YOLOv5 YOLOv7: 에코시스템과 아키텍처의 균형 맞추기

올바른 객체 감지 모델을 선택하는 것은 개발자와 연구자 모두에게 중요한 결정입니다. YOLO (You Only Look Once) 제품군의 진화에서, YOLOv5 와 YOLOv7 은 컴퓨터 비전의 지형을 형성한 중추적인 아키텍처로 두드러집니다. YOLOv7 정확성을 위한 중요한 아키텍처 혁신을 도입한 반면, Ultralytics YOLOv5 사용성, 배포 및 강력한 에코시스템에 중점을 두고 개발자 경험을 혁신했습니다.

이 가이드에서는 두 모델을 심층적으로 기술적으로 비교하여 아키텍처, COCO 데이터 세트의 성능 지표, 실제 애플리케이션에 대한 적합성을 분석합니다.

Ultralytics YOLOv5: 엔지니어링 표준

2020년에 출시된 YOLOv5 오픈 소스 객체 감지 소프트웨어에 대한 기대치를 재정의했습니다. 주로 연구용 코드로 존재했던 이전 버전과 달리 YOLOv5 제품화할 수 있는 프레임워크로 설계되었습니다. 사용 편의성, 내보내기 가능성, 속도에 우선순위를 두어 실시간 추론 애플리케이션을 구축하는 기업이 가장 먼저 선택하는 프레임워크가 되었습니다.

저자 작성자: Glenn Jocher
조직:Ultralytics
날짜: 2020-06-26
깃허브yolov5
문서yolov5

YOLOv5 주요 이점

• 사용자 중심 설계: YOLOv5 사용자 지정 객체 감지 모델 학습의 진입 장벽을 낮추는 간소화된 API와 원활한 학습 워크플로우를 도입했습니다.
• 배포 유연성: 내보내기 모드에 대한 기본 지원으로 YOLOv5 모델을 다음과 같은 형식으로 쉽게 변환할 수 있습니다. ONNX, CoreML, TFLite 및 TensorRT 와 같은 형식으로 쉽게 변환하여 다양한 하드웨어에 배포할 수 있습니다.
• 효율적인 리소스 사용: 이 아키텍처는 낮은 메모리 소비에 최적화되어 있어 NVIDIA Jetson 또는 Raspberry Pi와 같은 엣지 AI 디바이스에 이상적입니다.

YOLOv5에 대해 자세히 알아보세요

YOLOv7: "공짜 가방" 접근 방식

2022년에 출시된 YOLOv7 아키텍처 최적화를 통해 정확도의 한계를 뛰어넘는 데 중점을 두었습니다. 저자들은 추론 비용을 늘리지 않고 기능 학습을 개선하기 위한 몇 가지 새로운 개념을 도입했는데, 이를 "훈련 가능한 공짜 가방"이라고 불렀습니다.

저자 왕치엔야오, 알렉세이 보흐코브스키, 홍위안 마크 리아오
조직: 대만 학술원 정보과학연구소
날짜: 2022-07-06
아카이브:https://arxiv.org/abs/2207.02696
깃허브:https://github.com/WongKinYiu/yolov7
문서ultralytics

아키텍처 혁신

YOLOv7 네트워크의 학습 능력을 향상시키기 위해 확장된 효율적인 계층 집계 네트워크(E-ELAN)를 통합합니다. 또한 아키텍처의 깊이와 폭을 동시에 수정하는 모델 스케일링 기술을 활용합니다. mAP 점수를 높이는 데는 효과적이지만, 이러한 복잡한 아키텍처 변경으로 인해 YOLOv5 볼 수 있는 보다 간단한 CSP-Darknet 백본에 비해 모델을 수정하거나 배포하기가 더 어려워질 수 있습니다.

YOLOv7 대해 자세히 알아보기

기술 성능 비교

두 모델을 비교할 때, 일반적으로 원시 정확도와 실제 배포 속도 사이의 절충점이 존재합니다. YOLOv7 모델(특히 더 큰 변종)은 일반적으로 COCO val2017 데이터 세트에서 더 높은 mAP 달성합니다. 그러나 Ultralytics YOLOv5 추론 속도와 파라미터 효율성에서 우위를 유지하며, 특히 모바일 배포에 중요한 더 작은 변형(Nano 및 Small)에서 우위를 점하고 있습니다.

아래 표는 성능 메트릭을 강조한 것입니다. 리소스가 극도로 제한된 환경에서 가장 빠른 옵션 중 하나인 YOLOv5n의 탁월한 속도에 주목하세요.

