YOLOv10 vs. YOLOv5: 상세 기술 비교
올바른 객체 감지 모델을 선택하는 것은 모든 컴퓨터 비전 프로젝트에 매우 중요하며, 성능은 애플리케이션 성공에 직접적인 영향을 미칩니다. You Only Look Once (YOLO) 모델 제품군은 속도와 정확도로 유명합니다. 이 페이지에서는 칭화대학교의 최첨단 모델인 YOLOv10과 다재다능하고 널리 채택된 업계 표준인 Ultralytics YOLOv5 간의 자세한 기술 비교를 제공합니다. 이 분석은 개발자와 연구원이 특정 요구 사항에 따라 정보에 입각한 결정을 내리는 데 도움이 됩니다.
YOLOv10: 최첨단 실시간 감지기
YOLOv10은 NMS(Non-Maximum Suppression) 후처리 필요성을 제거하여 진정한 엔드 투 엔드 효율성을 달성하는 데 중점을 둔 실시간 객체 감지의 중요한 발전입니다.
기술 세부 사항:
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- Organization: Tsinghua University
- 날짜: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- 문서: https://docs.ultralytics.com/models/yolov10/
아키텍처 및 주요 기능
YOLOv10은 속도-정확도 절충의 경계를 넓히기 위해 여러 아키텍처 혁신을 도입했습니다. arXiv 논문에 자세히 설명되어 있듯이 핵심 기능은 다음과 같습니다.
- NMS-Free 학습: 학습 중에 일관된 이중 할당을 사용하여 모델이 NMS 단계 없이 깔끔한 예측을 생성할 수 있도록 합니다. 이 혁신은 배포 파이프라인을 단순화하고 추론 지연 시간을 줄여 많은 실시간 시스템에서 중요한 병목 현상을 해결합니다.
- 전체적인 효율성-정확도 설계: 모델 아키텍처는 백본부터 Neck, Head까지 포괄적으로 최적화되었습니다. 여기에는 경량 분류 헤드와 공간-채널 분리 다운샘플링이 포함되어 계산 중복성을 줄이고 모델 성능을 향상시킵니다.
- Anchor-Free 감지: 많은 최신 검출기와 마찬가지로 YOLOv10은 앵커 프리 방식을 사용하여 아키텍처를 간소화하고 다양한 객체 크기와 종횡비에 대한 일반화를 향상시킵니다.
강점과 약점
강점:
- 탁월한 속도 및 효율성: 실시간 추론에 최적화되어 짧은 지연 시간 요구 사항에 중요한 더 빠른 처리를 제공합니다.
- NMS-Free 아키텍처: NMS 사후 처리를 제거하여 배포를 간소화하고 전체 추론 시간을 줄입니다.
- 높은 정확도와 더 적은 파라미터: 더 작은 모델 크기로 경쟁력 있는 정확도를 달성하여 리소스가 제한된 환경에 매우 적합합니다.
- End-to-End 배포: 원활한 end-to-end 배포를 위해 설계되었으며, 이는 프로덕션 시스템에 상당한 이점입니다.
- Ultralytics 통합: 외부에서 개발되었지만 YOLOv10은 Ultralytics 생태계에 잘 통합되어 학습, 유효성 검사 및 추론을 위한 간단한 Python 및 CLI 인터페이스의 이점을 누릴 수 있습니다.
약점:
- 더 새로운 모델: 최근에 릴리스된 모델이므로, 커뮤니티 지원 및 타사 통합 수는 YOLOv5와 같은 기존 모델에 비해 아직 개발 중일 수 있습니다.
- 최적화 복잡성: 최고 성능을 달성하려면 특정 하드웨어 및 데이터 세트에 대한 특정 미세 조정 및 최적화가 필요할 수 있으며, 이는 더 성숙한 모델보다 더 복잡할 수 있습니다.
사용 사례
YOLOv10은 매우 빠르고 효율적인 객체 감지가 필요한 애플리케이션에서 뛰어납니다.
