콘텐츠로 건너뛰기

YOLOv5 vs YOLOv8: 상세 비교

객체 탐지를 위해 Ultralytics YOLOv5와 Ultralytics YOLOv8을 비교하면 각 모델의 중요한 발전과 뚜렷한 강점을 알 수 있습니다. Ultralytics에서 개발한 두 모델은 모두 속도와 정확성으로 유명하지만 컴퓨터 비전 분야에서 서로 다른 사용자 요구와 우선 순위를 충족합니다. 이 페이지는 사용자가 프로젝트 요구 사항에 따라 정보에 입각한 결정을 내릴 수 있도록 기술적인 비교를 제공하며, Ultralytics 생태계의 장점을 강조합니다.

YOLOv5: 확고하고 다재다능한 표준

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

Ultralytics YOLOv5는 출시 후 빠른 속도, 정확성 및 사용 편의성의 균형으로 업계 표준이 되었습니다. PyTorch에서 완전히 구축된 YOLOv5는 효율적인 특징 집계를 위한 CSPDarknet53 백본과 PANet neck을 갖춘 강력한 아키텍처를 특징으로 합니다. 앵커 기반 감지 헤드는 매우 효과적이며 다양한 크기(n, s, m, l, x)로 제공되므로 개발자는 특정 성능 및 컴퓨팅 요구 사항에 맞는 최적의 균형을 선택할 수 있습니다.

강점

  • 탁월한 속도와 효율성: YOLOv5는 빠른 추론에 매우 최적화되어 강력한 서버에서 리소스가 제한된 에지 장치에 이르기까지 다양한 하드웨어에서 실시간 애플리케이션을 위한 최고의 선택입니다.
  • 사용 편의성: 간소화된 사용자 경험으로 유명한 YOLOv5는 광범위한 문서를 기반으로 간단한 PythonCLI 인터페이스를 제공합니다.
  • 성숙하고 유지 관리가 잘 되는 에코시스템: 오랜 기간 동안 사용된 모델로서 대규모 활성 커뮤니티, 빈번한 업데이트, 코드 없는 학습을 위한 Ultralytics HUB와 같은 도구를 포함하여 Ultralytics 에코시스템과의 원활한 통합을 통해 이점을 얻을 수 있습니다.
  • 학습 효율성: YOLOv5는 즉시 사용 가능한 사전 학습된 가중치를 통해 효율적인 학습 프로세스를 제공하여 빠른 개발 주기를 가능하게 합니다. 일반적으로 트랜스포머와 같은 더 복잡한 아키텍처에 비해 학습 및 추론에 더 적은 메모리가 필요합니다.

약점

  • Anchor-Based Detection: 사전 정의된 앵커 박스에 대한 의존성으로 인해 비정상적인 모양의 객체를 가진 데이터 세트에서 최적의 성능을 얻으려면 수동 튜닝이 필요한 경우가 있으며, 이는 최신 앵커 프리 검출기와는 대조적입니다.
  • 정확도: 매우 정확했지만, YOLOv8과 같은 최신 모델이 COCO 데이터 세트와 같은 표준 벤치마크에서 성능을 능가했습니다.

이상적인 사용 사례

YOLOv5의 속도와 효율성은 다음과 같은 분야에 적합합니다.

YOLOv5에 대해 자세히 알아보세요

YOLOv8: 차세대 최첨단 프레임워크

작성자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
소속: Ultralytics
날짜: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
문서: https://docs.ultralytics.com/models/yolov8/

Ultralytics YOLOv8은(는) 전체 스펙트럼의 비전 AI 작업을 지원하는 통합 프레임워크로 설계된 YOLO 시리즈의 다음 진화를 나타냅니다. 객체 감지 외에도 인스턴스 분할, 이미지 분류, 자세 추정 및 방향 객체 감지에서 뛰어난 성능을 발휘합니다. YOLOv8은(는) 최첨단 성능을 제공하기 위해 앵커 프리 감지 헤드 및 새로운 C2f 모듈과 같은 주요 아키텍처 개선 사항을 도입했습니다.

