콘텐츠로 건너뛰기

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.

YOLOv7에 대해 자세히 알아보세요

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 PythonCLI 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 시스템자율 주행 차량에서의 실시간 객체 감지.
  • 농업의료와 같은 산업 전반에 걸친 다재다능한 Vision AI 솔루션.
  • Ultralytics 생태계 내에서 사용 편의성과 강력한 툴링을 통해 신속한 프로토타입 제작 및 배포가 가능합니다.

YOLOv8에 대해 자세히 알아보세요

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.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨

댓글