YOLOv5와 EfficientDet 비교

새 컴퓨터 비전 프로젝트를 시작할 때 적합한 신경망 아키텍처를 선택하는 것은 가장 중요한 결정 중 하나입니다. 이 가이드에서는 Ultralytics YOLOv5와 Google의 EfficientDet을 심층적으로 기술 비교합니다. 아키텍처, 성능 지표, 학습 생태계를 분석해 개발자와 연구자가 특정 배포 환경에 가장 적합한 객체 감지 모델을 찾도록 돕습니다.

EfficientDet은 복합 스케일링과 특징 융합에 새로운 개념을 도입했지만, YOLOv5는 직관적인 PyTorch 구현, 간소화된 사용자 경험, 속도와 정확도의 뛰어난 균형을 바탕으로 고성능 객체 감지를 폭넓게 이용할 수 있도록 했습니다.

Ultralytics YOLOv5: 접근성이 뛰어난 업계 표준#

2020년 6월 출시된 YOLOv5는 YOLO 계보에서 중요한 전환점이 되었습니다. 이전 YOLO 버전에서 사용된 C 기반 Darknet 프레임워크 대신 PyTorch로 기본 구현되어, 모델을 빠르게 구축하고 학습하며 배포하려는 개발자들이 선호하는 아키텍처가 되었습니다.

아키텍처 혁신#

YOLOv5는 최적화된 아키텍처와 간소화된 머신러닝 수명 주기로 잘 알려져 있습니다. 수정된 CSPDarknet53 백본과 Path Aggregation Network(PANet) 넥을 결합해 여러 공간 규모에 걸친 특징 전파를 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 공간 맥락에서 객체를 식별하는 방법을 학습하고 소형 객체 감지 능력을 향상합니다.
  • 자동 학습 앵커 박스: 학습을 시작하기 전에 YOLOv5는 커스텀 학습 데이터를 분석하고 k-means 클러스터링을 사용해 최적의 앵커 박스 차원을 자동으로 계산합니다.
  • 메모리 효율성: YOLOv5는 무거운 Transformer 기반 모델보다 학습과 추론 중 메모리 사용량이 적어 일반 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.

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 가장 큰 D7까지 다양한 모델을 생성합니다.

EfficientDet에 대해 자세히 알아보기

프레임워크의 차이

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.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

균형 잡힌 분석#

YOLOv5는 배포 유연성과 하드웨어 가속 호환성이 뛰어납니다. 비슷한 정확도에서 T4 TensorRT 속도는 EfficientDet보다 훨씬 빠릅니다. 예를 들어 YOLOv5m은 4.03 ms에 45.4 mAP를 달성하는 반면, EfficientDet-d2는 10.92 ms에 43.0 mAP를 기록합니다. 따라서 YOLOv5는 처리량이 높은 비디오 분석과 실시간 추론 파이프라인에 적합합니다. 또한 Ultralytics 생태계에서는 ONNX, CoreML, TensorRT와 같은 형식으로 한 줄 명령만으로 내보낼 수 있습니다.

EfficientDet은 뛰어난 파라미터 효율성을 제공합니다. 파라미터 수가 같을 때 높은 평균 정밀도(mAP)를 기록하는 경우가 많습니다. 그러나 BiFPN 레이어의 복잡한 라우팅은 연산보다 메모리 대역폭에 병목이 생길 수 있으므로, 파라미터 효율성이 GPU에서 더 빠른 실제 추론 시간으로 항상 이어지는 것은 아닙니다.

생태계와 사용 편의성#

Ultralytics 모델을 선택할 때의 핵심적인 장점은 이를 뒷받침하는 생태계에 있습니다. YOLOv5는 대규모 커뮤니티를 보유하고 활발하게 유지 관리되는 리포지토리의 일부입니다.

Ultralytics Platform이 도입되면서 사용자는 데이터 수집부터 배포까지 한곳에서 진행할 수 있습니다. 플랫폼은 자동 주석, 클라우드 학습, 모델 모니터링을 지원합니다. 반면 EfficientDet을 학습하려면 오래된 TensorFlow 객체 감지 API의 복잡성을 다뤄야 하는 경우가 많아 빠른 프로토타이핑에 필요한 학습 부담이 클 수 있습니다.

또한 YOLOv5의 다목적성은 바운딩 박스에만 국한되지 않습니다. 이후 릴리스에서 YOLOv5 리포지토리는 인스턴스 분할(v7.0)과 이미지 분류(v6.2)를 추가해 여러 컴퓨터 비전 작업을 지원하는 통합 코드베이스를 제공했습니다.

적합한 사용 사례#

  • 다음과 같은 경우 YOLOv5를 선택하세요: 신속한 프로토타이핑, 간단한 학습 경험, 최적화된 엣지 배포가 필요합니다. 지연 시간이 중요한 드론, 리테일 분석, 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 실전형 모델이지만 컴퓨터 비전 분야는 발전했습니다. 2026년에 새 프로젝트를 시작하는 개발자에게 YOLO26은 최신 Ultralytics 모델이자 권장 모델입니다.

YOLOv8 및 YOLO11과 같은 이전 모델의 유산을 이어받은 YOLO26은 여러 혁신 사항을 도입합니다:

  • 종단 간 NMS 없는 설계: YOLO26의 선택형 일대일 헤드(nms=False)는 비최대 억제 후처리의 필요성을 없앱니다. 이를 통해 지연 시간 편차를 줄이고 배포 아키텍처를 단순화합니다.
  • CPU 추론 최대 43% 향상: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 전용 GPU가 없는 표준 CPU와 저전력 엣지 AI 장치에 유리합니다.
  • MuSGD Optimizer: 대규모 언어 모델(LLM) 학습 기법에서 영감을 얻은 SGD와 Muon의 하이브리드로, 안정적인 학습과 빠른 수렴을 지원합니다.
  • 고급 학습 전략: ProgLoss와 STAL을 통합해 소형 객체 인식 성능을 향상합니다. 이는 고고도 드론 이미지와 로보틱스에 필수적입니다.
  • DFL 제거: Distribution Focal Loss를 제거해 모델 내보내기 과정을 간소화하고 다양한 하드웨어 가속기와의 호환성을 높입니다.

Ultralytics 생태계의 다른 최신 아키텍처를 살펴보려는 사용자는 YOLOv10 또는 RT-DETR과 같은 모델도 비교해 볼 수 있습니다.

간편한 마이그레이션

Ultralytics Python API는 모델 세대에 관계없이 동일한 인터페이스를 사용합니다. ultralytics 패키지에서 YOLOv5u 가중치를 사용하는 경우 코드에서 모델 가중치 문자열만 변경하면 YOLO26으로 간단히 업그레이드할 수 있습니다. 원래 YOLOv5 리포지토리 기반 프로젝트는 먼저 ultralytics 패키지로 전환해야 합니다.

코드 예제: 학습 및 추론#

다음은 Ultralytics 패키지에서 YOLO 모델을 학습하고 추론을 실행하는 방법입니다. 이 코드는 별도 수정 없이 실행되며 데이터셋 다운로드, 학습 루프, 검증을 자동으로 처리합니다.

from ultralytics import YOLO

# YOLOv5u 모델을 불러옵니다(최신 아키텍처를 사용하려면 '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 생태계를 유지 관리하며 YOLO26과 같은 업데이트를 출시해 개발자에게 실제 비전 AI 과제를 해결할 최신 도구를 제공합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.