YOLOv7 vs. PP-YOLOE+: 객체 탐지를 위한 기술 비교
적절한 객체 탐지 모델을 선택하는 것은 컴퓨터 비전에서 중요한 결정이며, 정확도, 속도 및 컴퓨팅 리소스 간의 신중한 균형이 필요합니다. 이 페이지에서는 YOLOv7과 PP-YOLOE+의 자세한 기술 비교를 제공합니다. 두 모델은 이 분야에서 높은 벤치마크를 설정한 영향력 있는 모델입니다. 프로젝트에 대한 정보에 입각한 선택을 할 수 있도록 아키텍처 설계, 성능 지표 및 이상적인 사용 사례를 살펴봅니다.
YOLOv7: 속도 및 정확도에 최적화됨
YOLOv7은 실시간 추론 속도와 높은 정확도 간의 뛰어난 균형으로 유명한 YOLO 제품군의 중요한 이정표를 나타냅니다. 출시 당시 객체 감지기에 가능한 경계를 확장한 새로운 아키텍처 및 학습 최적화를 도입했습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 조직: 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/
아키텍처 및 주요 기능
YOLOv7의 아키텍처는 논문에 자세히 설명된 몇 가지 주요 혁신 사항을 통합했습니다. 주요 기여 중 하나는 기울기 경로를 방해하지 않고 네트워크의 학습 능력을 향상시켜 보다 효과적인 특징 추출을 가능하게 하는 새로운 백본 설계인 Extended Efficient Layer Aggregation Network (E-ELAN)입니다.
또한 YOLOv7은 "학습 가능한 무료 혜택 모음" 접근 방식을 사용합니다. 여기에는 추론 중에 계산 비용을 추가하지 않고 감지 정확도를 향상시키는 Coarse-to-fine lead guided loss와 같은 고급 최적화 기술 및 학습 전략을 사용하는 것이 포함됩니다. 또한 이 모델은 재매개변수화 기술을 활용하여 학습이 완료된 후 배포를 위한 보다 효율적인 아키텍처를 만듭니다.
성능 및 사용 사례
YOLOv7은 특히 정확성에 대한 상당한 절충 없이 고속 처리를 요구하는 시나리오에서 뛰어난 성능으로 유명합니다. 효율성 덕분에 GPU 하드웨어에서 실시간 추론에 탁월한 선택입니다.
이상적인 적용 분야:
- 자율 시스템: 안전을 위해 낮은 지연 시간이 중요한 자율 주행 차량 및 드론의 인지 시스템을 지원합니다.
- 보안 및 감시: 라이브 비디오 피드에서 즉각적인 위협 감지를 위해 고급 보안 시스템에 사용됩니다.
- 로보틱스: 로봇이 실시간으로 주변 환경을 인식하고 상호 작용할 수 있도록 지원하며, 이는 제조 및 물류 자동화에 매우 중요합니다.
강점과 약점
- 강점: 최첨단 속도와 정확도, GPU 추론에 매우 효율적인 아키텍처, 성능을 향상시키는 고급 훈련 전략을 제공합니다.
- 약점: 앵커 기반 모델이므로 사용자 정의 데이터 세트에서 최적의 성능을 얻으려면 앵커 박스 구성을 신중하게 조정해야 할 수 있습니다. 더 큰 변형 모델의 학습 과정은 계산 집약적일 수 있습니다.
PP-YOLOE+: 앵커 프리 및 다용도
Baidu에서 개발한 PP-YOLOE+는 PaddleDetection 제품군의 고성능 앵커 프리 감지기입니다. 앵커 상자를 제거하여 감지 파이프라인을 단순화하면서 다양한 모델 크기에서 확장성과 강력한 성능으로 두각을 나타냅니다.
- 작성자: PaddlePaddle 작성자
- Organization: Baidu
- 날짜: 2022-04-02
- ArXiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- 문서: https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README.md
PP-YOLOE+ 문서 (PaddleDetection)
아키텍처 및 주요 기능
PP-YOLOE+의 핵심 혁신은 앵커 프리(anchor-free) 설계로, 사전 정의된 앵커 박스와 관련된 하이퍼파라미터가 필요 없어 모델을 단순화합니다. 이를 통해 모델의 유연성이 향상되고 다양한 객체 모양과 크기에 더 쉽게 적용할 수 있습니다. 또한 분류 및 지역화 작업을 위한 분리된 헤드를 특징으로 하며, 이는 두 작업 간의 최적화 충돌을 해결하는 데 도움이 됩니다. 이 모델은 학습 중에 어려운 예제의 우선순위를 지정하기 위해 특수 손실 함수인 VariFocal Loss도 활용합니다. "+" 버전에는 성능 향상을 위해 백본, 넥(Path Aggregation Network) 및 헤드에 대한 개선 사항이 포함되어 있습니다.
성능 및 사용 사례
PP-YOLOE+는 속도와 정확도 간의 유연한 균형을 제공하는 모델 제품군(t, s, m, l, x)을 제공합니다. 이러한 확장성 덕분에 리소스가 제한된 에지 장치에서 강력한 클라우드 서버에 이르기까지 다양한 하드웨어 제약 조건에 맞게 조정할 수 있습니다.
