콘텐츠로 건너뛰기

YOLOv5 vs. EfficientDet: 상세 기술 비교

이 페이지에서는 두 가지 영향력 있는 객체 감지 모델인 Ultralytics YOLOv5와 Google의 EfficientDet 간의 포괄적인 기술 비교를 제공합니다. 두 모델 모두 고성능을 위해 설계되었지만 서로 다른 연구 철학과 아키텍처 설계를 가지고 있습니다. 아키텍처, 성능 지표 및 이상적인 사용 사례의 주요 차이점을 자세히 분석하여 귀사의 컴퓨터 비전 프로젝트에 가장 적합한 모델을 선택하는 데 도움을 드립니다.

Ultralytics YOLOv5: 다재다능하고 널리 채택된 모델

작성자: Glenn Jocher
조직: Ultralytics
날짜: 2020-06-26
GitHub: https://github.com/ultralytics/yolov5
Docs: https://docs.ultralytics.com/models/yolov5/

Ultralytics YOLOv5는 뛰어난 속도, 정확성 및 사용 편의성으로 인해 빠르게 업계 표준이 된 단일 스테이지 객체 감지기입니다. PyTorch로 완전히 구축되었으며, 아키텍처는 CSPDarknet53 백본, 효과적인 특징 집계를 위한 PANet 넥, 효율적인 앵커 기반 감지 헤드를 특징으로 합니다. YOLOv5는 나노(n)에서 엑스트라 라지(x)까지 다양한 모델을 제공하여 개발자가 특정 계산 및 성능 요구 사항에 맞는 완벽한 절충안을 선택할 수 있도록 매우 확장 가능합니다.

강점

  • 탁월한 속도: YOLOv5는 빠른 추론에 매우 최적화되어 있어 실시간 애플리케이션에 널리 사용되며, 비디오 감시와 같이 짧은 지연 시간이 중요한 경우에 특히 유용합니다.
  • 사용 편의성: 주요 장점은 간소화된 사용자 경험입니다. 간단한 Python API 및 CLI, 광범위한 문서 및 간단한 학습 워크플로우를 통해 YOLOv5는 사용자 정의 객체 감지에 대한 진입 장벽을 크게 낮춥니다.
  • 잘 관리되는 에코시스템: YOLOv5는 활발한 개발, 대규모의 유용한 커뮤니티, 잦은 업데이트, 그리고 노코드 모델 학습 및 관리를 위한 Ultralytics HUB와 같은 강력한 도구를 포함하는 강력한 Ultralytics 에코시스템에 의해 지원됩니다.
  • 학습 효율성: 이 모델은 효율적인 학습을 위해 설계되었으며, COCO와 같은 데이터 세트에 대해 즉시 사용 가능한 사전 학습된 가중치와 더 빠른 수렴 시간의 이점을 누릴 수 있습니다. 또한 트랜스포머와 같은 더 복잡한 아키텍처에 비해 학습 및 추론 중에 더 낮은 메모리 요구 사항을 가집니다.
  • 다재다능함: YOLOv5는 객체 감지 외에도 인스턴스 분할 및 이미지 분류와 같은 작업을 지원하여 단일 프레임워크 내에서 유연한 솔루션을 제공합니다.

약점

  • 매우 정확하지만 더 큰 EfficientDet 모델은 특히 매우 작은 객체를 감지할 때 학술 벤치마크에서 더 높은 mAP 점수를 달성할 수 있습니다.
  • 미리 정의된 앵커 상자에 대한 의존성으로 인해 최적의 성능을 얻으려면 일반적이지 않은 객체 모양과 크기를 가진 데이터 세트에 대한 조정이 필요할 수 있습니다.

이상적인 사용 사례

YOLOv5에 대해 자세히 알아보세요

EfficientDet: 확장 가능하고 효율적인 아키텍처

작성자: Mingxing Tan, Ruoming Pang, and Quoc V. Le
기관: Google
날짜: 2019-11-20
Arxiv: https://arxiv.org/abs/1911.09070
GitHub: https://github.com/google/automl/tree/master/efficientdet
Docs: https://github.com/google/automl/tree/master/efficientdet#readme

Google Brain 팀에서 개발한 EfficientDet은 확장 가능하고 효율적인 객체 감지기 제품군을 도입했습니다. 주요 혁신으로는 고효율 EfficientNet을 백본으로 사용하고, 빠른 다중 스케일 특징 융합을 위한 새로운 Bi-directional Feature Pyramid Network (BiFPN)와 복합 스케일링 방법이 있습니다. 이 방법은 모델의 깊이, 너비 및 해상도를 균일하게 조정하여 다양한 컴퓨팅 예산에 최적화된 다양한 모델(D0-D7)을 만들 수 있습니다.

강점

  • 높은 정확도 및 효율성: EfficientDet 모델은 출시 당시 다른 모델에 비해 더 적은 파라미터와 FLOPs로 최첨단 정확도를 달성하는 것으로 알려져 있습니다.
  • 확장성: 복합 스케일링 방식은 모델을 확장하거나 축소할 수 있는 명확한 경로를 제공하므로 모바일에서 클라우드 서버에 이르기까지 다양한 하드웨어 제약 조건에 적응할 수 있습니다.
  • 효과적인 특징 융합: BiFPN은 가중치가 적용된 양방향 연결을 통합하여 더욱 풍부한 특징 융합을 가능하게 하며, 이는 높은 정확도에 기여합니다.

