YOLOv5 vs YOLOv7: 상세 비교

적합한 객체 감지 모델을 선택하는 것은 속도, 정확도 및 배포 용이성의 필요성의 균형을 맞추는 중요한 결정입니다. 이 페이지에서는 Ultralytics YOLOv5와 YOLOv7이라는 컴퓨터 비전 환경에서 두 가지 영향력 있는 모델 간의 기술 비교를 제공합니다. 두 모델 모두 상당한 기여를 했지만 Ultralytics YOLOv5는 뛰어난 성능, 사용자 친화적인 설계, 포괄적이고 잘 관리된 생태계의 뛰어난 균형으로 돋보이므로 광범위한 실제 애플리케이션에 선호되는 선택입니다.

Ultralytics YOLOv5: 확고한 산업 표준

2020년 Glenn Jocher가 출시한 Ultralytics YOLOv5는 빠른 속도, 정확성 및 사용 편의성의 조화로 인해 가장 인기 있는 객체 감지 모델 중 하나가 되었습니다. PyTorch에서 완전히 개발된 YOLOv5는 고도로 최적화되어 학습에서 배포까지 간소화된 경험을 제공합니다.

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

YOLOv5의 아키텍처 및 주요 기능

YOLOv5는 효과적인 특징 집계를 위해 CSPDarknet53 백본과 PANet 넥을 기반으로 구축된 유연하고 효율적인 아키텍처를 특징으로 합니다. 수많은 릴리스를 통해 개선된 앵커 기반 감지 헤드를 사용합니다. 주요 강점 중 하나는 다양한 모델 크기(n, s, m, l, x)로, 개발자가 성능과 컴퓨팅 리소스 간의 최적의 균형을 선택할 수 있습니다. 이러한 확장성 덕분에 경량 엣지 장치에서 강력한 클라우드 서버에 이르기까지 모든 것에 적합합니다.

YOLOv5의 강점

사용 편의성: YOLOv5는 간단한 Python 및 CLI 인터페이스, 광범위한 설명서, 간단한 학습 및 추론 파이프라인으로 유명합니다.
잘 관리되는 에코시스템: 활발한 개발, 대규모 커뮤니티, 잦은 업데이트, 노코드 학습 및 배포를 위한 Ultralytics HUB와 같은 강력한 도구를 포함하는 강력한 Ultralytics 에코시스템에 의해 지원됩니다.
성능 균형: YOLOv5는 추론 속도와 감지 정확도 간의 뛰어난 균형을 달성하여 다양한 실제 시나리오에 매우 실용적입니다.
다양한 기능과 효율적인 학습: 객체 감지, 인스턴스 분할 및 이미지 분류를 포함한 다양한 비전 작업을 지원합니다. 학습 과정은 효율적이며, 즉시 사용 가능한 사전 학습된 가중치와 더 복잡한 아키텍처에 비해 더 낮은 메모리 요구 사항을 제공합니다.

YOLOv5의 약점

정확도 제한: 매우 정확하지만 최신 모델은 COCO와 같은 표준 벤치마크에서 mAP 점수를 능가했습니다.
Anchor-Based 디자인: 사전 정의된 앵커 박스에 대한 의존성은 때때로 최신 앵커 프리 방식에 비해 비정상적인 모양의 객체를 가진 데이터 세트에 대해 더 많은 튜닝을 필요로 할 수 있습니다.

YOLOv5의 사용 사례

실시간 애플리케이션: 로봇 공학, AI 드론 작동의 컴퓨터 비전 애플리케이션의 드론 비전 및 실시간 비디오 분석과 같이 빠른 추론이 필요한 애플리케이션에 적합합니다.
Edge 배포: 효율적인 설계와 더 작은 모델 크기로 인해 리소스가 제한된 에지 장치에 배포하는 데 적합합니다. NVIDIA Jetson 배포 가이드를 살펴보세요.
신속한 프로토타입 제작: 사용 편의성과 광범위한 지원 덕분에 객체 감지 솔루션의 빠른 프로토타입 제작 및 배포에 탁월한 선택입니다.

YOLOv5에 대해 자세히 알아보세요

YOLOv7: 높은 정확도 집중

Chien-Yao Wang, Alexey Bochkovskiy 및 Hong-Yuan Mark Liao가 개발한 YOLOv7은 2022년 7월 6일에 출시되었습니다. YOLOv7은 "훈련 가능한 Bag-of-Freebies"로 알려진 몇 가지 아키텍처 최적화 및 훈련 전략을 도입하여 실시간 속도를 유지하면서 정확도의 경계를 넓히는 것을 목표로 했습니다.

