YOLOv10과 YOLOv7: 상세 비교
컴퓨터 비전 프로젝트에서 올바른 물체 감지 모델을 선택하는 것은 매우 중요합니다. Ultralytics YOLO 다양한 요구 사항에 맞는 다양한 모델을 제공합니다. 이 페이지에서는 객체 감지 작업에 널리 사용되는 두 가지 모델인 YOLOv10과 YOLOv7의 기술적 비교를 제공합니다. 아키텍처, 성능 메트릭, 이상적인 애플리케이션을 분석하여 정보에 입각한 결정을 내릴 수 있도록 도와드립니다.
| 모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 T4TensorRT10 (ms) |
매개변수 (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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
YOLOv10
칭화대학교 연구진이 2024년 5월에 발표한 YOLOv10은 실시간 객체 감지의 최첨단을 대표하는 기술입니다. 아카이브 논문'YOLOv10: 실시간 엔드투엔드 객체 감지'에 자세히 설명되어 있는 Ao Wang, Hui Chen, Lihao Liu 등은 효율성과 정확성에 중점을 둔 중요한 발전으로 YOLOv10을 소개합니다. 공식 구현은 GitHub에서 확인할 수 있습니다. YOLOv10은 엔드투엔드 배포를 위해 설계되어 이전 YOLO 버전의 비최대 억제(NMS)에 대한 의존도를 해결합니다.
아키텍처 및 주요 기능:
YOLOv10은 속도 향상과 계산 중복성 감소를 목표로 하는 몇 가지 아키텍처 혁신을 자랑합니다. 주요 기능으로는 앵커 없는 접근 방식과 NMS 없는 설계, 후처리 간소화 및 추론 가속화가 있습니다. 이 모델은 전체적인 효율성-정확성 중심의 설계 전략을 채택하여 다양한 구성 요소를 최적화하여 오버헤드를 최소화하고 기능을 극대화합니다. 그 결과 더 빠를 뿐만 아니라 경쟁력 있는 정확도를 유지하여 엣지 디바이스 및 실시간 애플리케이션에 적합한 모델이 탄생했습니다.
성능 지표 및 벤치마크:
비교 표에서 볼 수 있듯이, YOLOv10 모델, 특히 YOLOv10n과 YOLOv10s 변형은 각각 1.56ms와 2.66ms를 달성하여 TensorRT 인상적인 추론 속도를 제공합니다. YOLOv10n은 단 2.3m의 파라미터와 6.7B FLOPs로 39.5의 mAPval50-95를 달성하며, YOLOv10x는 54.4의 mAPval50-95에 도달합니다. 이러한 지표는 최적화된 컴퓨팅 리소스로 최첨단 성능을 제공하는 YOLOv10의 능력을 강조합니다. YOLO 성능 메트릭에 대해 더 자세히 알아보려면 YOLO 성능 메트릭에 대한 Ultralytics 설명서를 참조하세요.
사용 사례:
실시간 성능과 효율성에 중점을 둔 YOLOv10은 제한된 컴퓨팅 리소스로 물체를 빠르게 감지해야 하는 애플리케이션에 이상적입니다. 적합한 사용 사례는 다음과 같습니다:
- 엣지 AI 애플리케이션: 스마트 카메라 및 IoT 디바이스와 같은 시나리오에서 실시간 처리를 위해 엣지 디바이스에 배포합니다.
- 로보틱스: 로봇 공학에서의 AI의 역할에서 설명한 대로 로봇 시스템의 탐색 및 상호 작용을 위해 더 빠르고 효율적인 객체 인식을 지원합니다.
- 자율 시스템: 안전하고 효과적인 작동을 위해 짧은 지연 시간이 중요한 자율 주행 차량 및 드론의 애플리케이션.
- 모바일 및 임베디드 시스템: 컴퓨팅 성능이 제한된 모바일 애플리케이션 및 임베디드 시스템에서의 객체 감지.
강점:
- 높은 효율성: NMS를 사용하지 않는 설계와 최적화된 아키텍처로 추론 속도가 빨라지고 지연 시간이 단축됩니다.
- 경쟁력 있는 정확도: 강력한 정확도를 유지하면서 속도를 크게 향상시킵니다.
- 엔드투엔드 배포: 원활한 엔드투엔드 실시간 객체 감지를 위해 설계되었습니다.
- 더 작은 모델 크기: 효율적인 아키텍처로 인해 이전 모델에 비해 모델 크기가 작아지고 매개변수 수가 줄어듭니다.
약점:
- 비교적 새로운 모델: 새로운 모델인 YOLOv10은 YOLOv7과 같은 기존 모델에 비해 커뮤니티가 더 작고 배포 사례가 적을 수 있습니다.
