YOLOv8 vs YOLOv5: 상세 비교
객체 탐지를 위해 Ultralytics YOLOv8과 Ultralytics YOLOv5를 비교하면 YOLO 아키텍처의 일관된 발전과 각 모델의 뚜렷한 강점을 모두 알 수 있습니다. Ultralytics에서 개발한 두 모델은 모두 속도와 정확성의 뛰어난 균형으로 유명합니다. 그러나 컴퓨터 비전 분야에서 서로 다른 우선 순위를 충족합니다. 이 페이지는 개발자와 연구원이 프로젝트 요구 사항에 따라 정보에 입각한 결정을 내릴 수 있도록 자세한 기술 비교를 제공하며, Ultralytics 생태계의 장점을 강조합니다.
YOLOv8: 최첨단 솔루션
저자: 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/
Ultralytics YOLOv8은(는) 전체 비전 AI 작업을 지원하기 위해 통합 프레임워크로 설계된 YOLO 시리즈의 최신 주요 릴리스입니다. 여기에는 객체 감지, 인스턴스 분할, 이미지 분류, 자세 추정 및 OBB(Oriented Bounding Box)가 포함됩니다. YOLOv8은(는) 성능과 유연성을 향상시키는 앵커 프리 감지기 및 개선된 C2f 넥과 같은 중요한 아키텍처 혁신을 도입했습니다.
강점
- 탁월한 정확도 및 성능: YOLOv8은 경쟁력 있는 추론 속도를 유지하면서 모든 모델 크기에서 YOLOv5보다 일관되게 더 높은 정확도(mAP)를 제공합니다. 이는 까다로운 애플리케이션에 탁월한 성능 균형을 제공합니다.
- 향상된 다재다능함: 포괄적인 프레임워크로 설계된 YOLOv8은 여러 비전 작업을 기본적으로 지원합니다. 이러한 다재다능함 덕분에 개발자는 복잡하고 다면적인 프로젝트에 단일하고 일관된 모델 아키텍처를 사용하여 개발 및 배포를 간소화할 수 있습니다.
- 최신 아키텍처: YOLOv8의 앵커 프리(anchor-free) 디자인은 훈련 프로세스의 복잡성과 조정해야 할 하이퍼파라미터의 수를 줄여 다양한 데이터 세트에서 더 나은 일반화를 유도합니다. 업데이트된 C2f 모듈은 YOLOv5의 C3 모듈에 비해 더 효율적인 특징 융합을 제공합니다.
- 간소화된 사용자 경험: 모든 Ultralytics 모델과 마찬가지로 YOLOv8은 간단한 Python API 및 CLI, 광범위한 문서와 잘 관리되는 생태계의 이점을 누릴 수 있습니다. 여기에는 노코드 학습을 위한 Ultralytics HUB 및 MLOps 관리와의 통합이 포함됩니다.
- 메모리 효율성: Ultralytics YOLO 모델은 훈련 및 추론 중에 낮은 메모리 사용에 최적화되어 있어 Transformer와 같이 리소스 집약적인 아키텍처보다 접근성이 뛰어납니다.
약점
- 계산 요구 사항: 효율적이긴 하지만 더 큰 YOLOv8 모델(L/X)은 상당한 계산 능력을 요구하므로 리소스가 매우 제한적인 에지 장치에 배포하는 데 제약이 될 수 있습니다.
이상적인 사용 사례
YOLOv8은 최첨단 성능과 유연성이 필요한 새로운 프로젝트에 권장되는 선택입니다.
- 고급 로봇 공학: 높은 정확도가 중요한 복잡한 장면 이해 및 객체 상호 작용에 사용됩니다.
- 고해상도 이미지 분석: 미세한 세부 사항을 탐지하는 것이 중요한 의료 영상 분석과 같은 애플리케이션에 탁월합니다.
- 다중 작업 비전 시스템: 스마트 리테일 분석과 같이 감지, 분할 및 자세 추정을 동시에 수행해야 하는 시스템에 적합합니다.
YOLOv5: 확고하고 다재다능한 표준
작성자: Glenn Jocher
소속: Ultralytics
날짜: 2020-06-26
GitHub: https://github.com/ultralytics/yolov5
문서: https://docs.ultralytics.com/models/yolov5/
Ultralytics YOLOv5는 출시 직후 업계 표준이 되었으며, 뛰어난 속도, 정확성 및 놀라운 사용 편의성으로 찬사를 받았습니다. PyTorch를 기반으로 CSPDarknet53 백본과 PANet 넥을 특징으로 합니다. 앵커 기반 감지 헤드는 매우 효율적이며, 모델은 다양한 계산 예산에 맞게 다양한 크기(n, s, m, l, x)로 확장됩니다.