작성자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
소속: Institute of Information Science, Academia Sinica, Taiwan
날짜: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696
GitHub: https://github.com/WongKinYiu/yolov7
문서: https://docs.ultralytics.com/models/yolov7/

YOLOv7의 아키텍처 및 주요 기능

E-ELAN: backbone에서 Extended Efficient Layer Aggregation Network (E-ELAN)를 활용하여 학습 능력을 향상시킵니다.
모델 스케일링: 다양한 계산 예산에 맞게 최적화하기 위해 모델 깊이와 너비에 대한 복합 스케일링을 구현합니다.
Auxiliary Head Training: 특징 학습을 향상시키기 위해 학습 중에 보조 헤드를 사용하며(추론 시 제거).
Bag-of-Freebies: 추론 비용을 늘리지 않고 정확도를 향상시키기 위해 고급 학습 기술을 활용합니다.

YOLOv7의 강점

높은 정확도: 특히 더 큰 모델 변형에서 COCO와 같은 벤치마크에서 높은 mAP 점수를 달성합니다.
효율적인 훈련 기법: 성능을 극대화하기 위한 새로운 훈련 전략을 통합합니다.

YOLOv7의 약점

복잡성: 아키텍처 및 훈련 과정은 간소화된 Ultralytics YOLOv5 접근 방식에 비해 더 복잡할 수 있습니다.
생태계 및 지원: YOLOv5용 Ultralytics에서 제공하는 광범위한 문서, 튜토리얼 및 통합된 생태계가 부족합니다.
리소스 집약적: 더 큰 모델은 상당한 컴퓨팅 리소스를 요구하므로, 제약된 장치에서의 배포를 제한할 수 있습니다.

YOLOv7의 사용 사례

고성능 탐지: 자율 주행 차량에서와 같이 절대적으로 가장 높은 정확도를 달성하는 것이 중요하고 컴퓨팅 리소스가 덜 제한적인 애플리케이션에 적합합니다.
연구: 최첨단 객체 감지 기술을 탐구하는 학술 연구에 사용됩니다.

YOLOv7에 대해 자세히 알아보세요

성능 및 기술 비교

COCO 데이터 세트에서 YOLOv5와 YOLOv7을 직접 비교하면 성능 프로필에서 주요 차이점을 알 수 있습니다. 일반적으로 YOLOv7 모델은 더 높은 mAP 점수를 달성하지만 복잡성과 리소스 요구 사항이 증가하는 경우가 많습니다. 이와는 대조적으로 Ultralytics YOLOv5는 CPU 추론 속도가 뛰어나고 경쟁력 있는 정확도를 유지하여 균형 잡힌 프로필을 제공하므로 많은 실제 배포에 매우 중요합니다.

모델	크기 ^(픽셀)	mAP^val 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

YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

결론: 어떤 모델을 선택해야 할까요?

YOLOv5와 YOLOv7 중 선택은 프로젝트 우선순위에 크게 좌우됩니다.

YOLOv7은 표준 벤치마크에서 가능한 가장 높은 정확도를 필요로 하고 상당한 컴퓨팅 리소스에 액세스할 수 있는 연구원과 개발자에게 강력한 선택입니다. 혁신적인 학습 기술은 성능 경계를 확장하는 방법을 보여줍니다.

하지만 대부분의 실제 애플리케이션에서는 Ultralytics YOLOv5가 여전히 더 나은 선택입니다. 사용 편의성, 빠른 배포, 뛰어난 속도-정확도 균형 및 번성하는 생태계라는 주요 장점 덕분에 매우 효율적이고 안정적인 도구입니다. 개발자가 초기 프로토타입에서 프로덕션 배포에 이르기까지 강력한 컴퓨터 비전 솔루션을 신속하게 구축할 수 있도록 지원합니다.

또한 Ultralytics 생태계는 계속 진화하고 있습니다. YOLOv8 및 YOLO11과 같은 최신 모델은 YOLOv5의 기반을 토대로 구축되어 분할, 포즈 추정 및 추적과 같은 작업에서 훨씬 더 나은 성능과 더 큰 다양성을 제공합니다. 현대적이고 미래 지향적이며 사용자 친화적인 프레임워크를 찾는 개발자에게 Ultralytics YOLO 제품군은 가장 강력하고 포괄적인 솔루션을 제공합니다.

다른 모델 살펴보기

객체 감지 모델을 탐색하는 경우 다음과 같은 다른 비교에도 관심이 있을 수 있습니다.

📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