콘텐츠로 건너뛰기

YOLOv6-3.0 vs YOLO11: 상세 모델 비교

올바른 컴퓨터 비전 모델을 선택하는 것은 객체 감지 작업에서 최적의 성능을 달성하는 데 매우 중요합니다. 이 페이지에서는 YOLOv6-3.0과 Ultralytics YOLO11 간의 기술 비교를 제공하여 프로젝트에 가장 적합한 모델을 선택하는 데 도움이 되도록 아키텍처, 성능 지표, 교육 방법론 및 이상적인 사용 사례에 중점을 둡니다. 둘 다 강력한 모델이지만 YOLO11은 최첨단 효율성과 다재다능함을 나타냅니다.

YOLOv6-3.0

저자: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, Xiangxiang Chu
소속: Meituan
날짜: 2023-01-13
Arxiv: https://arxiv.org/abs/2301.05586
GitHub: https://github.com/meituan/YOLOv6
문서: https://docs.ultralytics.com/models/yolov6/

Meituan에서 개발한 YOLOv6-3.0은 주로 산업 응용 분야를 위해 설계된 객체 감지 프레임워크입니다. 2023년 초에 출시되었으며 실시간 추론이 우선시되는 실제 배포 시나리오에 적합한 속도와 정확성 간의 균형을 제공하는 것을 목표로 했습니다.

아키텍처 및 주요 기능

YOLOv6는 하드웨어 인식을 고려한 효율적인 백본 및 넥 디자인과 같은 아키텍처 수정 사항을 도입했습니다. 버전 3.0에서는 이러한 요소를 더욱 개선하고 성능을 향상시키기 위해 훈련 중 자체 증류와 같은 기술을 통합했습니다. 또한 모바일 배포에 최적화된 특정 모델(YOLOv6Lite)을 제공하여 에지 컴퓨팅에 대한 집중을 보여줍니다.

강점

  • 뛰어난 속도-정확도 균형: 특히 산업 객체 감지 작업에 대해 경쟁력 있는 성능을 제공합니다.
  • 양자화 지원: 리소스가 제한된 하드웨어에 배포하는 데 유용한 모델 양자화를 위한 도구 및 튜토리얼을 제공합니다.
  • 모바일 최적화: 모바일 또는 CPU 기반 추론을 위해 특별히 설계된 YOLOv6Lite 변형을 포함합니다.

약점

  • 제한적인 작업 다양성: 주로 객체 감지에 중점을 두어 Ultralytics YOLO11에서 볼 수 있는 인스턴스 분할, 이미지 분류 또는 포즈 추정에 대한 기본 지원이 부족합니다.
  • 생태계 및 유지 관리: 오픈 소스이긴 하지만, 해당 생태계는 Ultralytics 플랫폼만큼 포괄적이거나 활발하게 유지 관리되지 않으므로 업데이트가 느려지고 커뮤니티 지원이 줄어들 수 있습니다.
  • 높은 리소스 사용량: 더 큰 YOLOv6 모델은 유사한 mAP에 대해 YOLO11 모델보다 훨씬 더 많은 파라미터와 FLOPs를 가질 수 있으므로 아래 표에서 볼 수 있듯이 더 많은 계산 리소스가 필요할 수 있습니다.

이상적인 사용 사례

YOLOv6-3.0은 다음에 적합합니다.

  • 품질 관리를 위한 제조업과 같이 객체 감지 속도가 중요한 산업 응용 분야.
  • 양자화를 활용하거나 모바일에 최적화된 모델이 필요한 배포 시나리오.
  • 다중 작업 기능이 필요 없는 객체 감지에만 집중된 프로젝트입니다.

YOLOv6에 대해 자세히 알아보세요

Ultralytics YOLO11

저자: Glenn Jocher, Jing Qiu
소속: Ultralytics
날짜: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
문서: https://docs.ultralytics.com/models/yolo11/

Ultralytics YOLO11은 Ultralytics의 최첨단 모델로, YOLO 시리즈의 최신 진화를 나타냅니다. 2024년 9월에 출시되었으며 속도와 정확도를 모두 향상시키는 것을 목표로 하는 아키텍처 개선을 통해 YOLOv8과 같은 이전 버전을 기반으로 합니다. YOLO11은 광범위한 컴퓨터 비전 작업에서 뛰어난 성능과 효율성을 제공하도록 설계되었습니다.

아키텍처 및 주요 기능

YOLO11은 모델 크기, 추론 속도 및 정확도 간의 균형을 개선한 최적화된 아키텍처를 특징으로 합니다. 주요 개선 사항으로는 향상된 특징 추출 레이어와 간소화된 네트워크 구조가 있으며, 계산 오버헤드를 최소화합니다. 이러한 설계를 통해 NVIDIA Jetson과 같은 에지 장치부터 강력한 클라우드 서버에 이르기까지 다양한 하드웨어에서 효율적인 성능을 보장합니다. 앵커 프리(anchor-free) 감지기인 YOLO11은 감지 프로세스를 간소화하고 일반화 성능을 향상시키는 경우가 많습니다.

