YOLOv7과 EfficientDet 비교

적합한 신경망 아키텍처를 선택하는 것은 성공적인 컴퓨터 비전 프로젝트의 기반입니다. 이 가이드에서는 객체 감지 아키텍처 역사에서 중요한 두 모델인 YOLOv7과 EfficientDet을 자세히 비교합니다. 아키텍처 혁신, 학습 방법론, 이상적인 배포 시나리오를 살펴보면 개발자가 정보에 입각한 결정을 내릴 수 있습니다. 또한 Ultralytics YOLO26이 두 모델을 어떻게 개선하는지도 다룹니다.

모델의 기원과 기술 세부 정보#

두 모델 모두 저명한 연구팀이 개발했으며 머신러닝 분야에 중요한 발전을 가져왔습니다.

YOLOv7

YOLOv7에 대해 자세히 알아보기

EfficientDet

EfficientDet에 대해 자세히 알아보기

아키텍처 차이와 균형 잡힌 분석#

효과적인 모델 배포를 위해서는 이러한 네트워크의 근본적인 구조 차이를 이해하는 것이 중요합니다.

EfficientDet: 복합 스케일링과 BiFPN#

TensorFlow 생태계에서 개발된 EfficientDet은 체계적인 모델 스케일링 접근법을 도입했습니다. 네트워크의 폭이나 깊이를 임의로 늘리는 대신, Google 연구진은 해상도, 깊이, 너비를 균일하게 확장하는 복합 스케일링 방법을 사용했습니다.

또한 EfficientDet은 양방향 특징 피라미드 네트워크(BiFPN)를 도입했습니다. 이 특징 피라미드 네트워크 변형은 빠른 멀티스케일 특징 융합을 가능하게 합니다.

장점: 매개변수 효율성이 매우 높으며, 많은 동시대 모델보다 FLOPs가 적으면서도 뛰어난 평균 정밀도(mAP)를 달성합니다. 단점: 기존 AutoML 검색 전략에 크게 의존합니다. 최신 동적 PyTorch 워크플로에 통합하기 번거로울 수 있으며, FLOP 수가 낮은데도 엣지 디바이스의 지연 시간이 예상보다 높은 경우가 많습니다.

YOLOv7: 학습 가능한 무료 성능 향상 기법 모음#

YOLOv7은 실시간 추론과 학습 최적화를 우선시했습니다. 확장 효율 레이어 집계 네트워크(E-ELAN) 개념을 도입하여 기존 그래디언트 경로를 훼손하지 않고 모델이 더욱 다양한 특징을 지속적으로 학습하도록 합니다. 또한 YOLOv7은 추론 비용을 늘리지 않고 감지 정확도를 높이는 "학습 가능한 공짜 성능 향상 기법"을 적용했습니다.

장점: 처리 속도가 빠르고 추론 지연 시간이 유리하여 FPS가 높은 비디오 스트림에 적합합니다. 단점: 성능이 뛰어나지만 여전히 앵커 박스에 의존하며, 후처리 중 비최대 억제(NMS)가 필요합니다. 이 과정은 객체가 매우 밀집된 장면에서 지연 시간 병목을 일으킬 수 있습니다.

Ultralytics 생태계의 이점

모델을 평가할 때는 아키텍처만큼 주변 생태계도 중요합니다. 통합 Ultralytics Platform은 통합 API, 상세한 문서, 활발한 커뮤니티 지원을 제공합니다. 이 통합 환경은 일반적으로 대형 Transformer 모델보다 학습 중 메모리를 적게 사용하므로 프로토타이핑과 실험 추적 속도를 높입니다.

성능 지표 및 벤치마크#

아래 표에서는 주요 성능 지표를 비교하여 개발자가 속도, 매개변수 수, 정확도 간의 절충점을 평가할 수 있도록 합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

표에서 볼 수 있듯이 EfficientDet-d7은 높은 mAP를 달성하지만, TensorRT 속도는 YOLOv7 변형 모델보다 크게 뒤처집니다. 이는 GPU 가속 실시간 객체 감지에서 YOLOv7이 가진 이점을 보여 줍니다.

객체 탐지의 진화: YOLO26#

YOLOv7과 EfficientDet은 중요한 토대를 마련했지만, 비전 AI 분야는 빠르게 발전하고 있습니다. 효율성과 정확도를 모두 높여야 하는 최신 애플리케이션에는 2026년 1월에 출시된 YOLO26으로 업그레이드하는 것을 권장합니다.

YOLO26은 이전 세대의 한계를 해결하고 객체 감지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 이미지 분류, 포즈 추정, 방향 바운딩 박스(OBB) 감지 등 폭넓은 활용성을 제공합니다.

