콘텐츠로 건너뛰기

YOLOv8 vs. PP-YOLOE+: 기술 비교

객체 감지 모델을 선택할 때 개발자는 정확도, 추론 속도 및 구현 용이성 간의 균형을 고려해야 합니다. 이 페이지에서는 Ultralytics의 다재다능하고 널리 채택된 모델인 Ultralytics YOLOv8과 Baidu의 고정확도 모델인 PP-YOLOE+의 두 가지 강력한 모델 간의 자세한 기술 비교를 제공합니다. 아키텍처 차이점, 성능 벤치마크 및 이상적인 사용 사례를 자세히 살펴보고 컴퓨터 비전 프로젝트에 가장 적합한 모델을 결정하는 데 도움을 드립니다.

Ultralytics YOLOv8: 다재다능성 및 성능

Ultralytics YOLOv8은 이전 YOLO 버전의 성공을 기반으로 구축된 Ultralytics에서 개발한 최첨단 모델입니다. 객체 탐지, 인스턴스 분할, 이미지 분류, 포즈 추정 등을 위한 모델 학습을 위한 통합 프레임워크로 설계되었습니다. 성능, 유연성 및 사용 편의성의 조합으로 개발자와 연구자 모두에게 인기가 높습니다.

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/

아키텍처 및 주요 기능

YOLOv8은 가벼움을 유지하면서 특징 추출 기능을 향상시키는 새로운 C2f 백본을 갖춘 앵커 프리 설계를 특징으로 합니다. PyTorch에서 기본적으로 구축되어 접근성이 높고 수정하기 쉽습니다.

YOLOv8의 주요 장점은 잘 관리된 Ultralytics 생태계에 있습니다. 간단한 Python APICLI, 광범위한 문서 및 활발한 커뮤니티 지원을 통해 간소화된 사용자 경험을 제공합니다. 이 모델은 단일 프레임워크 내에서 여러 비전 작업을 지원하는 매우 다재다능하며, 이는 보다 전문화된 모델에서는 종종 부족한 기능입니다. 또한 YOLOv8은 많은 대안에 비해 더 빠른 훈련 시간과 더 낮은 메모리 요구 사항으로 뛰어난 훈련 효율성을 보여줍니다. Ultralytics HUB와의 통합은 데이터 레이블링에서 배포에 이르기까지 전체 MLOps 파이프라인을 간소화합니다.

강점

  • 뛰어난 성능 균형: 속도와 정확도 간의 강력한 균형을 제공하므로 에지 장치에서 클라우드 서버에 이르기까지 광범위한 애플리케이션에 적합합니다.
  • 다재다능함: 단일 모델 프레임워크는 감지, 분할, 분류, 포즈 추정 및 OBB(oriented bounding box)를 지원하여 탁월한 유연성을 제공합니다.
  • 사용 편의성: 사용자 친화적인 API, 포괄적인 문서 및 크고 활발한 커뮤니티를 통해 쉽게 시작하고 문제를 해결할 수 있습니다.
  • 잘 관리되는 에코시스템: 지속적인 업데이트, 새로운 기능, 그리고 Weights & BiasesComet과 같은 MLOps 도구와의 원활한 통합을 통해 이점을 얻습니다.
  • Deployment Flexibility: ONNX, TensorRTOpenVINO와 같은 다양한 형식으로 쉽게 내보낼 수 있어 다양한 하드웨어에서 최적화된 추론이 가능합니다.

약점

  • 매우 경쟁력이 있지만, 가장 큰 PP-YOLOE+ 모델은 COCO 데이터 세트에서 약간 더 높은 mAP를 달성할 수 있지만, 파라미터가 훨씬 많고 추론 속도가 느립니다.

사용 사례

YOLOv8의 균형 잡힌 성능과 다재다능함은 다음과 같은 분야에 이상적입니다.

YOLOv8에 대해 자세히 알아보세요

PP-YOLOE+: PaddlePaddle 생태계에서 높은 정확도 제공

PP-YOLOE+는 Baidu에서 PaddleDetection 제품군의 일부로 개발한 객체 감지 모델입니다. 합리적인 효율성을 유지하면서 높은 정확도를 달성하는 데 중점을 둔 앵커 프리(anchor-free) 단일 단계 검출기입니다. 이 모델은 PaddlePaddle 딥 러닝 프레임워크를 기반으로 구축되었습니다.

작성자: PaddlePaddle Authors
기관: Baidu
날짜: 2022-04-02
ArXiv: https://arxiv.org/abs/2203.16250
GitHub: https://github.com/PaddlePaddle/PaddleDetection/
Docs: https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README.md

아키텍처 및 주요 기능

PP-YOLOE+는 분류 및 회귀를 위한 분리된 헤드와 TAL(Task Alignment Learning)이라는 특수 손실 함수를 포함하여 몇 가지 아키텍처 개선 사항을 도입합니다. 효과적인 기능 융합을 위해 PAN(Path Aggregation Network) neck과 결합된 ResNet 또는 CSPRepResNet과 같은 백본을 사용합니다. 이러한 설계 선택은 특히 더 큰 모델 변형에서 높은 정확도에 기여합니다.

