YOLOv8과 EfficientDet 비교

빠르게 발전하는 객체 감지 분야에서 적합한 신경망 아키텍처를 선택하는 일은 정확도, 추론 속도, 배포 가능성 사이의 균형을 맞추는 데 매우 중요합니다. 이 기술 비교에서는 영향력 있는 두 아키텍처인 현대 컴퓨터 비전 생태계의 다재다능한 표준인 Ultralytics YOLOv8과 Google의 기반 모델로 복합 스케일링 전략으로 잘 알려진 EfficientDet을 살펴봅니다.

고성능 클라우드 서버를 대상으로 배포하든 리소스가 제한된 엣지 디바이스를 대상으로 배포하든, 두 모델의 아키텍처 차이를 이해하면 적합한 모델을 선택하는 데 도움이 됩니다.

아키텍처 개요#

두 모델은 모두 합성곱 신경망을 사용해 이미지 내 객체를 식별하고 위치를 찾지만, 특징 추출과 바운딩 박스 회귀를 수행하는 방법은 서로 다릅니다.

Ultralytics YOLOv8#

2023년 1월 Ultralytics가 출시한 YOLOv8은 YOLO 계열의 주요 발전을 이뤘습니다. Glenn Jocher, Ayush Chaurasia, Jing Qiu가 개발한 YOLOv8은 객체 감지, 인스턴스 분할, 이미지 분류, 자세 추정 등 여러 비전 작업을 지원하도록 처음부터 설계되었습니다.

이 아키텍처는 앵커 프리 감지 헤드를 도입하여 상자 예측 수를 줄이고 Non-Maximum Suppression(NMS) 속도를 높입니다. 백본에는 C2f 모듈(두 개의 합성곱을 사용하는 교차 단계 부분 병목)을 사용하여 경량 구조를 유지하면서 학습 중 그래디언트 흐름을 개선합니다. 따라서 YOLOv8은 NVIDIA TensorRT 또는 ONNX와 같은 형식으로 컴파일할 때 효율적입니다.

EfficientDet#

Google의 Mingxing Tan, Ruoming Pang, Quoc V. Le가 개발하여 2019년 말에 출시한 EfficientDet은 확장 가능한 효율성에 중점을 둡니다. 공식 arXiv 논문에 설명된 이 모델은 Google의 AutoML 연구를 기반으로 합니다.

EfficientDet의 핵심 특징은 양방향 특징 피라미드 네트워크(BiFPN)로, 쉽고 빠른 다중 스케일 특징 융합을 지원합니다. EfficientNet 백본과 결합된 이 아키텍처는 복합 스케일링 방법을 사용하여 백본, 특징 네트워크, 상자 및 클래스 예측 네트워크의 해상도, 깊이, 너비를 동시에 균일하게 조정합니다. 이로 인해 파라미터 효율성은 뛰어나지만, 복잡한 네트워크 토폴로지 때문에 FLOP 수가 적은 것에 비해 GPU에서 실행 속도가 느린 경향이 있습니다.

EfficientDet에 대해 자세히 알아보기

성능 및 지표 비교#

객체 감지 모델을 비교할 때는 평균 정밀도(mAP)와 추론 지연 시간이 주요 벤치마크입니다. 아래 표는 COCO 데이터셋의 표준 지표를 기준으로 YOLOv8 변형 모델과 EfficientDet(d0~d7) 계열을 비교합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
성능 균형 분석

EfficientDet은 더 적은 FLOPs로 경쟁력 있는 정확도를 달성하지만, Ultralytics YOLOv8은 GPU에서 훨씬 빠릅니다. 예를 들어 YOLOv8x는 EfficientDet-d7(53.7)보다 약간 높은 mAP(53.9)를 달성하면서도 T4 GPU에서 약 9배 빠르게 실행됩니다(14.37ms 대 128.07ms). 따라서 YOLOv8은 실시간 비디오 분석에 적합한 선택입니다.

학습 방법론 및 생태계#

머신러닝 아키텍처를 선택할 때 개발자 경험은 중요한 요소이며, 커뮤니티 지원과 생태계 도구는 두 모델 간에 상당한 차이가 있습니다.

EfficientDet은 TensorFlow와 특수한 AutoML 파이프라인에 크게 의존합니다. 대규모 분산 클라우드 학습에는 효과적이지만, EfficientDet GitHub 저장소에서 환경을 설정하고 앵커를 조정하며 복잡한 구성 파일을 분석하는 데 상당한 노력이 들 수 있습니다.

반면 Ultralytics YOLOv8은 PyTorch를 기반으로 구축되어 사용 편의성을 고려해 설계되었습니다. 개발자는 Python 코드 한 줄이나 CLI 명령 하나로 학습을 시작할 수 있습니다. 학습 메모리 사용량도 최적화되어 있어, 일반 소비자용 GPU를 사용하는 개발자도 Transformer 비중이 높은 아키텍처에서 흔히 발생하는 메모리 부족(OOM) 오류를 덜 겪으면서 성능이 뛰어난 모델을 학습할 수 있습니다.

