Ultralytics YOLOv10 YOLOv5: 실시간 객체 탐지의 진화

적절한 객체 탐지 모델을 선택하려면 아키텍처 효율성, 배포 제약 조건, 커뮤니티 지원 간의 균형을 고려해야 합니다. 이 포괄적인 비교는 YOLOv10(엔드투엔드 탐지의 학문적 돌파구)와 YOLOv5(컴퓨터 비전 분야에서 사용 편의성을 재정의한 전설적인 산업 표준) 간의 기술적 차이점을 살펴봅니다.

두 모델 모두 YOLO 중대한 도약을 보여줍니다. YOLOv5 사용자 경험과 신뢰성 측면에서 최고의 기준을 YOLOv5 반면, YOLOv10 추론 파이프라인에서 비최대 억제(NMS)를 제거함으로써 지연 시간의 한계를 YOLOv10 . 속도와 엔드투엔드 아키텍처 측면에서 최첨단을 추구하는 개발자들을 위해 새롭게 출시된 Ultralytics 이러한 기반 위에 구축되어 에지 디바이스에 대한 탁월한 최적화를 제공합니다.

성능 지표 비교

아래 표는 두 아키텍처 간의 성능 상충 관계를 보여줍니다. YOLOv10 더 높은 정확도(mAP)를 제공하며 NMS 제거하는 반면, YOLOv5 광범위한 배포 지원과 성숙도로 인해 YOLOv5 매우 경쟁력 있는 YOLOv5 .

YOLOv10: 종단 간 혁신가

YOLOv10 후처리 과정에서 비최대 억제(NMS)의 필요성을 제거함으로써 패러다임 전환을 YOLOv10 . 이를 통해 진정한 종단 간 배포가 가능해져 추론 지연 시간과 복잡성을 줄일 수 있습니다.

주요 아키텍처 기능

• NMS 훈련: NMS 훈련을 위해 일관된 이중 할당을 활용하여 모델이 직접 별개의 바운딩 박스를 예측할 수 있도록 합니다.
• 전체적 효율성 설계: 백본과 목과 같은 다양한 구성 요소를 최적화하여 계산적 중복을 줄입니다.
• 공간-채널 분리 다운샘플링: 특징 맵 축소 과정에서 정보 보존을 향상시킵니다.
• 순위 기반 블록 설계: 내재적 순위 분석을 기반으로 중복을 줄이기 위해 블록 단계를 적응적으로 조정합니다.

저자: 왕아오(王傲), 천후이(陈辉), 류리하오(刘立浩)외
소속기관:칭화대학교(清华大学)
날짜: 2024-05-23
링크:Arxiv | GitHub

10에 대해 자세히 알아보기

YOLOv5: 업계 표준

Ultralytics 출시된 YOLOv5 아키텍처뿐만 아니라 접근성 측면에서도 분야에 YOLOv5 . 이 모델은 원활한 '즉시 사용 가능한' 환경, 강력한 내보내기 기능, 그리고 방대한 지원 생태계를 최우선으로 삼았습니다.

주요 강점

• 성숙한 생태계: 방대한 문서, 튜토리얼, 커뮤니티 지원으로 문제 해결이 용이합니다.
• 광범위한 호환성: TFLite, CoreML, ONNX 및 TensorRT 대한 내보내기 지원으로 iOS 에지 TPU에 이르기까지 거의 모든 하드웨어에 배포가 TensorRT .
• 다용도성: 탐지와 함께 인스턴스 분할 및 이미지 분류에 대한 네이티브 지원.
• 훈련 안정성: 하이퍼파라미터 변동에 강건하며 다양한 맞춤형 데이터셋에서 안정적으로 수렴하는 것으로 알려져 있습니다.

저자: 글렌 조커
조직:Ultralytics
날짜: 2020-06-26
링크:GitHub | 문서

5에 대해 자세히 알아보기

상세 비교

아키텍처 및 학습

YOLOv10 트랜스포머(Transformer)와 유사한 최적화와 고급 채널별 구별력을 YOLOv10 적은 매개변수로 높은 정확도를 달성합니다. 일관된 이중 할당(consistent dual assignment) 전략을 통해 훈련 중 일대일 매칭을 학습할 수 있어 NMS 사항을 제거합니다.