- 고속 로봇 공학: 역동적인 환경에서 로봇을 위한 실시간 시각적 처리를 가능하게 하며, 이는 로봇 공학의 미래에서 핵심 구성 요소입니다.
- 첨단 운전자 보조 시스템(ADAS): 향상된 도로 안전을 위해 빠른 객체 감지를 제공하여 자율 주행 자동차의 AI와 같은 솔루션을 보완합니다.
- 실시간 비디오 분석: 즉각적인 통찰력을 위해 높은 프레임 속도의 비디오를 처리하며, 교통 관리와 같은 애플리케이션에 유용합니다.
Ultralytics YOLOv5: 다재다능하고 널리 채택된 모델
Ultralytics YOLOv5는 뛰어난 속도, 정확성 및 놀라운 사용 편의성으로 알려진 업계 표준이 되었습니다. 출시 이후 수천 명의 개발자와 연구자들에게 가장 많이 사용되는 모델입니다.
기술 세부 사항:
- 작성자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 문서: https://docs.ultralytics.com/models/yolov5/
아키텍처 및 주요 기능
PyTorch를 기반으로 구축된 YOLOv5는 특징 집계를 위해 CSPDarknet53 백본과 PANet 넥을 활용합니다. 이 아키텍처는 매우 확장 가능하며 다양한 계산 예산에 맞게 다양한 크기(n, s, m, l, x)로 제공됩니다. 인기의 주요 원인은 Ultralytics에서 제공하는 간소화된 사용자 경험이며, 여기에는 다음이 포함됩니다.
- 간단하고 일관된 API: 훈련, 유효성 검사 및 추론을 위한 간단한 인터페이스입니다.
- Extensive Documentation: 사용자 정의 데이터 학습부터 배포에 이르기까지 모든 것을 다루는 포괄적인 가이드 및 튜토리얼입니다.
- 통합된 생태계: 코드 없는 훈련 및 MLOps 관리를 위한 Ultralytics HUB와 같은 도구를 포함하여 Ultralytics 생태계 내에서 완벽하게 지원됩니다.
강점과 약점
강점:
- 탁월한 사용 편의성: 간단한 API, 포괄적인 문서 및 원활한 통합으로 유명하여 초보자와 전문가 모두가 쉽게 접근할 수 있습니다.
- 성숙하고 강력한 에코시스템: 대규모 활성 커뮤니티, 빈번한 업데이트, 즉시 사용 가능한 사전 훈련된 가중치 및 광범위한 리소스의 이점을 누릴 수 있습니다.
- 성능 균형: 속도와 정확성 사이에서 뛰어난 균형을 제공하므로 광범위한 실제 애플리케이션에 실용적인 선택입니다.
- 학습 효율성: 효율적인 학습 프로세스, 많은 복잡한 아키텍처에 비해 더 낮은 메모리 요구 사항, 사전 학습된 가중치를 사용한 더 빠른 수렴으로 알려져 있습니다.
- 다양성: 인스턴스 분할(instance segmentation) 및 이미지 분류(image classification)를 포함하여 객체 탐지 이상의 여러 작업을 지원합니다.
약점:
- Anchor-Based Detection: 앵커 박스에 의존하며, 기존에 없던 객체 모양을 가진 데이터 세트에서 최적의 성능을 위해 튜닝이 필요한 경우가 있습니다.
- 정확도 절충: 성능은 매우 뛰어나지만, 더 작은 YOLOv5 모델은 속도를 우선시하며 YOLOv10과 같은 최신 아키텍처는 표준 벤치마크에서 더 높은 mAP 점수를 달성할 수 있습니다.
사용 사례
YOLOv5는 다재다능함과 효율성 덕분에 매우 다양한 영역에 적합합니다.
- Edge Computing: 속도와 더 작은 모델 크기 덕분에 Raspberry Pi 및 NVIDIA Jetson과 같은 장치에 배포하는 데 적합합니다.
- 산업 자동화: 제조 분야에서 품질 관리 및 공정 자동화에 널리 사용됩니다.
