YOLOv7 vs YOLOv5: 상세 기술 비교
객체 감지 모델을 선택할 때 개발자는 종종 속도, 정확도 및 사용 편의성 간의 균형을 고려합니다. Ultralytics YOLOv5와 YOLOv7은 컴퓨터 비전 환경에서 각각 뚜렷한 강점을 가진 두 가지 중요한 모델입니다. 이 페이지에서는 프로젝트의 요구 사항에 가장 적합한 모델을 결정하는 데 도움이 되도록 아키텍처 차이점, 성능 벤치마크 및 이상적인 애플리케이션을 강조하여 자세한 기술 비교를 제공합니다.
YOLOv7은 출시 당시 정확도의 경계를 넓혔지만, Ultralytics YOLOv5는 강력하고 잘 관리되는 생태계에서 지원하는 효율성, 빠른 배포 및 접근성에 대한 벤치마크로 자리 잡았습니다.
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 빠른 속도를 유지하면서 실시간 객체 감지기의 정확도에서 새로운 최첨단 기술을 확립하는 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
YOLOv7의 아키텍처는 기능 학습을 개선하고 훈련 후 더 빠른 추론을 위해 모델을 최적화하도록 설계된 몇 가지 주요 혁신을 기반으로 구축되었습니다.
- Extended Efficient Layer Aggregation Network (E-ELAN): 백본의 이 모듈은 기울기 경로를 보다 효율적으로 관리하여 네트워크의 학습 능력을 향상시켜 더욱 다양한 특징을 학습할 수 있도록 합니다.
- 모델 스케일링: 연결 기반 모델에 대한 복합 스케일링 방법을 구현하여 다양한 계산 예산에 맞게 모델의 깊이와 너비를 조정합니다.
- 학습 가능한 Bag-of-Freebies: 보조 헤드 및 최적화된 레이블 할당과 같은 고급 학습 기술을 활용하여 추론 비용을 늘리지 않고 정확도를 향상시킵니다. 이러한 보조 헤드는 기능 학습을 강화하기 위해 학습 중에만 사용되며 추론을 위해 제거됩니다.
YOLOv7의 강점
- 높은 정확도: COCO와 같은 벤치마크에서 높은 mAP 점수를 달성하여 종종 정확도에서 최신 모델보다 뛰어납니다.
- 효율적인 훈련 기법: 추론 중에 계산 오버헤드를 추가하지 않고 성능을 최대화하는 새로운 훈련 전략을 통합합니다.
YOLOv7의 약점
- 복잡성: 보조 헤드와 같은 기능이 있는 아키텍처 및 학습 프로세스는 Ultralytics YOLOv5의 간소화된 접근 방식에 비해 이해하고 수정하기가 더 복잡할 수 있습니다.
- 생태계 및 지원: Ultralytics에서 제공하는 광범위한 문서, 튜토리얼 및 통합된 생태계가 부족합니다. 이로 인해 개발자가 배포 및 문제 해결에 어려움을 겪을 수 있습니다.
- 리소스 집약적: 더 큰 YOLOv7 모델은 훈련에 상당한 컴퓨팅 리소스를 요구하므로, 제한된 하드웨어를 가진 사용자의 접근성을 제한할 수 있습니다.
YOLOv7의 사용 사례
- 고성능 탐지: 고급 감시 또는 자율 주행 차량과 같이 절대적으로 가장 높은 정확도를 달성하는 것이 중요한 애플리케이션에 적합합니다.
- 연구 및 벤치마킹: 최첨단 객체 감지 기술을 탐구하고 성능 경계를 확장하기 위해 학술 연구에서 자주 사용됩니다.
Ultralytics YOLOv5: 속도와 단순성
Glenn Jocher가 제작한 Ultralytics YOLOv5는 2020년 6월 26일에 출시되었습니다. 빠른 속도, 정확성, 그리고 가장 중요한 사용 편의성의 균형으로 인해 가장 인기 있는 객체 감지 모델 중 하나가 되었습니다. PyTorch를 기반으로 구축되었으며 빠른 학습, 강력한 배포 및 접근성을 위해 설계되었습니다.
작성자: Glenn Jocher
기관: Ultralytics
날짜: 2020-06-26
Arxiv: 없음
GitHub: https://github.com/ultralytics/yolov5
Docs: https://docs.ultralytics.com/models/yolov5/
YOLOv5의 아키텍처 및 주요 기능
YOLOv5는 학습과 추론 모두에 고도로 최적화된 간단하면서도 강력한 아키텍처를 특징으로 합니다.
- CSP 기반 아키텍처: 특징 흐름을 최적화하고 계산 병목 현상을 줄이기 위해 백본과 넥(PANet) 모두에서 CSP(Cross Stage Partial) 네트워크를 활용합니다.
- 확장 가능한 모델 제품군: Nano(YOLOv5n)에서 Extra-Large(YOLOv5x)에 이르는 다양한 모델을 제공하여 사용자는 경량 에지 장치에서 고성능 클라우드 서버에 이르기까지 특정 요구 사항에 맞는 속도와 정확도의 완벽한 균형을 선택할 수 있습니다.
- 개발자 우선 경험: 처음부터 단순성을 염두에 두고 설계되었습니다. 자동 앵커 생성, 통합된 실험 추적, 초보자와 전문가 모두가 사용하기 쉬운 간소화된 훈련 파이프라인을 제공합니다.