YOLO26의 주요 혁신#

  • 엔드투엔드 NMS 프리 설계: YOLO26은 비최대 억제(NMS) 후처리를 생략하는 선택적 일대일 헤드(nms=False)를 제공합니다. YOLOv10이 YOLO 모델에 도입한 이 설계는 배포 로직을 간소화하고 객체 밀도와 관계없이 지연 시간을 일정하게 유지합니다.
  • DFL 제거: 분포 초점 손실(DFL)을 제거하여 모델 아키텍처를 단순화하고, 제약이 큰 엣지 컴퓨팅 환경과의 호환성을 높입니다.
  • 최대 43% 더 빠른 CPU 추론: YOLO26n은 YOLO11n보다 CPU에서 최대 43% 빠르게 실행되므로 전용 GPU가 없는 하드웨어에 적합합니다.
  • MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델 기법에서 영감을 받은 SGD와 Muon의 하이브리드 방식으로, 컴퓨터 비전 학습의 안정성을 높이고 더 빠른 수렴을 실현합니다.
  • ProgLoss + STAL: 점진적 손실 함수와 소형 객체 인식 레이블 할당은 소형 객체 인식 성능을 높이며, 이는 항공 이미지와 드론 애플리케이션에서 중요합니다.
  • 태스크별 개선 사항: 분할 태스크를 위한 시맨틱 분할 손실 함수와 멀티스케일 프로토, 포즈 추정을 위한 잔차 로그 우도 추정(RLE), 그리고 회전 경계 상자(OBB) 경계 문제를 해결하도록 설계된 특수 각도 손실 함수를 포함합니다.

기존 시스템을 사용 중인 팀은 Ultralytics Platform으로 전환하여 이러한 모델을 손쉽게 학습하고 배포할 수 있는 간소화된 워크플로를 이용할 수 있습니다. 개발자는 특정 하위 호환성 요구 사항에 따라 YOLO11 및 YOLOv8과 같은 이전 세대 모델도 살펴볼 수 있습니다.

간소화된 학습과 사용 편의성#

Ultralytics 모델의 대표적인 특징 중 하나는 사용 편의성입니다. EfficientDet의 TensorFlow AutoML 환경에 필요한 복잡한 다중 종속성 설정과 달리, Ultralytics는 간단하고 Python다운 API를 제공합니다.

이 환경은 학습 중 CUDA 메모리 사용량을 낮게 유지하여, Transformer 기반 아키텍처에서 흔히 발생하는 메모리 부족(OOM) 오류 없이 대규모 데이터 세트를 학습할 수 있도록 지원합니다.

코드 예제: Ultralytics 시작하기#

다음 코드 조각은 개발자가 Ultralytics 패키지를 활용해 YOLO26 모델을 별도의 설정 없이 학습하는 방법을 보여 줍니다.

from ultralytics import YOLO

# Initialize a YOLO26 nano model for object detection
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 example dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # GPU index; use device='cpu' to train on CPU
    batch=16,
)

# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Export the model for edge deployment (e.g., OpenVINO for CPU optimization)
model.export(format="openvino")
프로덕션 배포를 위한 내보내기

Ultralytics API를 통해 학습한 모델은 대상 하드웨어에서 효율적으로 추론할 수 있도록 OpenVINO 또는 ONNX와 같은 프로덕션 형식으로 바로 내보낼 수 있습니다.

적합한 사용 사례 및 실제 응용 분야#

솔루션을 설계할 때는 모델의 강점과 구체적인 사용 사례를 일치시키는 것이 중요합니다.

EfficientDet을 사용해야 하는 경우#

EfficientDet은 기존 학술 연구나 복합 스케일링 실험을 주된 목적으로 하는 Google Cloud 생태계에 엄격히 종속된 환경에서 여전히 고려할 만한 모델입니다. 더 작은 변형 모델(d0-d2)은 디스크 용량에 엄격한 제약이 있는 경우 유용합니다.

YOLOv7을 사용해야 하는 경우#

YOLOv7은 고성능의 기존 환경에서 뛰어난 성능을 발휘하며, 특히 TensorFlow보다 PyTorch 통합을 선호하는 경우 적합합니다. 다음 분야에서 여전히 널리 배포되어 있습니다:

  • 비디오 분석: GPU 가속 리소스가 충분한 환경에서 높은 프레임률의 보안 스트림을 처리합니다.
  • 산업 검사: 빠르게 움직이는 제조 조립 라인의 결함을 식별합니다.

YOLO26을 선택해야 하는 경우#

새로운 배포에는 YOLO26을 권장합니다. 성능 균형과 잘 관리되는 생태계를 갖춰 다음과 같은 용도에 적합합니다.

  • 스마트 시티 및 교통 관리: 선택형 NMS-Free 헤드는 실시간 교통 조정에서 추론 지연 시간을 일정하게 유지합니다.
  • 로보틱스 및 자율 시스템: YOLO26n은 CPU 추론에서 YOLO11n보다 최대 43% 빠르므로 임베디드 장치에서도 내비게이션 응답성을 유지하는 데 도움이 됩니다.
  • 농업 및 항공 모니터링: ProgLoss와 STAL을 사용해 고고도 이미지에서 특정 작물이나 야생 동물과 같은 소형 객체를 식별합니다.

요약하면 EfficientDet과 YOLOv7은 유용한 역사적 맥락과 특정 틈새 용도를 제공하지만, 현대 컴퓨터 비전 엔지니어에게는 배포, CPU 속도, 소형 객체 정확도와 관련된 이전 병목 현상을 해결하는 Ultralytics YOLO26 아키텍처를 채택하는 것이 가장 적합합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.