모델 비교: 물체 감지를 위한 YOLOv5 YOLOv6-3.0 비교
성공적인 컴퓨터 비전 애플리케이션을 위해서는 최적의 물체 감지 모델을 선택하는 것이 중요합니다. Ultralytics YOLOv5 Meituan YOLOv6-3.0은 모두 효율성과 정확성으로 널리 알려진 선택입니다. 이 페이지에서는 프로젝트 요구 사항에 가장 적합한 모델을 결정하는 데 도움이 되는 기술 비교를 제공합니다. 아키텍처의 뉘앙스, 성능 벤치마크, 교육 접근 방식 및 적합한 애플리케이션에 대해 자세히 살펴봅니다.
Ultralytics YOLOv5
YOLOv5 는 속도와 적응성으로 유명한 단일 단계 객체 감지 모델입니다. Ultralytics 개발하여 2020년 6월 26일에 처음 출시된 YOLOv5 쉽게 확장하고 사용자 정의할 수 있는 유연한 아키텍처로 구축되었습니다. 이 아키텍처는 추론 속도를 최적화하고 정확도와 균형을 유지하는 데 중점을 둔 CSPBottleneck과 같은 구성 요소를 활용합니다.
- 저자 저자: 글렌 조처
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: YOLOv5 깃허브 리포지토리
- 문서 YOLOv5 문서
YOLOv5 다양한 성능 요구 사항을 충족하도록 설계된 다양한 모델 크기(n, s, m, l, x)를 제공합니다. YOLOv5n과 같은 소형 모델은 크기가 작고 추론 속도가 빨라 에지 디바이스에 적합하며, YOLOv5x와 같은 대형 모델은 보다 까다로운 작업을 위해 향상된 정확도를 제공합니다. YOLOv5 속도와 효율성으로 인해 실시간 물체 감지가 필요한 애플리케이션에 특히 강합니다.
YOLOv5 강점:
- 속도: YOLOv5 추론 속도가 뛰어나 실시간 애플리케이션에 적합합니다.
- 유연성: 아키텍처는 고도로 사용자 정의가 가능하고 확장성이 뛰어납니다.
- 커뮤니티 지원: 대규모의 활발한 커뮤니티의 지원을 받아 광범위한 리소스와 지원을 제공합니다.
- 사용 편의성: 교육, 검증 및 배포를 위한 간단한 워크플로로, Ultralytics HUB를 통해 더욱 강화되었습니다.
YOLOv5 약점:
- 정확도: 정확도는 높지만, 더 큰 YOLOv6-3.0 모델은 일부 벤치마크에서 약간 더 나은 맵을 얻을 수 있습니다.
메이투안 YOLOv6-3.0
메이투안에서 개발하여 2023년 1월에 출시된 YOLOv6-3.0은 정확도와 속도 향상에 초점을 맞춘 YOLO 시리즈의 발전된 버전입니다. 구체적인 아키텍처 세부 사항은 공식 YOLOv6 리소스에서 확인할 수 있지만, 양방향 연결(BiC) 모듈과 앵커 지원 훈련(AAT) 전략과 같은 혁신이 통합되어 있습니다. 이러한 개선 사항은 속도 저하 없이 특징 추출 및 탐지 정밀도를 높이는 것을 목표로 합니다.
- 저자: 저자: 추이 리, 루루 리, 이페이 겅, 홍량 장, 멩 청, 보 장, 자이단 케, 샤오밍 쉬, 샹샹 추
- 조직: 조직: 메이투안
- 날짜: 2023-01-13
- arXiv: YOLOv6 v3.0: 본격적인 재장전
- GitHub: YOLOv6 깃허브 리포지토리
- 문서 YOLOv6 문서
또한 YOLOv6-3.0은 성능과 컴퓨팅 리소스의 균형을 맞추기 위해 다양한 크기(n, s, m, l)의 모델을 제공합니다. 벤치마크에 따르면 YOLOv6-3.0 모델은 특히 더 큰 구성에서 비슷한 크기의 YOLOv5 모델에 비해 경쟁력이 있거나 우수한 mAP를 달성할 수 있어 물체 감지 작업의 정확성이 향상되었음을 시사합니다.
YOLOv6-3.0의 강점:
- 정확도: 일반적으로 경쟁력이 있거나 더 나은 맵을 제공하며, 특히 대형 모델에서 더욱 그렇습니다.
- 추론 속도: 실시간 객체 감지에 적합한 빠른 추론 속도를 달성합니다.
- 아키텍처 혁신: 성능 향상을 위해 BiC 모듈과 AAT를 통합합니다.
YOLOv6-3.0의 약점:
- 커뮤니티 및 리소스: 효과적이기는 하지만 YOLOv5 비해 광범위한 커뮤니티 지원과 쉽게 이용할 수 있는 리소스가 부족할 수 있습니다.
- 통합: Ultralytics HUB 및 관련 도구와의 직접 통합은 기본 Ultralytics 모델에 비해 원활하지 않을 수 있습니다.
성능 비교 표
| 모델 | 크기(픽셀) | mAPval50-95 | 속도CPU ONNX(ms) | SpeedT4텐서RT10(ms) | params(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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
결론
YOLOv5 YOLOv6-3.0은 모두 강력한 객체 감지 모델로, 각각 고유한 강점을 가지고 있습니다. YOLOv5 매우 다재다능하고 빠른 모델로, 광범위한 커뮤니티 지원과 Ultralytics 에코시스템 내 원활한 통합의 이점을 누리고 있습니다. 다양한 실시간 애플리케이션을 위한 탁월한 선택입니다. YOLOv6-3.0은 추론 속도를 희생하지 않으면서 더 높은 정확도를 우선시하는 프로젝트를 위한 강력한 대안을 제공합니다. 아키텍처가 개선되어 특정 시나리오에서 성능 우위를 제공합니다.
최첨단 모델을 찾는 사용자라면 다음과 같은 최신 Ultralytics 모델을 살펴보는 것이 좋습니다. YOLOv8, YOLOv9, YOLOv10 및 YOLO11. 특수 애플리케이션의 경우, YOLO 및 RT-DETR 과 같은 모델이 고유한 이점을 제공하며 FastSAM 은 효율적인 세분화 기능을 제공합니다.
자세한 내용과 광범위한 모델에 대한 자세한 내용은 Ultralytics 애널리틱스 모델 설명서를 참조하세요.