강점

  • 향상된 정확도 및 속도: YOLOv8은 속도와 정확도의 뛰어난 균형을 제공하여 경쟁력 있는 추론 속도를 유지하면서 모든 모델 크기에서 YOLOv5보다 높은 mAP 점수를 달성합니다.
  • 다재다능함: 단일하고 응집력 있는 프레임워크 내에서 여러 비전 작업을 지원하므로 복잡한 AI 시스템 개발을 위한 매우 강력하고 유연한 도구입니다.
  • 최신 아키텍처: 앵커 프리(anchor-free) 감지 헤드는 출력 레이어를 단순화하고 앵커 박스 튜닝의 필요성을 제거하여 성능을 향상시킵니다.
  • 잘 관리되는 에코시스템: 대표적인 모델인 YOLOv8은 활발한 개발, 잦은 업데이트 및 강력한 커뮤니티 지원을 통해 이점을 얻습니다. 또한 간소화된 MLOps를 위한 Ultralytics HUB 플랫폼을 포함하여 Ultralytics 에코시스템에 완전히 통합되어 있습니다.
  • 메모리 효율성: 고급 아키텍처에도 불구하고 YOLOv8은 낮은 메모리 사용에 최적화되어 있어 광범위한 하드웨어에서 접근할 수 있습니다.

약점

  • 계산 요구량: 가장 큰 YOLOv8 모델(예: YOLOv8x)은 상당한 컴퓨팅 자원을 필요로 하므로 리소스가 매우 제한적인 환경에 배포하는 경우 고려해야 할 사항일 수 있습니다.

이상적인 사용 사례

YOLOv8은 최고의 정확성과 유연성을 요구하는 애플리케이션에 권장되는 선택입니다.

  • 고급 로봇 공학: 복잡한 장면 이해와 다중 객체 상호 작용이 필요합니다.
  • 미세한 세부 사항이 중요한 의료 또는 위성 이미지에 대한 고해상도 이미지 분석.
  • 감지, 분할 및 자세 추정을 동시에 수행해야 하는 다중 작업 비전 시스템에 적합합니다.
  • 새 프로젝트에서 최첨단 모델로 시작하는 것이 우선순위인 경우.

YOLOv8에 대해 자세히 알아보세요

성능 벤치마크: YOLOv5 vs. YOLOv8

YOLOv5와 YOLOv8 간의 성능 차이는 COCO 데이터 세트의 메트릭을 비교할 때 분명합니다. 전반적으로 YOLOv8 모델은 비슷한 수의 매개변수와 계산 비용(FLOP)에 대해 더 높은 정확도(mAP)를 보여줍니다. 예를 들어 YOLOv8n은 37.3의 mAP를 달성하여 YOLOv5s(37.4 mAP)와 거의 일치하지만 매개변수는 68% 적고 CPU 추론 속도는 훨씬 빠릅니다.

그러나 YOLOv5는 특히 원시 GPU 속도가 최우선 순위인 시나리오에서 여전히 강력한 경쟁자입니다. 예를 들어 YOLOv5n 모델은 T4 GPU에서 가장 빠른 추론 시간을 자랑합니다. 따라서 최적화된 하드웨어에서 실행되는 실시간 애플리케이션에 탁월한 선택입니다.

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
YOLOv8n 640 37.3 80.4 1.47 3.2 8.7
YOLOv8s 640 44.9 128.4 2.66 11.2 28.6
YOLOv8m 640 50.2 234.7 5.86 25.9 78.9
YOLOv8l 640 52.9 375.2 9.06 43.7 165.2
YOLOv8x 640 53.9 479.1 14.37 68.2 257.8

주요 아키텍처 차이점

YOLOv5에서 YOLOv8로의 발전은 뛰어난 성능과 유연성에 기여하는 몇 가지 중요한 아키텍처 변경 사항을 도입했습니다.

백본 및 넥

YOLOv5는 백본(backbone)과 넥(neck)에 C3 모듈을 사용합니다. 반면 YOLOv8은 C2f 모듈로 대체합니다. C2f(2개의 convolution이 있는 Cross Stage Partial BottleNeck) 모듈은 더욱 효율적인 특징 융합과 풍부한 gradient 흐름을 제공하여 모델의 전체적인 정확도를 향상시킵니다.

