모델 비교: 객체 탐지를 위한 YOLOv7 vs. YOLOv8
적절한 객체 탐지 모델을 선택하는 것은 컴퓨터 비전 작업에서 최적의 성능을 달성하는 데 매우 중요합니다. 이 페이지에서는 이 분야의 중요한 모델인 YOLOv7과 Ultralytics YOLOv8의 기술 비교를 제공합니다. Ultralytics 생태계에서 제공하는 이점을 강조하면서 모델 선택 프로세스를 안내하기 위해 아키텍처의 미묘한 차이, 성능 벤치마크 및 이상적인 애플리케이션을 분석합니다.
YOLOv7: 실시간 감지의 벤치마크
YOLOv7은 실시간 객체 탐지 분야의 중요한 발전으로 소개되었으며, 추론 비용 증가 없이 훈련 효율성과 정확성을 최적화하는 데 중점을 두었습니다. 출시 당시 실시간 검출기의 새로운 최첨단 기술을 확립했습니다.
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/
아키텍처 및 주요 기능
YOLOv7은 몇 가지 주요 혁신을 도입하여 이전 YOLO 아키텍처를 기반으로 구축되었습니다. 특징 추출 효율성을 개선하기 위해 백본에 E-ELAN(Extended Efficient Layer Aggregation Networks)과 같은 기술을 사용합니다. 주요 기여는 추론 중에 계산 오버헤드를 추가하지 않고 최종 모델 정확도를 높이기 위해 훈련 중에 적용되는 최적화 전략(예: 보조 헤드 및 coarse-to-fine 지침)과 관련된 "trainable bag-of-freebies" 개념입니다. YOLOv7은 주로 객체 감지 작업에 중점을 둔 앵커 기반 감지기이지만 커뮤니티 확장은 포즈 추정과 같은 다른 작업에 적용되었습니다.
강점
- 높은 정확도 및 속도 균형: mAP와 추론 속도의 강력한 조합을 제공하여 실시간 추론 작업에 매우 효과적입니다.
- 효율적인 훈련: 최종 추론 비용을 늘리지 않고 정확도를 향상시키기 위해 고급 훈련 기술("bag-of-freebies")을 활용합니다.
- 검증된 성능: MS COCO 데이터 세트와 같은 표준 벤치마크에서 입증된 결과를 제공합니다.
약점
- 아키텍처 복잡성: 아키텍처와 새로운 학습 기술은 완전히 이해하고 사용자 정의 사용 사례에 맞게 최적화하기 어려울 수 있습니다.
- 리소스 집약적: 더 큰 YOLOv7 모델은 훈련에 상당한 GPU 리소스가 필요합니다.
- 제한적인 작업 다양성: 주로 객체 감지에 중점을 둡니다. 인스턴스 분할 또는 이미지 분류와 같은 다른 작업을 구현하려면 YOLOv8의 통합된 접근 방식과 달리 별도의 비통합 구현이 필요합니다.
Ultralytics YOLOv8: 최첨단 효율성 및 적응성
Ultralytics YOLOv8은(는) 이전 YOLO 버전의 성공을 기반으로 구축된 Ultralytics의 후속 주요 릴리스입니다. 뛰어난 성능, 유연성 및 효율성을 위해 설계된 최첨단 모델입니다. YOLOv8은(는) 앵커 프리 설계와 보다 간소화된 아키텍처를 도입하여 성능과 사용 편의성을 모두 향상시킵니다.
작성자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
소속: Ultralytics
날짜: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
문서: https://docs.ultralytics.com/models/yolov8/
강점
- 최첨단 성능: YOLOv8은 정확도와 속도 간의 탁월한 균형을 이루어 edge AI에서 클라우드 기반 서비스에 이르기까지 광범위한 애플리케이션에 적합합니다.
- 사용자 친화적인 디자인: Ultralytics는 간결성을 우선시하며, 학습 및 배포를 위한 포괄적인 설명서, 간단한 워크플로우, 간단한 Python 및 CLI 인터페이스를 제공합니다.