Ultralytics Platform은 데이터셋 주석 작업, 모델 학습 및 클라우드 배포를 위한 노코드 인터페이스를 제공하며, 기본 제공되는 하이퍼파라미터 튜닝을 통해 사용자 지정 데이터셋의 정확도를 최적화할 수 있습니다.

Python 코드 예제: YOLOv8 추론#

Ultralytics GitHub 저장소를 사용하면 몇 줄의 코드만으로 YOLOv8을 학습하고 실행할 수 있습니다.

from ultralytics import YOLO

# PyTorch에서 YOLOv8 모델을 기본 방식으로 초기화합니다
model = YOLO("yolov8n.pt")

# COCO8 예제 데이터셋으로 모델 학습
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# 이미지 URL에서 빠르게 추론을 실행합니다
inference_results = model("https://ultralytics.com/images/bus.jpg")

# 바운딩 박스를 표시합니다
inference_results[0].show()

차세대 모델: Ultralytics YOLO26으로 업그레이드#

YOLOv8은 여전히 유능한 프로덕션 모델이지만, 신규 프로젝트를 시작하는 개발자는 2026년 1월에 출시되어 현재 Ultralytics에서 권장하는 모델인 Ultralytics YOLO26을 평가해야 합니다.

YOLO26은 네이티브 엔드 투 엔드 NMS 없는 설계를 도입합니다. 선택 사항인 일대일 헤드(nms=False)는 초기 YOLO 버전부터 사용되어 온 NMS 후처리를 제거하여 지연 시간의 변동을 줄이고 저전력 디바이스의 배포를 간소화합니다.

YOLO26에는 다음과 같은 학습 및 아키텍처 개선 사항도 포함되어 있습니다.

  • MuSGD 옵티마이저: LLM 학습 기법에서 영감을 받은 이 SGD와 Muon의 하이브리드 방식은 안정적인 학습과 빠른 수렴을 지원합니다.
  • CPU 추론 속도 최대 43% 향상: NMS와 DFL을 제거한 YOLO26n은 CPU 전용 엣지 디바이스와 전용 NPU가 없는 환경에 적합하도록 CPU ONNX 추론에서 YOLO11n보다 최대 43% 빠르게 실행됩니다.
  • ProgLoss + STAL: 점진적 손실과 소형 객체 인식 라벨 할당(STAL)은 작은 객체 감지 성능을 향상하여 항공 이미지와 IoT 카메라 애플리케이션에 유용합니다.
  • DFL 제거: Distribution Focal Loss를 제거하면 OpenVINO 및 CoreML과 같은 형식으로 더 간편하게 내보낼 수 있습니다.

사용 사례 및 권장 사항#

궁극적으로 아키텍처를 선택할 때는 배포 제약과 레거시 요구 사항을 고려해야 합니다.

  • 다음과 같은 경우 Ultralytics YOLOv8을 선택하세요: 높은 정확도, 실시간 GPU 추론, 간편한 개발자 경험이 필요한 다목적 컴퓨터 비전 애플리케이션을 구축하는 경우입니다. 탐지, 분할 및 분류 작업 전반에서 뛰어난 성능을 제공하므로 리테일 분석, 로보틱스, 보안 시스템에 폭넓게 활용할 수 있습니다.
  • 다음과 같은 경우 EfficientDet을 선택하세요: 레거시 TensorFlow 워크플로에 종속되어 있고, 엄격한 실시간 산업 배포보다 연구 목적 등으로 파라미터 수와 이론상 FLOPs를 최소화하는 것이 가장 중요한 경우입니다.
  • 다음과 같은 경우 Ultralytics YOLO26을 선택하세요: 신규 프로젝트를 시작하는 경우입니다. YOLO26은 현재 Ultralytics에서 권장하는 모델이며, 네이티브 엔드 투 엔드 NMS 없는 아키텍처는 빠른 엣지 배포와 대규모 클라우드 처리 모두에 적합합니다.

Ultralytics 생태계의 다른 모델을 살펴보는 경우, 속도와 정확도의 균형이 잘 검증된 Ultralytics YOLO11이나 실시간 감지를 위한 Transformer 기반 접근 방식인 RT-DETR도 고려할 수 있습니다.

댓글1

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.

  1. extremezero9023GitHub(수정됨)

    Great technical breakdown! EfficientDet is known for its excellent accuracy-to-efficiency ratio, especially in resource-constrained environments. However, this YOLOv8 comparison highlights how v8 brings better versatility, faster inference times, and an easier training pipeline. While EfficientDet excels in structured setups, YOLOv8 feels more production-ready for dynamic and real-time use cases.