콘텐츠로 건너뛰기

YOLOv7 YOLOv6.0 비교: 종합적인 기술 비교

빠르게 진화하는 컴퓨터 비전 환경에서 올바른 물체 감지 모델을 선택하는 것은 프로젝트 성공을 위해 매우 중요합니다. 이 분야를 형성한 두 가지 중요한 프레임워크는 YOLOv7 YOLOv6.0입니다. 두 프레임워크는 YOLO (You Only Look Once)의 계보를 공유하지만 아키텍처 철학과 최적화 목표가 크게 다릅니다.

이 가이드에서는 아키텍처, 성능 지표, 이상적인 배포 시나리오를 비교하면서 이 두 모델에 대한 심층적인 기술 분석을 제공합니다. 또한 다음과 같은 최신 대안이 어떻게 Ultralytics YOLO11 과 같은 최신 대안이 이러한 이전 모델의 최고의 기능을 통합된 사용자 친화적인 에코시스템으로 통합하는 방법도 살펴봅니다.

YOLOv7: 정확성의 아키텍처

YOLOv7은 실시간 추론 기능의 저하 없이 정확도를 극대화하기 위해 아키텍처 혁신을 우선시하는 YOLO 제품군에 큰 변화를 가져왔습니다. 이 제품은 COCO 데이터 세트 벤치마크의 한계를 뛰어넘도록 설계되었습니다.

저자들: 저자: 왕치엔야오, 알렉세이 보흐코브스키, 홍위안 마크 리아오
조직:대만 학술원 정보과학연구소
날짜: 2022-07-06
Arxiv:https://arxiv.org/abs/2207.02696
GitHub:https://github.com/WongKinYiu/yolov7
Docsultralytics

주요 아키텍처 기능

YOLOv7 추론 비용을 늘리지 않고 정확도를 높이는 최적화 방법인 '훈련 가능한 공짜 가방'을 도입했습니다.

  • E-ELAN(확장 효율 계층 집계 네트워크): 이 아키텍처는 최단 및 최장 경사 경로를 제어하여 네트워크의 학습 능력을 향상시킵니다. 계산 블록의 카디널리티를 확장하여 모델이 더 다양한 특징을 학습할 수 있도록 합니다.
  • 모델 스케일링: YOLOv7 깊이와 너비를 동시에 수정하는 복합 스케일링 기술을 사용하여 다양한 모델 크기(Tiny부터 E6E까지)에 걸쳐 최적의 성능을 보장합니다.
  • 보조 헤드 훈련: 모델은 훈련 중에 보조 헤드를 사용하여 심층 감독을 제공한 다음 추론 중에 제거합니다. 이를 통해 딥러닝 모델의 수렴력이 향상됩니다.

강점과 약점

YOLOv7 특히 작고 가려진 물체에서 높은 평균 정밀도(mAP)로 유명합니다. 정밀도가 가장 중요한 연구 및 시나리오에 탁월한 선택이 될 수 있습니다. 하지만 연결 기반 레이어에 크게 의존하는 복잡한 아키텍처로 인해 간소화된 산업용 모델에 비해 훈련 시 메모리 사용량이 높을 수 있습니다.

YOLOv7 대해 자세히 알아보기

YOLOv6.0: 산업 속도를 위한 설계

메이투안의 비주얼 컴퓨팅 부서에서 개발한 YOLOv6.0은 실용적인 산업 애플리케이션에 중점을 두고 있습니다. 2023년 초에 출시될 이 기술은 추론 속도와 하드웨어 효율성을 우선시하여 엣지 컴퓨팅의 강력한 후보가 될 것입니다.

저자: 추이 리, 룰루 리, 이페이 겅, 홍량 장, 멩 청, 보 장, 자이단 케, 샤오밍 쉬, 샹샹 추
조직: Meituan
날짜: 2023-01-13
아카이브:https://arxiv.org/abs/2301.05586
깃허브YOLOv6
문서ultralytics

주요 아키텍처 기능

YOLOv6.0은 하드웨어 인식 설계, 특히 GPU 및 CPU 처리량에 최적화되어 있다는 점이 특징입니다.

  • RepVGG 백본: 이 모델은 재파라미터화(RepVGG) 블록을 활용합니다. 훈련 중에 모델은 더 나은 학습을 위해 다중 분기 토폴로지를 가지며, 추론을 위해 단일 분기 구조로 수학적으로 융합됩니다. 그 결과 NVIDIA Jetson과 같은 하드웨어에서 더 빠르게 실행할 수 있습니다.
  • 디커플링 헤드: 분류 및 로컬라이제이션 기능을 공유했던 이전 YOLO 버전과 달리, YOLOv6 디커플링 헤드를 사용합니다. 이러한 분리를 통해 수렴 속도와 감지 정확도가 향상됩니다.
  • 정량화 친화적: 이 아키텍처는 리소스가 제한된 디바이스에 배포하는 데 필수적인 모델 정량화 (예: INT8)에 친화적으로 설계되었습니다.

강점과 약점

YOLOv6.0은 원시 처리량에서 탁월합니다. 밀리초가 중요한 산업 자동화 라인이나 로봇 공학에서는 최적화된 추론 그래프가 큰 장점입니다. 그러나 주로 탐지에 초점을 맞추고 있으며, YOLO11 같은 이후 버전에서 볼 수 있는 기본 멀티태스크 다목적성이 부족합니다.