강점

  • 높은 정확도: 가장 큰 모델인 PP-YOLOE+x는 COCO 벤치마크에서 매우 높은 mAP 점수를 달성합니다.
  • 효율적인 앵커 프리 디자인: 미리 정의된 앵커 박스의 필요성을 제거하여 감지 파이프라인을 단순화합니다.
  • PaddlePaddle에 최적화됨: PaddlePaddle 생태계와 긴밀하게 통합되어 있어 이미 이 프레임워크를 사용하고 있는 개발자에게는 장점이 될 수 있습니다.

약점

  • 프레임워크 종속성: PaddlePaddle 프레임워크에 대한 주요 의존성은 주로 PyTorch를 사용하는 더 광범위한 커뮤니티에 대한 접근성을 제한합니다.
  • 제한적인 다용도성: PP-YOLOE+는 주로 객체 감지기이며 YOLOv8에서 볼 수 있는 분할, 분류 및 포즈 추정에 대한 기본 멀티태스킹 지원이 부족합니다.
  • 높은 리소스 사용량: 성능 표에서 볼 수 있듯이 PP-YOLOE+ 모델은 일반적으로 유사한 정확도 수준에서 YOLOv8 모델보다 더 많은 파라미터와 더 높은 FLOPs를 가집니다.
  • 제한적인 확장성: 커뮤니티 지원, 문서, 타사 통합이 Ultralytics YOLOv8에서 제공되는 것만큼 포괄적이지 않습니다.

사용 사례

PP-YOLOE+는 최고 수준의 정확도 달성이 최우선 과제이며 개발팀이 PaddlePaddle 프레임워크를 표준으로 사용하는 애플리케이션에 적합합니다.

  • 산업 결함 감지: 정밀성이 중요한 제조 분야에서 미세한 결함을 식별합니다.
  • 특수 과학 연구: 특정 데이터 세트에서 가능한 가장 높은 탐지 정확도를 요구하는 프로젝트.
  • 리테일 자동화: 자동 결제 시스템과 같은 고정밀 작업.

PP-YOLOE+에 대해 자세히 알아보세요.

성능 및 벤치마크 분석

아래 성능 비교는 YOLOv8과 PP-YOLOE+ 간의 주요 차이점을 강조합니다. PP-YOLOE+x는 가장 높은 mAP를 달성하지만 YOLOv8x보다 44% 더 많은 매개변수를 사용합니다. 대조적으로 YOLOv8 모델은 일관되게 우수한 효율성을 보여주어 더 나은 속도와 더 낮은 리소스 요구 사항을 제공합니다. 예를 들어 YOLOv8n은 CPU 및 GPU에서 모든 PP-YOLOE+ 모델보다 훨씬 빠르면서 가장 적은 매개변수와 FLOP를 사용합니다. 이러한 효율성 덕분에 YOLOv8은 특히 리소스가 제한된 에지 장치에서 실제 배포에 더 실용적인 선택입니다.

모델 크기
(픽셀)
mAPval
50-95
속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(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
PP-YOLOE+t 640 39.9 - 2.84 4.85 19.15
PP-YOLOE+s 640 43.7 - 2.62 7.93 17.36
PP-YOLOE+m 640 49.8 - 5.56 23.43 49.91
PP-YOLOE+l 640 52.9 - 8.36 52.2 110.07
PP-YOLOE+x 640 54.7 - 14.3 98.42 206.59

결론: 어떤 모델을 선택해야 할까요?

대다수의 개발자와 애플리케이션에게 Ultralytics YOLOv8이 더 나은 선택입니다. 속도, 정확성 및 리소스 효율성의 뛰어난 균형을 제공하여 경쟁 모델을 압도합니다. 그러나 진정한 강점은 다재다능함과 견고한 생태계에 있습니다. 사용하기 쉬운 단일 프레임워크 내에서 여러 컴퓨터 비전 작업을 처리할 수 있는 기능과 광범위한 문서, 활발한 커뮤니티 지원, 원활한 MLOps 통합을 통해 YOLOv8은 매우 강력하고 실용적인 도구입니다.

PP-YOLOE+는 PaddlePaddle 프레임워크 내에서 정확도의 경계를 넓히는 훌륭한 모델입니다. Baidu 생태계에 이미 투자한 팀이나 모델 크기 및 프레임워크 유연성 측면에서 비용에 관계없이 mAP에서 마지막 몇 퍼센트의 아주 작은 부분을 짜내는 것이 유일한 목표인 틈새 애플리케이션에 적합한 옵션입니다.

궁극적으로 유연하고 빠르며 사용하기 쉬운 모델을 찾고 있고, 광범위한 작업에 잘 지원되고 적응할 수 있다면 YOLOv8이 확실한 승자입니다.

다른 모델 살펴보기

다른 최첨단 모델을 살펴보고 싶다면 다른 비교 페이지도 확인해 보세요.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨

댓글