이상적인 적용 분야:
- 산업 자동화: 속도와 정확성의 균형이 필요한 제조업의 품질 검사에 적합합니다.
- 소매 분석: 선반 재고 관리 및 고객 행동 분석에 사용할 수 있습니다.
- 환경 모니터링: 효율성은 자동화된 재활용 및 폐기물 분류와 같은 애플리케이션에 유용합니다.
강점과 약점
- 강점: 앵커 프리 디자인은 아키텍처와 훈련 프로세스를 간소화합니다. 다양한 모델 크기로 뛰어난 확장성을 제공하며 강력한 정확도/속도 균형을 달성합니다.
- 약점: 이 모델은 주로 PaddlePaddle 딥 러닝 프레임워크용으로 설계되었으므로 PyTorch 기반 워크플로우로 통합하려면 추가적인 노력이 필요할 수 있습니다. 커뮤니티 및 타사 도구 지원은 YOLO 제품군보다 적습니다.
정면 대결 성능 비교
YOLOv7과 PP-YOLOE+를 비교할 때 선택은 종종 특정 성능 요구 사항과 하드웨어에 따라 달라집니다. YOLOv7은 일반적으로 높은 FPS 지표에서 볼 수 있듯이 GPU에서 최대 처리량을 제공하는 데 탁월합니다. 반면에 PP-YOLOE+는 개발자가 필요한 정확한 절충점을 선택할 수 있도록 더 세분화된 모델 선택을 제공합니다. 예를 들어 PP-YOLOE+s는 매우 빠르며 PP-YOLOE+x는 속도를 희생하여 매우 높은 mAP를 달성합니다.
| 모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 T4 TensorRT10 (ms) |
파라미터 (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
Ultralytics YOLO가 더 나은 선택인 이유
YOLOv7과 PP-YOLOE+는 모두 강력한 모델이지만, 현대적이고 다재다능하며 사용자 친화적인 프레임워크를 추구하는 개발자와 연구자는 Ultralytics 생태계, 특히 Ultralytics YOLOv8 및 최신 YOLO11과 같은 모델에서 우수한 가치를 발견할 것입니다.
Ultralytics YOLO 모델이 돋보이는 이유는 다음과 같습니다.
- 사용 편의성: Ultralytics는 학습, 검증 및 배포를 매우 간단하게 만드는 간소화된 Python API 및 CLI를 제공합니다. 이는 광범위한 documentation과 다양한 튜토리얼에 의해 지원됩니다.
- 잘 관리되는 에코시스템: 이 모델은 활발한 개발, 대규모 오픈 소스 커뮤니티, 원활한 MLOps를 위한 Ultralytics HUB와 같은 도구와의 통합을 포함하는 포괄적인 에코시스템의 일부입니다.
- 다재다능함: YOLOv8 및 YOLO11과 같은 Ultralytics 모델은 객체 감지에만 국한되지 않습니다. 인스턴스 분할, 자세 추정, 분류 및 방향이 지정된 객체 감지(OBB)를 포함한 다른 주요 비전 작업에 대한 기본 지원을 제공하여 통합 솔루션을 제공합니다.
- 성능 및 효율성: Ultralytics 모델은 속도와 정확도의 최적 균형을 위해 설계되었습니다. 또한 메모리 효율성이 뛰어나 다른 아키텍처에 비해 훈련 및 추론에 더 적은 CUDA 메모리가 필요한 경우가 많으며, 이는 상당한 이점입니다.
- 학습 효율성: COCO와 같은 데이터 세트에서 즉시 사용 가능한 사전 학습된 가중치와 효율적인 학습 프로세스를 통해 고성능 사용자 정의 모델을 더 빠르고 쉽게 얻을 수 있습니다.
결론
YOLOv7은 실시간 GPU 성능이 최우선 순위인 애플리케이션에 적합한 선택입니다. PP-YOLOE+는 뛰어난 확장성과 단순화된 앵커 프리(anchor-free) 방식을 제공하지만, PaddlePaddle 프레임워크에 대한 의존성은 많은 개발자에게 제약이 될 수 있습니다.
그러나 대부분의 최신 애플리케이션의 경우 YOLOv8 및 YOLO11과 같은 Ultralytics 모델이 더욱 강력하고 미래 지향적인 옵션을 제공합니다. 최첨단 성능과 비교할 수 없는 사용자 경험, 광범위한 작업 지원 및 강력하고 잘 관리되는 생태계를 결합합니다. 따라서 고품질 컴퓨터 비전 솔루션을 효율적으로 구축하고 배포하려는 개발자 및 연구자에게 이상적인 선택입니다.
다른 모델 살펴보기
더 자세한 내용을 알아보려면 YOLOv7, PP-YOLOE+ 및 기타 주요 모델과 관련된 다음 비교를 살펴보십시오.
- YOLOv7 vs. YOLOv8
- PP-YOLOE+ vs. YOLOv8
- YOLOX 대 YOLOv7
- RT-DETR vs. YOLOv7
- YOLOv10 및 YOLO11과 같은 최신 모델을 살펴보세요.