강점
- 탁월한 추론 속도: YOLOv5는 빠른 추론에 매우 최적화되어 있어 특히 CPU 및 에지 장치에서 실시간 시스템을 위한 최고의 선택입니다.
- 성숙하고 안정적인 에코시스템: YOLOv5는 수년간의 경험을 바탕으로 광범위한 사용자 기반, 폭넓은 커뮤니티 지원, 풍부한 튜토리얼 및 타사 통합을 제공합니다. 안정성이 뛰어나 프로덕션 환경에 적합합니다.
- 사용 편의성: YOLOv5는 간단한 API와 간단명료한 학습 파이프라인으로 유명하며, 이는 초보자와 전문가 모두에게 매우 인기가 높습니다. Ultralytics 생태계는 학습에서 배포까지 원활한 사용자 경험을 보장합니다.
- 학습 효율성: 이 모델은 즉시 사용 가능한 사전 학습된 가중치를 통해 효율적인 학습 프로세스를 제공하여 빠른 프로토타입 제작 및 개발을 가능하게 합니다.
약점
- 낮은 정확도: YOLOv8에 비해 YOLOv5 모델은 일반적으로 주어진 크기에 대해 더 낮은 mAP 점수를 갖습니다. 성능 차이는 더 큰 모델에서 더욱 두드러집니다.
- Anchor-Based Detection: 사전 정의된 앵커 박스에 대한 의존성으로 인해 비정상적인 모양 또는 크기로 조정된 객체를 가진 데이터 세트에서 최적의 성능을 얻으려면 수동 튜닝이 필요한 경우가 있습니다.
이상적인 사용 사례
YOLOv5는 특히 속도와 안정성이 가장 중요한 애플리케이션에서 강력하고 관련성 높은 모델로 남아 있습니다.
- Edge Computing: 더 작은 변형(n/s)은 Raspberry Pi 및 NVIDIA Jetson과 같이 리소스가 제한된 장치에 배포하는 데 적합합니다.
- 실시간 감시: 낮은 지연 시간이 필수적인 보안 시스템 및 실시간 비디오 모니터링에 이상적입니다.
- 모바일 애플리케이션: 컴퓨팅 리소스가 제한된 장치 내 객체 감지 작업에 적합합니다.
성능 대결: YOLOv8 vs. YOLOv5
COCO 데이터 세트의 성능 벤치마크는 YOLOv8의 발전을 명확하게 보여줍니다. 전반적으로 YOLOv8 모델은 비슷하거나 향상된 성능 특성으로 우수한 정확도를 제공합니다.
| 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 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
표에서 YOLOv8 모델이 상당한 mAP 향상을 제공한다는 것이 분명합니다. 예를 들어, YOLOv8s는 파라미터와 대기 시간이 약간 증가했을 뿐인데도 YOLOv5s의 37.4 mAP를 훨씬 능가하는 44.9 mAP를 달성합니다. 마찬가지로 YOLOv8x는 더 나은 계산 효율성을 유지하면서 YOLOv5x의 50.7 mAP를 능가하는 53.9 mAP에 도달합니다.
결론: 어떤 모델을 선택해야 할까요?
YOLOv5와 YOLOv8은 모두 훌륭한 모델이지만, 서로 다른 요구를 충족합니다.
-
YOLOv5는 최대 추론 속도와 성숙하고 안정적인 플랫폼이 가장 중요한 애플리케이션에 탁월한 선택입니다. 리소스가 제한된 장치에 배포하거나 광범위한 생태계의 이점을 활용하는 프로젝트에 여전히 강력한 경쟁자입니다.
-
YOLOv8은 차세대 YOLO 기술을 대표합니다. 여러 비전 작업에서 최고의 정확도와 다재다능함을 추구하는 새로운 프로젝트에 권장되는 선택입니다. 현대적인 앵커 프리 아키텍처와 통합 프레임워크는 연구에서 생산에 이르기까지 광범위한 애플리케이션을 위한 더욱 강력하고 유연한 솔루션을 제공합니다.
대부분의 사용 사례에서 YOLOv8의 뛰어난 성능과 유연성으로 인해 선호되는 옵션입니다.
다른 모델 살펴보기
Ultralytics는 컴퓨터 비전 분야에서 지속적으로 혁신하고 있습니다. 다른 최첨단 옵션을 탐색하는 사용자를 위해 YOLOv9, YOLOv10 및 최신 YOLO11과 같은 모델도 제공하며, 각 모델은 고유한 장점을 제공합니다. 모델 비교 페이지에서 더 자세한 분석을 확인할 수 있습니다.