YOLOv6.0에 대해 자세히 알아보기

성능 비교

다음 표는 두 모델 간의 장단점을 보여줍니다. YOLOv6.0은 일반적으로 유사한 정확도 계층에서 우수한 속도를 제공하는 반면, YOLOv7 탐지 정밀도의 한계를 뛰어넘습니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLOv6.0n64037.5-1.174.711.4
YOLOv6.0s64045.0-2.6618.545.3
YOLOv6.0m64050.0-5.2834.985.8
YOLOv6.0l64052.8-8.9559.6150.7

결과 분석

  • 속도 대 정확도: YOLOv6.0n은 T4 GPU에서 1.17ms의 추론 속도를 달성하여 고속 비디오 분석에 이상적입니다.
  • 최고 정확도: YOLOv7x는 더 높은 mAP (53.1%)를 달성하여 YOLOv6.0l(52.8%)에 비해 어려운 사례를 탐지하는 데 강점을 보였습니다.
  • 컴퓨팅 효율성: YOLOv6 비슷한 성능 수준에서 더 적은 FLOP을 사용하여 "EfficientRep" 설계 철학을 입증합니다.

배포 고려 사항

벤치마크는 기준선을 제공하지만, 실제 성능은 배포 하드웨어에 따라 크게 달라집니다. YOLOv6 재파라미터화는 GPU에서 빛을 발하는 반면, YOLOv7 연결 기반 아키텍처는 견고하지만 메모리 대역폭을 많이 사용할 수 있습니다.

Ultralytics 이점: 비교 그 이상

YOLOv7 YOLOv6.0은 컴퓨터 비전 역사에 중요한 업적을 남겼지만, 이 분야는 빠르게 변화하고 있습니다. 지속 가능하고 미래 지향적인 솔루션을 찾는 개발자에게 적합합니다, Ultralytics YOLO11 은 개별 모델 아키텍처의 한계를 대체하는 포괄적인 에코시스템을 제공합니다.

Ultralytics YOLO11을 선택해야 하는 이유

  1. 탁월한 사용 편의성: 복잡한 리포지토리 복제 및 환경 설정이 필요한 많은 오픈 소스 모델과 달리, Ultralytics 모델은 간단한 pip 설치를 통해 액세스할 수 있습니다. Python API 디자인은 직관적이어서 단 몇 줄의 코드만으로 학습과 추론이 가능합니다.
  2. 성능 균형: YOLO11 실시간 애플리케이션에 필요한 추론 속도를 유지하면서 최첨단 정확도를 달성하는 정교한 아키텍처를 채택하여 YOLOv6 YOLOv7 아키텍처적 교훈을 기반으로 합니다.
  3. 다목적성: Ultralytics 에코시스템의 가장 강력한 장점 중 하나는 다양한 작업을 지원한다는 점입니다. YOLOv6 YOLOv7 주로 탐지에 중점을 두지만, YOLO11 기본적으로 인스턴스 세분화, 포즈 추정, 분류 및 OBB(지향 객체 탐지)를 지원합니다.
  4. 훈련 효율성: Ultralytics 모델은 훈련 중 더 빠른 컨버전스와 낮은 메모리 사용을 위해 최적화되어 있습니다. 이러한 효율적인 리소스 관리 덕분에 구형 트랜스포머나 연결이 많은 아키텍처에서 흔히 발생하는 막대한 CUDA 메모리 오버헤드 없이 소비자급 GPU에서 훈련할 수 있습니다.
  5. 잘 관리된 에코시스템: 잦은 업데이트, 광범위한 문서, 활발한 커뮤니티를 통해 Ultralytics 프로젝트가 최신 PyTorch 버전 및 다음과 같은 내보내기 형식과 계속 호환되도록 보장합니다. ONNX, TensorRT 및 CoreML 같은 내보내기 형식과 호환됩니다.

구현 예시

Ultralytics 최첨단 모델을 배포하는 것은 간단합니다. 다음은 개체 감지를 쉽게 구현하는 방법입니다:

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Process results
for result in results:
    result.save(filename="output.jpg")  # save to disk

결론

YOLOv7 YOLOv6.0은 모두 특정 틈새 시장을 공략합니다: 고정밀 연구 작업을 위한 YOLOv7 산업 속도 최적화를 위한 YOLOv6.0이 그것입니다. 하지만 대부분의 개발자와 연구자에게는 Ultralytics YOLO11 에코시스템은 가장 균형 잡히고 다재다능하며 유지 관리가 용이한 솔루션을 제공합니다. 뛰어난 성능과 탁월한 사용자 경험 및 광범위한 작업 지원을 결합한 Ultralytics 사용자가 모델 아키텍처와 씨름하는 대신 실제 문제 해결에 집중할 수 있도록 지원합니다.

다른 모델 살펴보기

컴퓨터 비전 환경에서 더 많은 옵션을 살펴보고 싶다면 다음 비교를 고려해 보세요:

  • YOLOv7 RT-DETR: CNN 기반 탐지기와 트랜스포머 기반 아키텍처 비교.
  • YOLOv6 YOLOv8: 이전 세대의 Ultralytics 모델이 산업 표준과 어떻게 비교되는지 살펴봅니다.
  • YOLOv7 : 앵커 프리와 앵커 기반 탐지 전략 비교 분석.

댓글