- 보안 및 감시: 보안 시스템 및 공공 안전 애플리케이션에서 실시간 모니터링에 이상적입니다.
- 모바일 애플리케이션: 리소스 소비가 주요 관심사인 장치 내 객체 감지 작업에 적합합니다.
정면 대결: 성능 분석
아래 표는 COCO 데이터 세트에서 벤치마킹된 다양한 YOLOv10 및 YOLOv5 모델 변형에 대한 자세한 비교를 제공합니다. 지표는 정확도(mAP), 추론 속도 및 모델 복잡성(파라미터 및 FLOP) 간의 절충점을 강조합니다.
| 모델 | 크기 (픽셀) |
mAPval 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 | - | 12.20 | 56.9 | 160.4 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
데이터에서 YOLOv10 모델이 YOLOv5 모델에 비해 훨씬 적은 파라미터와 FLOP으로 일관되게 더 높은 mAP 점수를 달성한다는 것을 알 수 있습니다. 예를 들어, YOLOv10-S는 파라미터가 약 1/3에 불과하면서도 정확도(46.7 vs. 45.4 mAP)에서 YOLOv5-m을 능가합니다. 이는 YOLOv10의 뛰어난 아키텍처 효율성을 보여줍니다.
그러나 Ultralytics YOLOv5는 특히 특정 하드웨어의 추론 속도와 관련하여 강력한 위치를 유지합니다. YOLOv5n 모델은 CPU와 T4 GPU 모두에서 놀라운 속도를 보여주므로 모든 밀리초가 중요하고 리소스가 매우 제한적인 애플리케이션에 탁월한 선택입니다.
결론: 어떤 모델을 선택해야 할까요?
YOLOv10과 Ultralytics YOLOv5는 모두 뛰어난 모델이지만, 서로 다른 우선순위를 충족합니다.
YOLOv10은 성능과 효율성의 한계를 뛰어넘어야 하는 개발자와 연구자에게 이상적인 선택입니다. NMS-free 아키텍처는 대기 시간에 민감한 애플리케이션에서 실질적인 이점을 제공하며, 더 작은 모델 footprint으로 높은 정확도를 제공하는 능력은 에지 장치 배포에 획기적인 변화를 가져옵니다. 프로젝트에서 최고의 속도-정확도 균형이 필요하고 최신 진화하는 모델에 익숙하다면 YOLOv10은 매력적인 옵션입니다.
Ultralytics YOLOv5는 특히 사용 편의성, 빠른 개발, 그리고 안정적이고 잘 지원되는 생태계를 우선시하는 대부분의 사용자에게 권장되는 선택입니다. 입증된 실적, 광범위한 문서, 그리고 Ultralytics HUB와 같은 도구와의 원활한 통합은 접근성을 매우 높입니다. 성능의 환상적인 균형을 갖춘 안정적이고 다재다능하며 배포하기 쉬운 모델이 필요한 프로젝트의 경우 YOLOv5는 탁월하고 신뢰할 수 있는 선택입니다.
궁극적으로 결정은 프로젝트의 특정 제약 조건과 목표에 따라 달라집니다. 최첨단 효율성을 위해서는 YOLOv10을 살펴보십시오. 강력하고 사용자 친화적이며 다재다능한 솔루션을 원한다면 Ultralytics YOLOv5를 능가하기는 어렵습니다.
다른 YOLO 모델 살펴보기
YOLO 환경은 끊임없이 진화하고 있습니다. YOLOv10 및 YOLOv5를 넘어 더 많은 것을 탐색하는 데 관심이 있는 분들을 위해 Ultralytics는 다양한 강력한 모델을 제공합니다. 다양한 비전 작업에 대한 지원을 통해 뛰어난 성능과 다재다능함의 균형을 제공하는 Ultralytics YOLOv8 또는 최첨단 결과를 위한 최신 YOLO11을 확인해 보십시오.
귀하의 필요에 가장 적합한 모델을 선택하는 데 도움이 되는 추가 비교 자료를 제공합니다.
