10 줄이고 배포 파이프라인을 단순화했습니다.

YOLOv10 :

저자: Ao Wang, Hui Chen, Lihao Liu 외
조직:조직: 칭화 대학교
날짜:23
Arxiv:실시간 엔드투엔드 객체 감지
GitHub:THU-MIG/yolov10

주요 아키텍처 혁신

YOLOv10 핵심 특징은 일관된 이중 할당 YOLOv10 . 훈련 과정에서 모델은 풍부한 감독 신호를 위해 일대다 헤드를 사용하고, 최적의 고유 예측을 학습하기 위해 일대일 헤드를 활용합니다. 이를 통해 모델은 추론 시 중복을 NMS (중복 NMS ) 없이도 정확한 바운딩 박스를 예측할 수 있습니다.

또한 YOLOv10 전체적인 효율성-정확도 설계를 YOLOv10 백본과 넥 구성 요소를 최적화함으로써 계산적 중복을 줄입니다. 이로 인해 이전 모델들보다 더 빠를 뿐만 아니라 매개변수 효율성도 더 높은 모델이 탄생했습니다.

10에 대해 자세히 알아보기

효율적 탐지: 확장 가능하고 견고한

Google 2019년 말 개발한 EfficientDet는 효율성의 한계를 넘어서기 위해 '복합적 확장'이라는 새로운 접근법을 채택했습니다. 이 모델은 네트워크의 해상도, 깊이, 너비를 체계적으로 확장하여 다양한 자원 제약 조건에서도 우수한 성능을 발휘하도록 설계되었습니다.

효율적 세부 정보:

작성자: Mingxing Tan, Ruoming Pang, Quoc V. Le
조직:조직:Google 리서치
날짜:20
Arxiv:EfficientDet: 확장 가능하고 효율적인 물체 감지
GitHub:google

BiFPN의 장점

EfficientDet는 가중치 부여된 양방향 피라미드 특징 네트워크(BiFPN)와 결합된 EfficientNet 백본을 활용합니다. 특징을 구분 없이 합산하는 표준 FPN과 달리, BiFPN은 입력 특징에 가중치를 할당하여 네트워크가 서로 다른 입력 스케일의 중요도를 학습할 수 있게 합니다. 매우 높은 정확도를 자랑하지만, 이 아키텍처는 복잡한 교차 스케일 연결을 포함하여 불규칙한 메모리 접근 패턴에 최적화되지 않은 하드웨어에서는 계산 비용이 높을 수 있습니다.

기술 성능 비교

다음 표는 메트릭을 직접 비교한 것입니다. 특히 YOLOv10 NMS 제거로 인해 이 YOLOv10 점을 고려할 때 추론 속도의 상당한 차이를 주목하십시오.

모델	크기 ^(픽셀)	mAP^val 50-95	속도 ^{CPU ONNX (ms)}	속도 ^{T4 TensorRT10 (ms)}	파라미터 ^(M)	FLOPs ^(B)
YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

0	640	34.6	10.2	3.92	3.9	2.54
1	640	40.5	13.5	7.31	6.6	6.1
2	640	43.0	17.7	10.92	8.1	11.0
3	640	47.5	28.0	19.59	12.0	24.9
4	640	49.7	42.8	33.55	20.7	55.2
5	640	51.5	72.5	67.86	33.7	130.0
6	640	52.6	92.8	89.29	51.9	226.0
7	640	53.7	122.0	128.07	51.9	325.0

중요 분석

지연 시간 대 정확도: YOLOv10x는 TensorRT 단 12.2ms에 불과한 상태에서 우수한 mAP 평균 정밀도) 54.4%를 달성합니다. 반면 EfficientDet-d7은 비슷한 53.7% mAP 약 128ms가 소요되어 10배 이상 느립니다. 이는 실시간 최적화 분야의 세대적 도약을 보여줍니다.
엣지 배포: YOLOv10 NMS 설계는 모델 배포에 있어 판도를 바꾸는 YOLOv10 . NMS NPU(신경망 처리 장치)나 임베디드 칩에서 가속화하기 어려운 NMS . 이를 제거함으로써 전체 모델을 단일 그래프로 실행할 수 있게 되어 OpenVINO와 같은 도구와의 호환성이 크게 향상됩니다. OpenVINO , TensorRT 같은 도구와의 호환성을 크게 향상시킵니다.
훈련 효율성: EfficientDet는 TensorFlow 복잡한 AutoML 검색 전략에 의존합니다. Ultralytics YOLO ( YOLOv10 최신 YOLOv26 포함) PyTorch 기반으로 구축되었으며 PyTorch 하이퍼파라미터를 자동으로 처리하는 최적화된 훈련 파이프라인을 특징으로 PyTorch 더 빠른 수렴과 낮은 메모리 요구 사항을 제공합니다.

Ultralytics 에코시스템의 이점

모델 선택은 단순히 아키텍처에 관한 것이 아니라 워크플로우에 관한 것입니다. Ultralytics 개발자에게 원활한 경험을 제공합니다.