- 탁월한 다재다능함: detection, segmentation, classification, 포즈 추정 및 OBB(oriented object detection)를 포함한 여러 비전 작업을 기본적으로 지원하여 다양한 컴퓨터 비전 요구 사항에 대한 통합 솔루션을 제공합니다.
- 잘 관리되는 에코시스템: 노코드 학습 및 배포를 위해 Ultralytics HUB와 원활하게 통합됩니다. 활발한 개발, 잦은 업데이트, 강력한 커뮤니티 지원 및 광범위한 리소스의 이점을 누릴 수 있습니다.
- 학습 및 메모리 효율성: 즉시 사용 가능한 사전 훈련된 가중치로 효율적인 학습 프로세스를 제공합니다. 이 아키텍처는 종종 학습 속도가 느리고 더 많은 CUDA 메모리를 요구할 수 있는 트랜스포머와 같은 다른 복잡한 아키텍처에 비해 학습 중에 더 낮은 메모리 사용량을 요구합니다.
약점
- 더 큰 모델은 상당한 컴퓨팅 리소스가 필요하지만, 리소스가 제한된 환경에서는 YOLOv8n과 같이 작고 매우 효율적인 변형을 사용할 수 있습니다.
이상적인 사용 사례
YOLOv8의 다재다능함은 실시간 성능과 높은 정확도를 요구하는 애플리케이션에 이상적입니다(예:)
- 보안 경보 시스템 및 자율 주행 차량에서의 실시간 객체 감지.
- 농업 및 의료와 같은 산업 전반에 걸친 다재다능한 Vision AI 솔루션.
- Ultralytics 생태계 내에서 사용 편의성과 강력한 툴링을 통해 신속한 프로토타입 제작 및 배포가 가능합니다.
성능 및 벤치마크: YOLOv7 vs. YOLOv8
성능을 비교할 때 YOLOv8은 모델 범위 전반에 걸쳐 정확도와 효율성 모두에서 분명한 이점을 보여줍니다. 예를 들어 YOLOv8x 모델은 YOLOv7x보다 더 높은 mAP를 달성하면서도 더 효율적입니다. 더 작은 YOLOv8 모델은 엣지 배포에 탁월한 균형을 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
결론: 어떤 모델을 선택해야 할까요?
YOLOv7은 실시간 성능의 경계를 넓힌 강력한 객체 감지기이지만, Ultralytics YOLOv8은 대부분의 최신 애플리케이션에 대해 더 강력한 선택을 나타냅니다.
YOLOv8의 주요 장점은 다음과 같습니다.
- 뛰어난 다재다능함: 더 넓은 범위의 작업에 대한 기본 지원을 통해 복잡한 컴퓨터 비전 프로젝트를 위한 원스톱 솔루션이 됩니다.
- 사용 편의성: 간소화된 API, 광범위한 문서 및 Ultralytics 에코시스템과의 통합으로 초보자와 전문가 모두가 진입 장벽을 크게 낮출 수 있습니다.
- 더 나은 성능-효율성 균형: YOLOv8 모델은 일반적으로 주어진 파라미터 수와 계산 비용에 대해 더 나은 정확도를 제공하므로 다양한 하드웨어 제약 조건에 더 잘 적응할 수 있습니다.
- 활발한 개발 및 지원: Ultralytics의 대표 모델인 YOLOv8은 지속적인 업데이트, 강력한 커뮤니티 및 전문적인 지원을 통해 프로젝트의 장기적인 실행 가능성을 보장합니다.
강력하고 유연하며 사용하기 쉬운 프레임워크를 찾는 개발자 및 연구자에게 Ultralytics YOLOv8은 최첨단 AI 솔루션 구축을 위한 권장되는 선택입니다.
다른 모델 살펴보기
더 자세한 내용을 알아보려면 Ultralytics 문서 내에서 YOLOv7, YOLOv8 및 기타 관련 모델과 관련된 다음 비교를 살펴보십시오.
- YOLOv7 vs. YOLOv5
- YOLOv8 vs. YOLOv5
- YOLOv8 vs. RT-DETR
- YOLOv10 및 YOLO11과 같은 최신 모델을 살펴보세요.
