YOLOv8 YOLO: 자세한 기술 비교
컴퓨터 비전 프로젝트에서 올바른 물체 감지 모델을 선택하는 것은 매우 중요합니다. 이 페이지에서는 두 가지 최신 모델인 Ultralytics YOLOv8 YOLO 아키텍처, 성능 및 애플리케이션을 분석하여 기술적으로 비교합니다.
Ultralytics YOLOv8
Ultralytics YOLOv8 은 물체 감지와 인스턴스 분할 및 포즈 추정과 같은 기타 비전 작업에서 속도와 정확성의 균형이 잘 잡힌 것으로 알려진 YOLO 시리즈의 최신 버전입니다. 2023년 1월 10일에 출시된 YOLOv8 Ultralytics 글렌 조처, 아유시 차우라시아, 징 치우가 개발하고 아키텍처 개선과 사용자 편의성에 중점을 두고 이전 YOLO 버전을 기반으로 구축되었습니다. 사용 편의성과 다용도성을 강조한 설명서를 통해 초보자부터 전문가까지 다양한 애플리케이션과 사용자에게 적합합니다.
강점:
- 성능: YOLOv8 인상적인 추론 속도를 유지하면서 최첨단 mAP를 구현합니다. 다양한 계산 요구 사항에 맞게 다양한 모델 크기(n, s, m, l, x)를 제공합니다.
- 다목적성: 물체 감지 외에도 YOLOv8 세분화, 분류, 포즈 추정 등 다양한 비전 작업을 지원하여 다양한 컴퓨터 비전 요구 사항을 위한 통합 솔루션을 제공합니다.
- 사용의 용이성: Ultralytics 포괄적인 문서와 도구를 제공하여 교육, 배포 및 Ultralytics HUB와 같은 플랫폼과의 통합을 간소화합니다.
- 커뮤니티 지원: 대규모의 활발한 오픈 소스 커뮤니티가 지속적인 개선과 폭넓은 지원을 보장합니다.
약점:
- 리소스 집약적: 규모가 큰 YOLOv8 모델은 학습 및 추론에 상당한 컴퓨팅 리소스를 필요로 합니다.
- 최적화 필요성: 리소스가 극도로 제한된 디바이스의 경우 모델 가지치기와 같은 추가 최적화가 필요할 수 있습니다.
사용 사례:
YOLOv8 다목적성은 보안 시스템과 스마트 시티의 실시간 비디오 분석부터 의료 및 제조의 복잡한 작업에 이르기까지 광범위한 애플리케이션에 이상적입니다. 또한 사용이 간편해 신속한 프로토타이핑과 개발에도 탁월합니다.
DAMO-YOLO
YOLO 알리바바 그룹에서 개발한 객체 감지 모델로, 2022년 11월 23일 ArXiv에 발표된 논문에서 소개되었습니다. Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun이 저술한 YOLO 혁신적인 기술을 사용하여 빠르고 정확한 탐지기를 만드는 데 중점을 두고 있습니다. 여기에는 NAS 기반 백본, 효율적인 RepGFPN, 제로헤드와 함께 AlignedOTA 및 증류 향상과 같은 고급 훈련 전략이 포함됩니다. 공식 문서와 GitHub 리포지토리에서 아키텍처와 구현에 대한 자세한 내용을 확인할 수 있습니다.
강점:
- 높은 정확도: YOLO 높은 정확도를 위해 설계되어 경쟁력 있는 맵 점수를 달성하며, 특히 정밀한 물체 감지가 필요한 시나리오에서 탁월한 성능을 발휘합니다.
- 효율적인 설계: 제로헤드와 같은 아키텍처 혁신은 간소화된 모델에 기여하여 정확도와 계산 효율성의 균형을 맞추고 있습니다.
- 고급 기술: 백본 설계를 위한 신경 아키텍처 검색(NAS)과 최적화된 트레이닝을 위한 AlignedOTA와 같은 최첨단 기술을 통합합니다.
약점:
- 제한된 작업 다양성: 주로 물체 감지에 중점을 두어 YOLOv8 멀티태스크 기능이 부족합니다.
- 문서 및 커뮤니티: YOLOv8 비해 YOLO 커뮤니티가 작고 문서가 덜 광범위하여 신규 사용자나 광범위한 지원을 원하는 사용자에게 어려움을 겪을 수 있습니다.
- 추론 속도: 효율적이기는 하지만 표준 벤치마크에서 YOLOv8 직접 속도를 비교하는 것은 쉽지 않으며, 특정 구현과 하드웨어에 따라 속도가 달라질 수 있습니다.
사용 사례:
YOLO 자율 주행, 고정밀 산업 검사, 첨단 비디오 감시 시스템 등 높은 감지 정확도가 가장 중요한 분야에 적합합니다. 정확성과 효율성에 중점을 두어 세밀하고 안정적인 물체 감지가 중요한 시나리오에서 강력한 경쟁자가 될 수 있습니다.
성능 비교 표
| 모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 T4TensorRT10 (ms) |
매개변수 (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| 다모욜로 | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
결론
YOLOv8 YOLO 모두 강력한 객체 감지 모델입니다. YOLOv8 다용도성, 사용 편의성, 강력한 커뮤니티를 갖추고 있어 다양한 작업과 개발 시나리오에 적합합니다. YOLO 정확성과 효율적인 설계가 뛰어나 정밀한 물체 감지가 필요한 애플리케이션에 적합한 모델입니다. 다른 모델에 관심이 있는 사용자는 특정 요구 사항과 우선순위에 따라 YOLOv7, YOLOv9 또는 YOLOX를 고려할 수도 있습니다.
