YOLOv5와 EfficientDet 비교#
새로운 컴퓨터 비전 프로젝트를 시작할 때 적절한 신경망 아키텍처를 선택하는 일은 가장 중요한 결정 중 하나입니다. 이 가이드에서는 Ultralytics YOLOv5와 Google의 EfficientDet을 심층적으로 기술 비교합니다. 아키텍처, 성능 지표, 학습 생태계를 분석해 개발자와 연구자가 각자의 배포 환경에 가장 적합한 객체 탐지 모델을 찾도록 돕습니다.
EfficientDet은 복합 스케일링과 특징 융합에 새로운 개념을 도입했지만, YOLOv5는 직관적인 PyTorch 구현, 간소화된 사용자 경험, 속도와 정확도의 탁월한 균형을 통해 고성능 AI를 누구나 활용할 수 있게 하여 업계에 혁신을 가져왔습니다.
Ultralytics YOLOv5: 접근성이 뛰어난 업계 표준#
2020년 여름에 출시된 YOLOv5는 YOLO 계보의 중요한 전환점이 되었습니다. C 기반 Darknet 프레임워크에서 기본 PyTorch로 전환하면서, 모델을 신속하게 구축하고 학습하며 배포하려는 개발자가 가장 먼저 찾는 아키텍처로 자리 잡았습니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 문서: https://docs.ultralytics.com/models/yolov5
아키텍처 혁신#
YOLOv5는 원활한 머신러닝 라이프사이클을 우선시하는 고도로 최적화된 아키텍처로 잘 알려져 있습니다. 수정된 CSPDarknet53 백본과 Path Aggregation Network(PANet) 넥을 결합해 여러 공간 스케일에서 특징 전파를 크게 개선합니다.
주요 발전 사항은 다음과 같습니다.
- 모자이크 데이터 증강: 이 학습 기법은 서로 다른 학습 이미지 네 장을 하나의 모자이크로 결합합니다. 이를 통해 모델은 복잡한 공간적 맥락에서 객체를 식별하는 방법을 학습하고 소형 타깃 탐지 성능을 크게 높입니다.
- 앵커 박스 자동 학습: 학습을 시작하기 전에 YOLOv5는 사용자 지정 학습 데이터를 분석하고 k-means 클러스터링을 사용해 최적의 앵커 박스 크기를 자동으로 계산합니다.
- 메모리 효율성: YOLOv5는 대규모 Transformer 기반 모델과 비교해 학습과 추론 중 메모리 사용량이 훨씬 적어 소비자용 하드웨어에서도 원활하게 실행됩니다.
EfficientDet: 확장 가능한 객체 탐지#
2019년 Google Research가 소개한 EfficientDet은 확장 가능한 객체 탐지기 제품군을 제공하는 것을 목표로 했습니다. EfficientNet 이미지 분류 백본을 기반으로 하며 새로운 특징 융합 메커니즘을 도입했습니다.
- 저자: Mingxing Tan, Ruoming Pang, Quoc V. Le
- 조직: Google
- 날짜: 2019-11-20
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- 문서: https://github.com/google/automl/tree/master/efficientdet#readme
아키텍처 혁신#
EfficientDet의 핵심은 모델 확장과 특징 집계에 대한 체계적인 접근 방식입니다.
- BiFPN(양방향 특징 피라미드 네트워크): 정보를 위에서 아래로만 전달하는 기존 FPN과 달리, BiFPN은 학습 가능한 가중치를 도입해 입력 특징의 중요도를 학습함으로써 빠르고 간편한 멀티스케일 특징 융합을 구현합니다.
- 복합 스케일링: EfficientDet은 모든 백본, 특징 네트워크, 박스 및 클래스 예측 네트워크의 해상도, 깊이, 너비를 함께 확장해 경량 D0부터 대규모 D7까지 다양한 모델을 제공합니다.
EfficientDet은 TensorFlow 생태계와 AutoML 라이브러리에 크게 의존하는 반면, YOLOv5는 기본 PyTorch 환경에서 작동합니다. 따라서 많은 개발자가 더 직관적이고 Python다운, 디버깅하기 쉬운 워크플로를 경험할 수 있습니다.
성능 및 지표 비교#
이러한 모델을 비교할 때는 COCO 데이터셋과 같은 표준 벤치마크에서의 성능을 평가하는 것이 중요합니다. 아래 표에서는 모델 크기, 계산 요구량(FLOPs), 추론 속도 간의 상충 관계를 보여 줍니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
균형 잡힌 분석#
YOLOv5는 유연한 배포와 다양한 하드웨어 가속기와의 뛰어난 호환성이 강점입니다. T4 GPU에서 TensorRT 속도가 매우 빠른 점에 주목하세요. 이러한 특성 덕분에 YOLOv5는 대용량 비디오 분석과 실시간 추론 파이프라인에 매우 적합합니다. 또한 Ultralytics 생태계에서는 한 줄 명령으로 ONNX, CoreML, TensorRT와 같은 형식으로 내보낼 수 있습니다.
EfficientDet은 파라미터 효율성이 뛰어납니다. 파라미터 수가 같을 때 높은 평균 정밀도(mAP)를 달성하는 경우가 많습니다. 그러나 이러한 이론적 효율성이 항상 엣지 GPU의 실제 추론 속도 향상으로 이어지는 것은 아닙니다. BiFPN 계층의 복잡한 라우팅이 연산 처리량보다 메모리 대역폭에 영향을 받을 수 있기 때문입니다.
