콘텐츠로 건너뛰기

모델 비교: 객체 탐지를 위한 YOLOv8 vs. YOLOv7

적절한 객체 탐지 모델을 선택하는 것은 컴퓨터 비전 작업에서 최적의 성능을 달성하는 데 매우 중요합니다. 이 페이지에서는 이 분야의 중요한 모델인 Ultralytics YOLOv8과 YOLOv7의 기술 비교를 제공합니다. Ultralytics 생태계에서 제공하는 이점을 강조하면서 모델 선택 프로세스를 안내하기 위해 아키텍처의 미묘한 차이, 성능 벤치마크 및 이상적인 애플리케이션을 분석합니다. 두 모델 모두 최첨단 기술을 발전시켰지만, YOLOv8은 향상된 성능, 다재다능함 및 뛰어난 사용 편의성으로 인해 최신 애플리케이션에 더 나은 선택으로 부상하고 있습니다.

YOLOv8: 최첨단 효율성 및 적응성

2023년에 출시된 Ultralytics YOLOv8은(는) Ultralytics의 최신 플래그십 모델입니다. 이전 모델의 성공을 기반으로 새로운 수준의 성능, 유연성 및 효율성을 제공합니다. 최첨단 모델인 YOLOv8은(는) 광범위한 컴퓨터 비전 작업에서 뛰어난 성능을 발휘하도록 설계되었습니다.

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 설계

YOLOv8은 강력하면서도 사용자 친화적인 개선된 아키텍처를 특징으로 합니다. 주요 아키텍처 개선 사항으로는 새로운 앵커 프리 감지 헤드와 보다 효율적인 백본이 있습니다. 앵커 프리 설계는 상자 예측 수를 줄여 NMS(Non-Maximum Suppression)와 같은 후처리 단계를 단순화하고 추론 속도를 가속화합니다. 이를 통해 YOLOv8은 수동 앵커 튜닝 없이 다양한 객체 모양과 크기에 더 쉽게 적응할 수 있습니다.

강점

  • 최첨단 성능: YOLOv8은 정확도와 속도 간의 탁월한 균형을 제공하며, 모든 규모에서 이전 모델보다 뛰어난 성능을 보입니다. 더 작은 모델은 유사한 YOLOv7 변형보다 빠르고 정확하며, 더 큰 모델은 정밀도에 대한 새로운 기준을 제시합니다.
  • 탁월한 다재다능함: 주로 객체 감지기인 YOLOv7과 달리 YOLOv8은 객체 감지, 인스턴스 분할, 포즈 추정, 이미지 분류oriented object detection(OBB)를 즉시 지원하는 통합 프레임워크입니다.
  • 사용 편의성: Ultralytics는 간소화된 개발자 경험을 우선시합니다. YOLOv8은 간단한 Python APICLI, 포괄적인 documentation과 노코드 학습 및 배포를 위한 Ultralytics HUB와 같은 도구와의 원활한 통합을 제공합니다.
  • 잘 관리되는 에코시스템: 공식 Ultralytics 모델인 YOLOv8은 활발한 개발, 잦은 업데이트 및 강력한 오픈 소스 커뮤니티를 통해 이점을 얻습니다. 이를 통해 안정성, 최신 기능에 대한 접근성 및 광범위한 지원이 보장됩니다.
  • 학습 및 메모리 효율성: YOLOv8 모델은 효율적인 학습을 위해 설계되었으며, 종종 트랜스포머와 같은 다른 아키텍처보다 적은 CUDA 메모리를 필요로 합니다. COCO와 같은 데이터 세트에서 즉시 사용 가능한 사전 학습된 가중치를 통해 사용자 정의 데이터에서 더 빠른 수렴이 가능합니다.

약점

  • 매우 발전된 모델로서 가장 큰 YOLOv8 변형은 학습을 위해 상당한 계산 리소스가 필요하지만 성능 수준에 비해 매우 효율적입니다.

이상적인 사용 사례

YOLOv8의 뛰어난 성능과 다재다능함은 엣지 장치에서 클라우드 서버에 이르기까지 광범위한 응용 분야에 이상적인 선택입니다.

  • 실시간 산업 자동화: 고속의 정확한 감지를 통해 제조 분야에서 품질 관리 및 공정 모니터링을 강화합니다.
  • 고급 AI 솔루션: 작물 모니터링을 위한 농업의료 영상 분석을 위한 의료 분야에서 복잡한 애플리케이션을 지원합니다.
  • 자율 시스템: 자율 주행 차량로보틱스를 위한 강력한 인지 기능을 제공합니다.

YOLOv8에 대해 자세히 알아보세요

YOLOv7: 실시간 감지의 벤치마크

YOLOv7은 2022년에 실시간 객체 탐지의 중요한 발전으로 소개되었으며, 출시 당시 새로운 최첨단 기술을 확립했습니다. 추론 비용을 늘리지 않고 정확도를 향상시키기 위해 훈련 프로세스 최적화에 중점을 두었습니다.