사용 편의성: Ultralytics Python 사용하면 단 세 줄의 코드로 모델을 로드, 훈련 및 배포할 수 있습니다. EfficientDet 구현은 종종 복잡한 종속성 관리와 구형 TensorFlow 필요로 합니다.
다용도성: EfficientDet는 주로 객체 탐지기를 의미하지만, Ultralytics 인스턴스 세그멘테이션, 자세 추정, OBB(방향성 경계 상자) 탐지를 포함한 전체 작업 세트를 지원합니다.
잘 관리된 생태계: Ultralytics 최신 하드웨어 및 소프트웨어 라이브러리와 호환성을 보장하기 위해 자주 업데이트를 Ultralytics . Ultralytics 통합을 통해 데이터셋 관리와 클라우드 훈련을 손쉽게 수행할 수 있습니다.

간소화된 교육

Ultralytics 복잡한 데이터 증강 및 학습률 스케줄링을 자동으로 Ultralytics . 최첨단 결과를 얻기 위해 앵커나 손실 가중치를 수동으로 조정할 필요가 없습니다.

코드 예시: Ultralytics 사용한 훈련

다음 코드는 Ultralytics 사용하여 모델을 훈련시키는 것이 얼마나 간단한지 보여줍니다. 이는 YOLOv10, YOLO11 및 권장되는 YOLO26에서도 동일하게 작동합니다.

from ultralytics import YOLO

# Load the latest recommended model (YOLO26)
model = YOLO("yolo26n.pt")

# Train on a custom dataset
# Ultralytics automatically handles device selection (CPU/GPU)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate performance
metrics = model.val()
print(f"mAP50-95: {metrics.box.map}")

YOLOv10 NMS 개념을 YOLOv10 , Ultralytics 이를 정교화하고 완성시켰습니다. 2026년 1월 출시된 YOLO26은 현재 엣지 AI 및 생산 시스템 분야의 최첨단 기술입니다.

YOLO26은 YOLOv10 개척한 엔드투엔드 NMS 설계를 YOLOv10 다음과 같은 몇 가지 핵심적인 혁신으로 이를 강화합니다:

MuSGD 최적화기: 대규모 언어 모델(LLM) 훈련(특히 Moonshot AI의 Kimi K2)에서 영감을 받아, YOLO26은 SGD Muon 최적화기의 하이브리드 방식을 사용합니다. 이로 인해 이전 세대보다 훨씬 더 안정적인 훈련 역학과 빠른 수렴 속도를 달성합니다.
DFL 제거: 분포 초점 손실(DFL)을 제거함으로써 YOLO26은 출력층 구조를 단순화합니다. 이는 CoreML ONNX 같은 형식으로의 내보내기를 ONNX 깔끔하게 만들어 저전력 에지 디바이스와의 호환성을 향상시킵니다.
성능: YOLO26은 이전 버전 대비 최대 43% 빠른 CPU 제공하여, 표준 노트북이나 라즈베리 파이 환경과 같이 전용 GPU가 없는 장치에 이상적인 선택입니다.
작업 특화 성능 향상: ProgLoss 및 STAL과 같은 특수 손실 함수를 포함하며, 이는 기존 탐지기의 일반적인 약점인 소형 물체 인식에서 현저한 개선을 제공합니다.

YOLO26에 대해 더 알아보기

사용 사례 권장 사항

Ultralytics 선택 시점 (권장)

실시간 애플리케이션: 자율주행 차량, 교통 모니터링, 스포츠 분석 등 낮은 지연 시간이 중요한 분야.
에지 배포: CPU 배터리 수명이 제한된 모바일 폰, 드론 또는 IoT 기기에서 실행됩니다.
멀티태스크 요구사항: 프로젝트에서 표준 바운딩 박스 외에도 세그멘테이션, 포즈 추정 또는 회전된 객체(OBB) 감지가 필요한 경우.

효율적 탐색을 고려해야 할 때

레거시 연구: 2019-2020년 시기의 학술 논문을 재현하는 경우, 특히 EfficientDet 아키텍처를 벤치마크 대상으로 삼은 논문을 재현하는 경우.
하드웨어 제약 조건 (특정): 레거시 하드웨어 가속기가 BiFPN 구조에 엄격히 최적화되어 현대적인 rep-vgg 또는 트랜스포머 기반 블록에 적응할 수 없는 극히 드문 경우.

결론

EfficientDet는 효율성 확대의 이정표였으나, 해당 분야는 진전을 이루었습니다. YOLOv10 는 NMS(네트워크-based Maximum Sum) NMS 물체 탐지가 가능함을 입증했으며, YOLO26은 이를 생산 환경에 완벽하게 적용했습니다. 속도, 정확도, 사용 편의성의 최적 균형을 추구하는 개발자에게 Ultralytics 확실한 선택입니다. 간소화된 아키텍처와 강력한 Ultralytics 생태계의 결합으로, 개념 구상부터 배포까지 그 어느 때보다 빠르게 진행할 수 있습니다.

모델 아키텍처에 대한 추가 정보를 원하시면 YOLOv8 YOLOv10 비교 자료를 확인하거나, Ultralytics 탐색하여 오늘 바로 훈련을 시작해 보세요.