Ultralytics YOLOv5의 강점
- 사용 편의성: YOLOv5는 간단한 사용자 경험으로 유명합니다. 간단한
pip install ultralytics명령어, 사용자 친화적인 CLI, 광범위한 문서, 시작하기가 매우 빠릅니다. - 잘 관리되는 에코시스템: Ultralytics의 지속적인 개발, 강력한 오픈 소스 커뮤니티, 그리고 노코드 훈련 및 배포를 위한 Ultralytics HUB와 같은 도구와의 원활한 통합을 통해 이점을 얻습니다.
- 성능 균형: 속도와 정확도 간의 뛰어난 절충점을 달성합니다. YOLOv5n과 같은 소형 모델은 매우 빠르며 CPU 및 에지 장치에서 실시간 추론에 이상적입니다.
- 학습 효율성: 학습 과정은 매우 효율적이며, 다른 많은 모델에 비해 수렴 시간이 더 빠르고 메모리 요구 사항이 적습니다. 사전 학습된 가중치를 즉시 사용할 수 있으며, 사용자 정의 학습이 간단합니다.
- 다재다능함: 객체 탐지, 인스턴스 분할 및 이미지 분류를 포함한 다양한 작업을 기본적으로 지원합니다.
Ultralytics YOLOv5의 단점
- 최고 정확도: 매우 경쟁력이 있지만 가장 큰 YOLOv5 모델은 특정 벤치마크에서 가장 큰 YOLOv7 변형의 최고 mAP와 일치하지 않을 수 있습니다. YOLOv7은 이 메트릭을 최대화하도록 특별히 설계되었기 때문입니다.
Ultralytics YOLOv5의 사용 사례
- 실시간 애플리케이션: 로보틱스, 드론 비전 및 실시간 비디오 분석과 같이 빠른 추론이 필요한 애플리케이션에 이상적입니다.
- Edge 배포: 효율적인 설계와 작은 모델 크기로 인해 NVIDIA Jetson과 같은 리소스가 제한된 엣지 장치에 배포하는 데 적합합니다.
- 신속한 프로토타이핑: 사용 편의성과 광범위한 지원 덕분에 객체 감지 솔루션을 신속하게 개발하고 배포하는 데 탁월한 선택입니다.
성능 및 벤치마크: YOLOv7 vs. YOLOv5
성능의 주요 차이점은 설계 우선순위에 있습니다. YOLOv7은 최고의 정확도를 목표로 하는 반면, YOLOv5는 보다 균형 잡히고 실용적인 다양한 옵션을 제공합니다.
| 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 |
| 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 |
표에서 볼 수 있듯이 YOLOv7 모델은 경쟁력 있는 GPU 속도로 인상적인 mAP 점수를 달성합니다. 그러나 Ultralytics YOLOv5는 다양한 배포 시나리오에 대한 더 우수한 범위의 옵션을 제공합니다. YOLOv5n 및 YOLOv5s 모델은 CPU와 GPU 모두에서 훨씬 빠르므로 낮은 대기 시간 및 에지 애플리케이션에 적합합니다.
결론: 어떤 모델을 선택해야 할까요?
YOLOv7과 YOLOv5 중 선택은 프로젝트의 우선순위에 크게 좌우됩니다.
-
가능한 최고의 감지 정확도를 달성하는 것이 주요 목표이고 더 복잡한 아키텍처와 훈련 파이프라인을 관리할 수 있는 컴퓨팅 리소스와 기술 전문 지식이 있는 경우 YOLOv7을 선택하십시오. 성능이 가장 중요한 연구 및 특수 응용 분야에 탁월한 모델입니다.
-
빠른 개발, 사용 편의성 및 배포 유연성을 중요하게 생각하는 경우 Ultralytics YOLOv5를 선택하십시오. 간소화된 워크플로, 광범위한 문서 및 강력한 성능 균형으로 인해 대부분의 상업적 및 실제 응용 분야에 이상적인 선택입니다. 초보자이든 숙련된 실무자이든 YOLOv5의 강력한 생태계는 개념에서 생산까지의 여정을 가속화합니다.
대부분의 개발자에게 Ultralytics YOLOv5의 실질적인 이점과 포괄적인 지원은 더욱 강력한 선택이 됩니다. Ultralytics YOLOv8과 같은 후속 제품은 동일한 사용자 친화적인 프레임워크 내에서 훨씬 더 나은 성능과 더 많은 기능을 제공하여 이러한 유산을 이어갑니다.
다른 모델 살펴보기
최신 기술 발전에 관심이 있다면 Ultralytics 생태계의 최신 모델을 살펴보는 것이 좋습니다.
- Ultralytics YOLOv8: YOLOv5의 후속 모델로, 향상된 정확도, 속도 및 감지, 분할, 포즈 추정 및 추적을 위한 통합 API를 제공합니다. YOLOv8과 YOLOv7 간의 직접적인 비교를 참조하십시오.
- Ultralytics YOLOv10: 대기 시간을 줄이고 효율성을 향상시키기 위해 NMS-free 엔드 투 엔드 감지에 중점을 둔 최첨단 모델입니다.
- Ultralytics YOLO11: Ultralytics의 최신 최첨단 모델로, 앵커 프리(anchor-free) 디자인을 통해 속도, 효율성 및 사용 편의성을 강조합니다.