YOLOv5 속도와 정확도의 균형을 위해 최적화된 PANet 목을 가진 고전적인 CSPDarknet 백본을 YOLOv5 . 앵커 기반 탐지를 사용하며, 독특한 데이터셋에서 최적의 성능을 내기 위해서는 신중한 앵커 박스 조정이 필요하지만, 자동 앵커 진화 기능이 대부분의 사용자를 위해 이를 자동으로 처리합니다.

사용 사례 및 실제 적용 사례

YOLOv10의 이상적인 시나리오:

• 고밀도 군중: NMS 많은 중첩된 박스로 인해 처리 속도가 느려지는 지점.
• 저지연 로봇공학: 제어 루프에서 일관된 추론 시간이 중요한 분야.
• 학술 연구: 종단간 탐지 메커니즘 및 레이블 할당 전략 연구를 위한.

YOLOv5의 이상적인 시나리오:

• 모바일 배포: TFLite CoreML 활용한 Android iOS 위한 검증된 파이프라인.
• 산업용 검사: 최첨단 mAP보다 장기적 안정성과 재현성이 더 중요한 분야
• 초보자 프로젝트: 컴퓨터 비전을 배우는 학생들에게 가장 쉬운 진입점.

사용 편의성 및 에코시스템

YOLOv5 Ultralytics 통합으로 YOLOv5 . 사용자는 Comet 훈련 실행을 시각화하고, track , 모델을 원활하게 배포할 수 있습니다. Ultralytics 데이터셋 관리 및 모델 훈련을 위한 코드 없는 인터페이스를 제공함으로써 이 과정을 더욱 간소화합니다.

YOLOv10 Python YOLOv10 익숙한 구문을 사용할 수 있지만, 주로 학술적 기여를 목적으로 합니다. 따라서 Ultralytics 핵심 Ultralytics YOLO11 이나 최첨단 YOLO26과 같은 Ultralytics 핵심 모델만큼 자주 업데이트되거나 깊이 유지보수되지 않을 수 있습니다.

코드 예시

두 모델 모두 통합된 Ultralytics 공유하므로 벤치마킹을 위해 모델 간 전환이 손쉽게 이루어집니다.

from ultralytics import YOLO

# Load a pretrained YOLOv10 model
model_v10 = YOLO("yolov10n.pt")

# Train YOLOv10 on a custom dataset
model_v10.train(data="coco8.yaml", epochs=100, imgsz=640)

# Load a pretrained YOLOv5 model (via the v8/v11/26 compatible loader)
model_v5 = YOLO("yolov5nu.pt")

# Train YOLOv5 using the modern Ultralytics engine
model_v5.train(data="coco8.yaml", epochs=100, imgsz=640)

결론: 어떤 것을 선택해야 할까?

최첨단 정확도와 지연 시간 일관성을 최우선으로 한다면, 특히 복잡한 장면에서, YOLOv10 이 탁월한 선택입니다. 이 모델의 혁신적인 아키텍처는 NMS(Neighborhood Multi-Scale) 없이도 작동하는 탐지 기술의 미래를 엿볼 수 있게 합니다.

그러나 광범위한 배포 가이드, 폭넓은 하드웨어 지원, 그리고 최대의 안정성을 갖춘 검증된 솔루션을 원하신다면, YOLOv5 은 여전히 강력한 성능을 발휘합니다.

개발자 여러분께 양쪽의 장점을 모두 누릴 수 있는 방법을 강력히 추천합니다.엔드투엔드 NMS 프리 추론, 탁월한 정확도, 그리고 Ultralytics 완벽한 지원을 원하신다면 YOLO26를 검토해 보시길 YOLOv10 권장합니다. YOLO26은 YOLOv10 개척한 NMS 없는 설계를 YOLOv10 MuSGD 최적화기와 최적화된 손실 함수를 통해 CPU 속도를 최대 43%까지 향상시켰습니다.

더 많은 모델 알아보기

• YOLO11: 이전 SOTA 세대로, 다양한 작업에 걸쳐 탁월한 다용도성을 제공합니다.
• RT-DETR: 변압기 기반 실시간 검출기로서 NMS 제거합니다.
• YOLO26: Ultralytics 최신이자 가장 진보된 모델로, 엔드투엔드 처리 및 에지 최적화 기능을 갖추고 있습니다.

댓글