Detection Head

주요 차이점은 감지 헤드에 있습니다. YOLOv5는 결합된 앵커 기반 헤드를 사용합니다. 즉, 동일한 기능 세트가 객체 분류와 경계 상자 회귀 모두에 사용됩니다. YOLOv8은 분리된 앵커 프리 헤드를 활용합니다. 이러한 작업 분리(분류를 위한 헤드 하나, 회귀를 위한 헤드 다른 하나)를 통해 각 작업이 전문화되어 정확도가 향상됩니다. 앵커 프리 접근 방식은 또한 훈련 프로세스를 단순화하고 앵커 상자 사전 값을 조정할 필요가 없으므로 모델이 다양한 데이터 세트에 더 잘 적응할 수 있습니다.

학습 방법론 및 생태계

YOLOv5와 YOLOv8은 모두 PyTorch를 기반으로 구축되었으며 Ultralytics의 간소화된 학습 파이프라인을 활용하여 일관되고 사용자 친화적인 경험을 제공합니다.

  • 사용 편의성: 두 모델 모두 최소한의 설정으로 제공된 CLI 또는 Python 인터페이스를 사용하여 쉽게 학습할 수 있습니다. 포괄적인 문서(YOLOv5 문서, YOLOv8 문서)와 간단한 API를 통해 사용자 정의 학습이 간단해집니다.
  • 효율적인 훈련: 최적화된 훈련 스크립트와 즉시 사용 가능한 사전 훈련된 가중치는 훈련 시간과 계산 비용을 크게 줄여줍니다.
  • 데이터 증강: 두 모델 모두 모델 일반화을 개선하고 과적합을 줄이기 위해 강력한 내장 데이터 증강 기술 세트를 통합합니다.
  • Ultralytics 생태계: Ultralytics HUBTensorBoardComet와 같은 로깅 플랫폼과 같은 도구와의 통합은 실험 추적, 모델 관리 및 배포를 간소화합니다.

결론: 어떤 모델을 선택해야 할까요?

YOLOv5와 YOLOv8은 Ultralytics에서 개발한 강력한 객체 감지 모델로, 뛰어난 성능과 사용 편의성을 제공합니다. 이 둘 중에서 선택하는 것은 주로 특정 프로젝트 요구 사항에 따라 달라집니다.

  • YOLOv5는 특히 특정 하드웨어에서 추론 속도를 최대화하는 것이 중요한 애플리케이션에서 강력하고 신뢰할 수 있는 경쟁자로 남아 있습니다. 성숙도가 높다는 것은 광범위한 생태계를 가지고 있으며 수많은 실제 배포에서 실전 테스트를 거쳤다는 것을 의미합니다. 제한된 리소스 예산으로 프로젝트를 진행하거나 에지 장치에 신속하게 배포해야 하는 프로젝트에 탁월한 선택입니다.

  • YOLOv8은 YOLO 시리즈의 최첨단을 대표하며, 뛰어난 정확도, 다양한 비전 작업에서의 향상된 다재다능성, 그리고 더욱 현대적인 아키텍처를 제공합니다. 앵커 프리(anchor-free) 디자인과 고급 기능 덕분에 최첨단 성능을 추구하고 복잡하고 다면적인 AI 문제를 처리할 수 있는 유연성을 원하는 새로운 프로젝트에 이상적인 선택입니다.

Ultralytics는 지속적으로 혁신하여 두 모델 모두 잘 지원되고 사용하기 쉬우며 다양한 실제 시나리오에 적합한 속도와 정확성의 균형을 제공합니다.

다른 Ultralytics 모델 살펴보기

다른 최첨단 옵션을 모색하는 사용자를 위해 Ultralytics는 YOLOv9, YOLOv10 및 최신 YOLO11과 같은 모델도 제공하며, 각 모델은 성능 및 효율성 측면에서 고유한 이점을 제공합니다. 자세한 비교는 Ultralytics 문서에서 확인할 수 있습니다.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨

댓글