- 성능 튜닝: 최적의 성능을 달성하려면 모델 트레이닝 팁에 자세히 설명된 대로 다양한 모델 크기와 구성으로 미세 조정 및 실험을 수행해야 할 수 있습니다.
YOLOv7
2022년 7월 왕치엔야오, 알렉세이 보흐코브스키, 홍위안 마크 리아오가 소개한 YOLOv7은 효율성과 정확성으로 호평을 받고 있는 객체 감지 모델입니다. 이 모델은 아카이브 논문"YOLOv7: 훈련 가능한 공짜 가방으로 실시간 객체 감지기의 새로운 지평을 열다"에 자세히 설명되어 있으며, 공식 GitHub 리포지토리에서 구현 세부 사항을 확인할 수 있습니다. YOLOv7은 이전 YOLO 버전을 기반으로 구축되었으며, 계산 비용을 크게 늘리지 않고 성능을 극대화하기 위해 아키텍처 개선 사항을 통합했습니다.
아키텍처 및 주요 기능:
YOLOv7은 성능과 효율성을 향상시키기 위해 몇 가지 아키텍처 혁신을 통합했습니다. 주요 기능은 다음과 같습니다:
- 확장된 효율적인 계층 집계 네트워크(E-ELAN): 네트워크의 학습 기능과 그라데이션 흐름을 향상시킵니다.
- 연결 기반 모델을 위한 모델 스케일링: 효과적인 깊이 및 너비 스케일링에 대한 가이드라인을 제공합니다.
- 보조 헤드 및 굵고 미세한 리드 헤드: 훈련 효율성과 감지 정확도를 향상시킵니다.
이러한 기능은 속도와 정확도 측면에서 최첨단 결과를 얻을 수 있는 YOLOv7의 능력에 기여하여 다양한 물체 감지 작업에 강력한 선택이 될 수 있습니다.
성능 지표 및 벤치마크:
YOLOv7은 속도와 정확도 사이의 강력한 균형을 보여줍니다. 표에서 볼 수 있듯이, YOLOv7l은 51.4의 mAPval50-95를 달성하고, YOLOv7x는 53.1의 mAPval50-95에 도달합니다. TensorRT 추론 속도에서는 YOLOv10n 및 YOLOv10s보다 약간 느리지만, 특히 더 큰 YOLOv7 모델 크기를 고려하면 여전히 경쟁력 있는 성능을 제공합니다. 자세한 메트릭은 YOLOv7 설명서를 참조하세요.
사용 사례:
정확성과 효율성이 균형을 이룬 YOLOv7은 실시간 시나리오에서 신뢰할 수 있는 물체 감지가 필요한 애플리케이션에 적합합니다. 이상적인 사용 사례는 다음과 같습니다:
- 자율주행 차량: 자율 주행 차량: 자율 주행 차량의 AI에 필수적인 복잡한 주행 환경에서의 강력한 물체 감지.
- 고급 감시 시스템: 보안 시스템에서 잠재적인 보안 위협을 식별하는 높은 정확도.
- 로봇 공학: 로봇 공학에서 조작 및 탐색을 위한 정밀한 물체 인식, YOLOv10과 유사하지만 특정 시나리오에서 정확도를 높일 수 있습니다.
- 산업 자동화: 정확성이 가장 중요한 제조 공정의 품질 관리 및 결함 감지.
강점:
- 높은 맵: 높은 평균 정밀도를 달성하여 뛰어난 물체 감지 정확도를 나타냅니다.
- 효율적인 추론: 실시간 애플리케이션에 적합한 빠른 추론을 위해 설계되었습니다.
- 잘 정립되고 성숙한: YOLOv7은 더 큰 커뮤니티와 광범위한 사용으로 더 많은 리소스와 지원을 제공합니다.
- 관리 가능한 모델 크기: 모델 크기와 성능 간에 적절한 균형을 제공합니다.
약점:
- 복잡성: 아키텍처가 일부 단순한 모델보다 복잡하여 미세 조정 및 최적화를 위해 더 많은 전문 지식이 필요할 수 있습니다.
- 나노 모델에 비해 리소스 집약적입니다: 효율적이기는 하지만, 특히 리소스가 극도로 제한된 환경에서는 YOLOv10n과 같은 소형 모델보다 계산 집약적입니다.
기타 YOLO 모델
Ultralytics YOLOv10과 YOLOv7 외에도 각각 고유한 강점을 지닌 다양한 YOLO 모델을 제공합니다. 다음을 살펴보세요. YOLOv8 다재다능하고 사용자 친화적인 옵션, 네트워크 아키텍처의 발전을 위한 YOLOv9, 그리고 YOLO11 을 살펴보세요. YOLOv7을 다음과 같은 다른 모델과 비교할 수도 있습니다. YOLOv5 및 YOLOX와 같은 다른 모델과 비교하여 구체적인 장단점을 파악할 수도 있습니다.