강점

  • 뛰어난 성능 균형: 경쟁사 대비 더 적은 파라미터와 FLOP으로 더 높은 mAP 점수를 달성하여 속도와 정확성 간의 뛰어난 균형을 제공합니다.
  • 다양성: 탐지, 인스턴스 분할, 분류, 포즈 추정 및 OBB(Oriented Bounding Box)를 포함하여 단일 프레임워크 내에서 여러 비전 작업을 지원하여 포괄적인 솔루션을 제공합니다.
  • 사용 편의성: 간단한 Python API, 광범위한 설명서 및 즉시 사용 가능한 사전 훈련된 가중치를 특징으로 하는 간소화된 Ultralytics 생태계의 이점을 누릴 수 있습니다.
  • 잘 관리되는 생태계: Ultralytics에서 활발하게 개발하고 지원하며, 잦은 업데이트, GitHubDiscord를 통한 강력한 커뮤니티 지원, 원활한 훈련 및 배포를 위한 Ultralytics HUB와의 통합을 제공합니다.
  • 학습 효율성: 효율적인 학습 프로세스를 제공하며, 종종 트랜스포머와 같은 다른 모델 유형에 비해 더 적은 메모리를 필요로 합니다.

약점

  • 새로운 모델: 최신 릴리스이므로 커뮤니티 튜토리얼 및 타사 도구의 양은 YOLOv5와 같이 더 확립된 모델에 비해 여전히 증가하고 있습니다.
  • 작은 객체 감지: 대부분의 원-스테이지 감지기와 마찬가지로, 특화된 투-스테이지 감지기에 비해 매우 작은 객체에 대한 문제가 발생할 수 있습니다.

이상적인 사용 사례

정확성, 속도 및 다재다능함이 결합된 YOLO11은 다음과 같은 분야에 이상적입니다.

  • 자율 시스템 및 로봇 공학과 같이 높은 정밀도를 요구하는 실시간 애플리케이션.
  • 감지, 분할 및 포즈 추정이 동시에 필요한 다중 작업 시나리오.
  • Raspberry Pi와 같은 리소스 제약 장치부터 강력한 클라우드 인프라까지 다양한 플랫폼에 걸쳐 배포합니다.
  • 보안, 소매, 의료물류의 애플리케이션.

YOLO11에 대해 자세히 알아보세요

성능 비교

COCO 데이터 세트에서 평가된 아래 성능 벤치마크는 YOLO11의 장점을 명확하게 보여줍니다. 유사한 수준의 정확도에서 YOLO11 모델은 훨씬 더 효율적입니다. 예를 들어 YOLO11l은 2,530만 개의 파라미터와 869억 개의 FLOP만으로 53.4의 더 높은 mAPval을 달성하는 반면, YOLOv6-3.0l은 파라미터(5,960만 개)와 FLOP(1,507억 개)이 두 배 이상 필요하면서도 52.8 mAPval에 불과합니다. 이러한 뛰어난 효율성 덕분에 YOLO11은 배포에 더욱 확장 가능하고 비용 효율적인 선택입니다.

모델 크기
(픽셀)
mAPval
50-95
속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
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
YOLO11n 640 39.5 56.1 1.5 2.6 6.5
YOLO11s 640 47.0 90.0 2.5 9.4 21.5
YOLO11m 640 51.5 183.2 4.7 20.1 68.0
YOLO11l 640 53.4 238.6 6.2 25.3 86.9
YOLO11x 640 54.7 462.8 11.3 56.9 194.9

학습 방법론

두 모델 모두 표준 딥러닝 학습 방식을 활용합니다. YOLOv6-3.0은 성능 향상을 위해 자체 증류와 같은 기술을 사용합니다. 그러나 Ultralytics YOLO11은 포괄적인 Ultralytics 생태계 내에서 깊이 통합되어 있어 훨씬 더 간소화되고 사용자 친화적인 경험을 제공합니다.

YOLO11을 사용한 학습은 Python 패키지 및 간편한 하이퍼파라미터 튜닝, 효율적인 데이터 로딩, TensorBoardWeights & Biases와 같은 플랫폼을 사용한 자동 로깅을 위한 도구를 제공하는 Ultralytics HUB를 통해 간소화됩니다. 또한 YOLO11의 아키텍처는 학습 효율성에 최적화되어 있어 더 적은 메모리와 시간이 필요한 경우가 많습니다. 두 모델 모두 전이 학습을 용이하게 하기 위해 COCO 데이터 세트에 대해 사전 훈련된 가중치를 제공합니다.

결론

YOLOv6-3.0은 특정 산업 사용 사례에 대해 견고한 성능을 제공하지만, Ultralytics YOLO11은 대부분의 개발자와 연구원에게 더 나은 선택으로 부상하고 있습니다. YOLO11은 최첨단 정확도, 뛰어난 효율성(더 높은 mAP를 위한 더 낮은 파라미터 및 FLOP) 및 여러 비전 작업에서 뛰어난 다재다능성을 제공합니다. 가장 큰 장점은 강력하고 문서화가 잘 되어 있으며 적극적으로 유지 관리되는 Ultralytics 생태계에서 지원하는 탁월한 사용 편의성에 있습니다. 이러한 강력한 성능 균형 덕분에 에지에서 클라우드에 이르기까지 더 광범위한 애플리케이션 및 배포 환경에 적합합니다.

대안을 모색하는 사용자를 위해 Ultralytics는 YOLOv10, YOLOv9YOLOv8과 같은 다른 고성능 모델도 제공합니다. Ultralytics 설명서에서 RT-DETR, YOLOXYOLOv7과 같은 모델과의 추가 비교를 찾을 수 있습니다.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨

댓글