약점

  • 더 느린 추론 속도: 파라미터 효율성에도 불구하고 EfficientDet은 일반적으로 YOLOv5보다 느리며, 특히 실제 배포 시나리오에서 그렇습니다. 이로 인해 실시간 성능이 필요한 애플리케이션에는 적합하지 않습니다.
  • 복잡성: 아키텍처, 특히 BiFPN은 YOLOv5의 간단한 설계보다 더 복잡합니다. 이로 인해 개발자가 이해하고 사용자 정의하고 디버깅하기가 더 어려울 수 있습니다.
  • 낮은 통합된 생태계: Google의 지원을 받지만, 오픈 소스 저장소는 Ultralytics 생태계만큼 적극적으로 유지 관리되거나 사용자 친화적이지 않습니다. MLOps 라이프사이클을 단순화하는 광범위한 문서, 튜토리얼 및 통합 도구가 부족합니다.

이상적인 사용 사례

  • 최대 정확도가 가장 중요한 고해상도 이미지의 오프라인 분석.
  • 미묘한 이상 징후를 감지하기 위한 의료 영상 분석.
  • 배치 추론이 가능한 제조 분야의 고정밀 품질 관리.
  • 정확도가 주요 지표인 학술 연구 및 벤치마킹.

EfficientDet에 대해 자세히 알아보세요.

성능 및 벤치마크: 직접 비교

YOLOv5와 EfficientDet 중 선택은 종종 속도와 정확성 사이의 균형 문제로 귀결됩니다. 다음 표와 분석은 COCO val2017 데이터 세트에서 이들의 성능을 명확하게 비교합니다.

모델 크기
(픽셀)		 mAPval
50-95		 속도
CPU ONNX
(ms)		 속도
T4 TensorRT10
(ms)		 파라미터
(M)		 FLOPs
(B)
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
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

이 표는 두 모델의 서로 다른 설계 우선 순위를 명확하게 보여줍니다. EfficientDet 모델, 특히 D7과 같은 더 큰 변형은 53.7의 가장 높은 mAP 점수를 달성합니다. 또한 EfficientDet-d0이 가장 낮은 FLOP을 갖는 등 계산 비용 측면에서 높은 효율성을 보여줍니다. 그러나 실시간 애플리케이션 배포의 경우 추론 속도가 가장 중요합니다. 여기서 Ultralytics YOLOv5는 특히 GPU 하드웨어에서 결정적인 이점을 보여줍니다. YOLOv5n 모델은 TensorRT를 사용하여 T4 GPU에서 엄청나게 빠른 1.12ms 추론 시간을 달성하여 가장 가벼운 EfficientDet 모델보다 3배 이상 빠릅니다. 또한 YOLOv5 모델은 매우 가벼워서 YOLOv5n은 2.6M 파라미터만 가지고 있어 리소스가 제한된 에지 장치에 배포하는 데 이상적입니다. 속도, 정확도 및 작은 모델 크기의 이러한 성능 균형은 YOLOv5를 광범위한 프로덕션 환경에 매우 실용적인 선택으로 만듭니다.

결론: 어떤 모델을 선택해야 할까요?

EfficientDet과 Ultralytics YOLOv5는 모두 강력한 객체 탐지 모델이지만, 서로 다른 우선순위를 충족합니다. EfficientDet은 최대 정확도가 주요 목표이고 추론 대기 시간이 덜 중요한 경우에 탁월합니다. 확장 가능한 아키텍처는 학술 벤치마크 및 오프라인 처리 작업에 적합합니다.

하지만 대부분의 실제 애플리케이션에서는 Ultralytics YOLOv5가 더 나은 선택으로 두드러집니다. 뛰어난 속도와 정확도의 균형 덕분에 실시간 시스템에 이상적입니다. YOLOv5의 주요 장점은 사용 편의성, 포괄적이고 잘 관리되는 생태계 및 놀라운 훈련 효율성에 있습니다. 개발자는 빠르게 시작하고 최소한의 노력으로 사용자 지정 모델을 훈련하고 광범위한 하드웨어에 배포할 수 있습니다. 활발한 커뮤니티와 Ultralytics HUB와 같은 도구는 비교할 수 없는 지원을 제공하여 매우 실용적이고 개발자 친화적인 프레임워크입니다.

최신 기술 발전을 활용하려는 사용자는 다재다능한 YOLOv8 또는 최첨단 YOLO11과 같이 Ultralytics 생태계의 최신 모델을 살펴보는 것이 좋습니다. 이러한 모델은 YOLOv5의 강력한 기반을 바탕으로 더욱 향상된 성능과 더 많은 기능을 제공합니다. 자세한 비교는 Ultralytics 모델 비교 페이지를 참조하십시오.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨
glenn-jocher

댓글