YOLOX와 EfficientDet
객체 탐지의 발전은 속도, 정확도, 연산 효율성 간의 균형을 끊임없이 추구해 온 과정입니다. 이 흐름에 큰 영향을 미친 두 모델은 YOLOX와 EfficientDet입니다. YOLOX는 YOLO 제품군에 앵커 프리 설계를 도입했고, EfficientDet은 복합 스케일링과 BiFPN을 사용하는 확장 가능한 아키텍처에 집중했습니다. 이 가이드에서는 두 모델의 아키텍처, 성능 지표, 학습 방법론을 자세히 비교하고 Ultralytics YOLO26과 같은 최신 대안을 소개합니다.
모델의 기원과 기술 세부 정보#
구조적 차이를 비교하기에 앞서 두 모델의 기원과 기초 연구를 이해하는 것이 중요합니다.
YOLOX 세부 정보:
- 저자: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- 조직: Megvii
- 날짜: 2021년 7월 18일
- arXiv: YOLOX: 2021년 YOLO 시리즈를 뛰어넘다
- GitHub: Megvii-BaseDetection/YOLOX
- 문서: YOLOX 공식 문서
EfficientDet 세부 정보:
- 저자: Mingxing Tan, Ruoming Pang, Quoc V. Le
- 기관: Google Brain
- 날짜: 2019년 11월 20일
- arXiv: EfficientDet: 확장 가능하고 효율적인 객체 탐지
- GitHub 및 문서: Google AutoML EfficientDet
아키텍처 비교#
YOLOX와 EfficientDet의 근본적인 차이는 특징을 추출하고 바운딩 박스를 예측하는 방식에 있습니다. 배포 환경에 적합한 모델을 선택하려면 이러한 객체 탐지 아키텍처를 이해하는 것이 중요합니다.
YOLOX: 앵커 프리 혁신 모델#
YOLOX는 YOLO 시리즈를 앵커 기반 탐지기에서 앵커 프리 설계로 전환했습니다. 이러한 변화로 설계 매개변수 수가 크게 줄고 학습 파이프라인이 간소화되었습니다.
주요 아키텍처 특징에는 분류와 회귀 작업을 분리하는 분리형 헤드가 포함됩니다. 이는 객체가 무엇인지 식별하는 작업과 객체가 정확히 어디에 있는지 예측하는 작업 사이의 충돌을 해결합니다. 또한 YOLOX는 SimOTA와 같은 고급 레이블 할당 전략을 활용해 학습 중 정답 객체에 양성 샘플을 동적으로 할당합니다. 그 결과 수렴 속도가 빨라지고 속도와 정확도 간의 균형이 개선됩니다.
EfficientDet: 복합 스케일링과 BiFPN#
EfficientDet은 효율성과 확장성 측면에서 객체 탐지에 접근합니다. Google이 개발한 EfficientDet은 특징 추출에 EfficientNet 백본을 사용합니다.
대표적인 특징은 양방향 특징 피라미드 네트워크(BiFPN)입니다. 기존 FPN과 달리 BiFPN은 학습 가능한 가중치를 도입해 다양한 입력 특징의 중요도를 학습하므로 멀티스케일 특징을 쉽고 빠르게 융합할 수 있습니다. 모든 백본, 특징 네트워크, 박스 및 클래스 예측 네트워크의 해상도, 깊이, 너비를 균일하게 조정하는 복합 스케일링 방식과 결합하면 EfficientDet은 모바일 크기 모델(d0)부터 대규모 서버 측 모델(d7)까지 확장할 수 있습니다.
EfficientDet의 복합 스케일링은 더 높은 정확도를 얻는 예측 가능한 경로를 제공하지만, YOLOX의 간소화된 앵커 프리 설계와 비교하면 실시간 엣지 컴퓨팅에 맞게 최적화하기 어려운 복잡한 계산 그래프가 만들어지는 경우가 많습니다.
성능 및 지표 분석#
실제 컴퓨터 비전 애플리케이션에 사용할 모델을 평가할 때는 평균 정밀도, 추론 속도, 파라미터 수와 같은 지표가 중요합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
절충점 분석#
데이터에서는 설계 철학의 차이가 분명하게 드러납니다. EfficientDet-d7은 mAP 53.7%로 전체 정확도가 가장 높지만, 추론 속도(T4 GPU에서 128.07ms)가 크게 떨어집니다. 반면 YOLOXx는 16.1ms에 51.1% mAP를 달성하므로 실시간 비디오 이해와 로보틱스에 훨씬 적합합니다.
사용 사례 및 권장 사항#
YOLOX와 EfficientDet 중 무엇을 선택할지는 구체적인 프로젝트 요구사항, 배포 제약, 생태계 선호도에 따라 달라집니다.
YOLOX를 선택해야 하는 경우#
YOLOX는 다음과 같은 경우에 적합합니다.