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 설계

YOLOv7은 학습 효율성을 향상시키기 위해 백본에 E-ELAN(Extended Efficient Layer Aggregation Network)을 포함한 여러 아키텍처 혁신을 도입했습니다. 가장 주목할 만한 기여는 추론 오버헤드를 추가하지 않고 모델 정확도를 향상시키는 훈련 전략인 "trainable bag-of-freebies" 개념입니다. 여기에는 auxiliary heads 및 coarse-to-fine label assignment와 같은 기술이 포함됩니다.

강점

  • 출시 당시 높은 성능: YOLOv7은 당시 사용 가능한 다른 검출기보다 뛰어난 속도와 정확도의 훌륭한 조합을 제공했습니다.
  • 효율적인 훈련: "bag-of-freebies" 개념을 통해 최적화된 훈련 루틴으로 높은 정확도를 달성할 수 있었습니다.
  • 확립된 벤치마크: MS COCO와 같은 표준 데이터 세트에서 광범위하게 테스트된 잘 알려진 모델입니다.

약점

  • 제한적인 활용성: YOLOv7은 주로 객체 감지기입니다. 세분화 또는 포즈 추정과 같은 다른 작업으로 확장하려면 YOLOv8의 통합된 접근 방식과는 달리 별도의 커뮤니티 기반 구현이 필요합니다.
  • 아키텍처 복잡성: 학습 기술 및 아키텍처 구성 요소는 YOLOv8의 간소화된 설계에 비해 이해하고 수정하기가 더 복잡할 수 있습니다.
  • 최신 모델에 의한 성능 저하: YOLOv7은 강력하지만 YOLOv8에 의해 속도와 정확도 모두에서 능가되었습니다. Ultralytics 생태계는 또한 더욱 사용자 친화적이고 포괄적인 경험을 제공합니다.

이상적인 사용 사례

YOLOv7은 새로운 대안이 출시되기 전에 통합된 애플리케이션에 적합한 모델로 남아 있습니다.

  • 실시간 보안 시스템: 빠르고 정확한 탐지가 중요한 도난 방지와 같은 애플리케이션에 적합합니다.
  • 레거시 프로젝트: YOLOv7 아키텍처를 기반으로 구축된 기존 시스템을 유지 관리하거나 확장하는 데 적합한 옵션입니다.

YOLOv7에 대해 자세히 알아보세요

성능 및 벤치마크: YOLOv8 vs. YOLOv7

성능 비교는 YOLOv8의 발전을 명확하게 보여줍니다. 전반적으로 YOLOv8 모델은 정확도와 속도 간의 더 나은 균형을 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
YOLOv7l 640 51.4 - 6.84 36.9 104.7
YOLOv7x 640 53.1 - 11.57 71.3 189.9

데이터에서 다음과 같은 몇 가지 주요 통찰력이 나타납니다.

  • 탁월한 정확도: 가장 큰 모델인 YOLOv8x는 53.9 mAP를 달성하여 YOLOv7x 모델의 53.1 mAP를 능가합니다.
  • 탁월한 속도: YOLOv8 모델은 특히 CPU에서 훨씬 빠릅니다. YOLOv8n 모델은 ONNX를 사용하여 CPU에서 단 80.4ms의 추론 시간을 자랑하며, 이는 YOLOv7에서는 사용할 수 없지만 실제로는 훨씬 빠른 지표입니다. GPU에서 YOLOv8n은 TensorRT로 1.47ms라는 놀라운 속도를 달성하여 YOLOv7의 효율성을 훨씬 능가합니다.
  • 더 큰 효율성: YOLOv8 모델은 유사하거나 더 나은 성능을 위해 더 적은 매개변수와 FLOP를 갖습니다. 예를 들어 YOLOv8l은 YOLOv7x와 거의 동일한 mAP(52.9 vs. 53.1)를 달성하지만 매개변수(43.7M vs. 71.3M)와 FLOP(165.2B vs. 189.9B)는 훨씬 적습니다.

결론: YOLOv8이 선호되는 이유

YOLOv7은 강력한 모델이었지만, YOLOv8은 새로운 프로젝트 및 개발에 있어 확실한 승자입니다. 뛰어난 아키텍처, 최첨단 성능 및 놀라운 다재다능성 덕분에 객체 탐지 및 기타 컴퓨터 비전 작업에 사용할 수 있는 가장 강력하고 사용자 친화적인 도구입니다.

통합된 Ultralytics 생태계는 훈련에서 배포까지 원활한 경험을 제공하여 상당한 이점을 제공합니다. 강력하고 잘 지원되며 고성능 모델을 찾는 개발자와 연구자에게 YOLOv8은 확실한 선택입니다.

다른 모델 살펴보기

더 자세히 알아보고 싶으신 분들을 위해 Ultralytics는 다양한 모델과 비교를 제공합니다. 다음을 살펴보십시오.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨

댓글