메트릭 분석

• 속도와 정확도 비교: YOLOv7x는 53.1%의 높은 mAP 달성하여 모든 픽셀이 중요한 고급 보안 또는 의료 분석에 적합합니다. 그러나 비디오 분석이나 자율 주행과 같은 애플리케이션의 경우, TensorRT 1.12ms 추론 시간은 더 무거운 모델이 따라올 수 없는 프레임 속도 기능을 제공합니다.
• 훈련 효율성: Ultralytics YOLOv5 '자동 앵커' 전략과 고급 하이퍼파라미터 진화를 활용하므로 YOLOv7 필요한 복잡한 재파라미터화 방식에 비해 훈련 중에 더 빠르게 수렴하는 경우가 많습니다.
• 메모리 풋프린트: 트랜스포머나 YOLOv7 같은 복잡한 아키텍처를 훈련하려면 하이엔드 GPU(예: A100)가 필요한 경우가 많습니다. 반면, YOLOv5 효율적인 설계를 통해 일반 소비자용 하드웨어에서도 학습이 가능하기 때문에 AI 개발에 대한 접근이 대중화되었습니다.

코드 구현

Ultralytics YOLOv5 대한 가장 강력한 주장 중 하나는 Python API의 단순성입니다. 사전 학습된 모델을 로드하고 추론을 실행하는 데 몇 줄의 코드만 필요하며, 이는 프레임워크의 성숙도를 입증하는 증거입니다.

import torch

# Load the YOLOv5s model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s", pretrained=True)

# Define an image (url, local path, or numpy array)
img = "https://ultralytics.com/images/zidane.jpg"

# Run inference
results = model(img)

# Print results and show the image with bounding boxes
results.print()
results.show()

이러한 수준의 추상화를 통해 개발자는 모델 아키텍처를 디버깅하는 대신 비즈니스 솔루션을 구축하는 데 집중할 수 있습니다.

이상적인 사용 사례

YOLOv7 선택해야 하는 경우

YOLOv7 학술 연구 및 하드웨어 제약이 원시 탐지 성능에 부차적인 영향을 미치는 시나리오에 탁월한 선택입니다.

• 학술 연구: 최첨단 탐지 기술을 벤치마킹하기 위한 목적.
• 고정밀 검사: 미세한 결함을 감지하는 것이 중요하고 지연 시간이 문제가 되지 않는 제조 품질 관리와 같은 분야.

Ultralytics YOLOv5 선택해야 하는 경우

YOLOv5 신속한 개발 및 프로덕션 배포를 위한 업계 표준으로 남아 있습니다.

• 엣지 배포: TFLite 또는 CoreML 내보내기를 통해 iOS 및 Android 기기에서 실행하는 데 적합합니다.
• 로봇 공학: 짧은 지연 시간은 자율 로봇 공학에 필요한 피드백 루프에 매우 중요합니다.
• 다목적성: YOLOv5 저장소는 감지 외에도 인스턴스 분할 및 이미지 분류를 지원하여 여러 비전 작업을 위한 통합 코드베이스를 제공합니다.

결론 결론: 현대의 나아갈 길

YOLOv7 아키텍처 튜닝의 힘을 보여주었습니다, Ultralytics YOLOv5 는 안정적이고 잘 문서화되어 있으며 배포하기 쉬운 솔루션이 필요한 개발자에게 여전히 탁월한 선택입니다. 속도, 정확성, 에코시스템 지원이 균형을 이루고 있어 전 세계 프로덕션 환경에서도 여전히 적합성을 유지할 수 있습니다.

하지만 컴퓨터 비전 분야는 빠르게 변화하고 있습니다. 최고의 성능을 추구하는 사람들을 위해, YOLO11 은 Ultralytics 최신 진화 버전입니다. YOLO11 YOLOv5 유용성을 기반으로 하지만 최첨단 트랜스포머 기반 모듈과 앵커가 없는 설계를 통합하여 정확도와 효율성 면에서 YOLOv5 YOLOv7 모두 뛰어넘습니다.

객체 감지, 포즈 추정 및 OBB(Oriented Bounding Box)를 지원하는 미래형 솔루션의 경우, Ultralytics YOLO11 프레임워크로 마이그레이션하는 것을 적극 권장합니다.

더 많은 비교 알아보기

다른 모델과 Ultralytics YOLO 제품군의 비교를 살펴보세요:

• YOLOv5 vs YOLOv8
• YOLOv7 vs YOLOv8
• YOLOv7 vs YOLO11
• RT-DETR vs YOLOv7
• YOLOv6 vs YOLOv7

댓글