생태계와 사용 편의성#
Ultralytics 모델을 선택할 때 결정적인 장점은 이를 둘러싼 생태계입니다. YOLOv5는 대규모 커뮤니티 지원을 바탕으로 활발히 개발되고 철저하게 관리되는 리포지토리의 일부입니다.
Ultralytics Platform을 도입하면서 사용자는 데이터 수집부터 배포까지 원활하게 진행할 수 있습니다. 이 플랫폼은 자동 주석, 클라우드 학습, 모델 모니터링을 기본으로 지원합니다. 반면 EfficientDet을 학습하려면 기존 TensorFlow 객체 탐지 API의 복잡성을 다뤄야 하는 경우가 많아, 신속한 프로토타이핑을 하려는 사용자는 학습에 어려움을 겪을 수 있습니다.
또한 YOLOv5는 바운딩 박스 이외의 작업에도 활용할 수 있습니다. 지속적인 업데이트를 통해 Ultralytics 프레임워크는 인스턴스 세그멘테이션과 이미지 분류을 기본 지원하며, 여러 컴퓨터 비전 작업에 통합 API를 제공합니다.
적합한 사용 사례#
- 다음과 같은 경우 YOLOv5를 선택하세요: 신속한 프로토타이핑, 간편한 학습 경험, 고도로 최적화된 엣지 배포가 필요한 경우입니다. 드론, 소매 분석, 저지연성이 중요한 모바일 애플리케이션에 적합합니다.
- 다음과 같은 경우 EfficientDet을 선택하세요: Google Cloud/TensorFlow AutoML 환경 내에서만 작업하며, 엄격한 실시간 지연 시간 제약 없이 파라미터당 최대 정확도가 필요한 경우입니다.
차세대 모델: YOLO26 활용#
YOLOv5는 여전히 신뢰할 수 있는 모델이지만, 컴퓨터 비전 분야는 계속 발전하고 있습니다. 2026년에 최고 수준의 모델을 찾는 개발자에게 YOLO26은 Ultralytics 제품군의 새로운 정점입니다.
YOLOv8 및 YOLO11과 같은 이전 모델의 유산을 바탕으로 YOLO26은 획기적인 혁신을 도입합니다.
- 엔드투엔드 NMS 프리 설계: YOLO26의 선택적 일대일 헤드(
nms=False)는 비최대 억제 후처리가 필요하지 않도록 합니다. 이를 통해 지연 시간 편차를 크게 낮추고 배포 아키텍처를 간소화합니다. - CPU 추론 속도 최대 43% 향상: 엣지 AI에 맞춰 고도로 최적화된 이 모델은 전용 GPU가 없는 저전력 엣지 장치와 일반 CPU에서 전례 없는 속도를 제공합니다.
- MuSGD Optimizer: 대규모 언어 모델(LLM) 학습 기법에서 영감을 받은 SGD와 Muon의 하이브리드로, 매우 안정적인 학습과 빠른 수렴을 보장합니다.
- 고급 손실 함수: ProgLoss와 STAL을 통합해 소형 타깃 인식 성능을 크게 향상합니다. 이는 고고도 드론 이미지 분석과 로보틱스에 필수적입니다.
- DFL 제거: Distribution Focal Loss를 제거해 모델 내보내기 과정을 간소화하고 다양한 하드웨어 가속기와의 호환성을 더욱 높입니다.
Ultralytics 생태계의 다른 최신 아키텍처를 살펴보려는 사용자는 YOLOv10 또는 RT-DETR과 같은 모델도 비교해 볼 수 있습니다.
Ultralytics Python API는 이전 버전 및 이후 버전과의 호환성을 고려해 설계되었습니다. YOLOv5에서 YOLO26으로 업그레이드하려면 코드에서 모델 가중치 문자열만 바꾸면 됩니다!
코드 예제: 학습 및 추론#
Ultralytics 생태계의 탁월한 사용 편의성을 보여 주기 위해 최신 YOLO 모델을 학습하고 추론하는 방법을 소개합니다. 이 코드는 그대로 실행할 수 있으며, 데이터셋 다운로드, 학습 루프, 검증을 자동으로 처리합니다.
from ultralytics import YOLO
# 최신 모델을 불러옵니다(최신 아키텍처를 테스트하려면 'yolov5su.pt'를 'yolo26n.pt'로 바꾸세요!)
model = YOLO("yolov5su.pt") # YOLOv5u: ultralytics 패키지용 앵커 프리 YOLOv5 가중치
# COCO8 예제 데이터셋으로 모델을 20 에포크 동안 학습합니다
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)
# 웹의 이미지에서 추론을 실행합니다
inference_results = model("https://ultralytics.com/images/bus.jpg")
# 바운딩 박스가 표시된 이미지를 출력합니다
inference_results[0].show()Ultralytics는 사용자 경험을 우선시하고, 견고한 생태계를 유지하며, YOLO26과 같은 업데이트를 통해 가능성의 한계를 계속 넓혀 개발자가 현실의 시각 지능 문제를 해결하는 데 필요한 최상의 도구를 항상 사용할 수 있도록 합니다.