- 앵커 프리 탐지 연구: 새로운 탐지 헤드나 손실 함수를 실험하기 위한 기준 모델로 YOLOX의 간결한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
- 초경량 엣지 장치: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 구형 모바일 하드웨어에 배포하는 경우입니다.
- SimOTA 레이블 할당 연구: 최적 수송 기반 레이블 할당 전략과 해당 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.
EfficientDet을 선택해야 하는 경우#
다음과 같은 경우 EfficientDet을 권장합니다.
- Google Cloud 및 TPU 파이프라인: EfficientDet의 참조 구현이 TPU 학습을 지원하는 Google Cloud TPU 인프라에서 TensorFlow 기반 시스템을 사용하는 경우입니다.
- 복합 스케일링 연구: 네트워크 깊이, 너비, 해상도를 균형 있게 조정하는 효과를 연구하는 데 중점을 둔 학술 벤치마킹입니다.
- LiteRT를 통한 모바일 배포: Android 또는 임베디드 Linux 장치용으로 LiteRT(구 TensorFlow Lite) 내보내기가 필요한 프로젝트입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- NMS 프리 엣지 배포: 비최대 억제 (NMS) 후처리의 복잡성 없이 일관되고 낮은 지연 시간으로 추론해야 하는 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서는 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
- 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.
최신 대안: Ultralytics YOLO26#
YOLOX와 EfficientDet은 중요한 이정표였지만, 머신러닝 분야는 빠르게 발전했습니다. 현재 비전 시스템을 배포하는 개발자에게는 2026년 1월에 출시된 최신 Ultralytics 모델 YOLO26을 권장합니다.
YOLO26은 오래된 아키텍처보다 잘 관리되는 생태계와 속도 및 사용 편의성 측면에서 크게 향상된 기능을 제공합니다.
YOLO26의 주요 혁신#
- 엔드투엔드 NMS 프리 설계: YOLO26의 선택적 일대일 헤드(
nms=False)는 NMS 후처리의 필요성을 제거합니다. YOLOv10이 YOLO 모델에 도입한 이 네이티브 엔드투엔드 접근 방식은 내보내기 과정을 간소화하고 배포 지연 시간을 줄입니다. - CPU 추론 속도 최대 43% 향상: NMS와 Distribution Focal Loss(DFL)를 제거한 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 외장 GPU가 없는 엣지 디바이스에 적합합니다.
- MuSGD Optimizer: YOLO26은 대규모 언어 모델(LLM)의 혁신을 비전에 적용합니다. SGD와 Muon을 결합한 MuSGD Optimizer는 안정적인 학습과 빠른 수렴을 지원해 학습 효율성을 높입니다.
- ProgLoss + STAL: 점진적 손실 및 소형 객체 인식 레이블 할당(STAL)은 소형 객체 탐지를 개선하며, 이는 드론 운용과 항공 영상 분석과 같은 활용 사례에서 중요합니다.
- 다용도성: 객체 탐지 전용 모델인 YOLOX와 달리 YOLO26은 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB) 탐지를 포함한 다양한 작업을 기본적으로 지원합니다.
Ultralytics API로 간편하게 사용하기#
Ultralytics 모델의 가장 큰 장점 중 하나는 간소화된 사용자 경험입니다. YOLO26 모델은 복잡한 Transformer 모델보다 메모리 요구량이 낮으며, 몇 줄의 Python 코드만으로 학습 및 배포할 수 있습니다.
from ultralytics import YOLO
# 네이티브 엔드투엔드 YOLO26 모델을 초기화합니다
model = YOLO("yolo26n.pt")
# 사용자 지정 데이터셋으로 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# GPU 추론용으로 학습된 모델을 TensorRT로 내보내기
model.export(format="engine", dynamic=True)시각적 인터페이스를 선호하는 사용자를 위해 Ultralytics Platform은 데이터셋 주석 작업, 클라우드 학습, 배포 도구를 제공합니다.
실제 활용 사례#
적합한 아키텍처는 구체적인 배포 제약에 따라 크게 달라집니다.
EfficientDet을 고려할 경우#
EfficientDet은 고해상도 이미지에서의 정확도가 추론 속도보다 중요한 환경에서 여전히 학술적 관심을 받고 있습니다. TensorFlow 생태계에 구현되어 있어 기존 Google 인프라를 유지 관리하는 팀에도 유용할 수 있습니다.
YOLOX를 고려해야 하는 경우#
YOLOX는 앵커 박스의 복잡성 없이 속도와 정확도의 균형이 필요한 애플리케이션에 적합합니다. 컨베이어 벨트에서 결함을 신속하게 탐지해야 하는 산업 제조 분야에서 역사적으로 우수한 성능을 보였습니다.
YOLO26을 선택해야 하는 이유#
대부분의 현대적 애플리케이션에는 YOLO26이 가장 적합합니다. NMS-Free 설계로 예측 가능한 지연 시간을 제공하므로 자율주행, 신속 대응 보안 경보 시스템, 스마트 시티 배포에 적합합니다. Ultralytics의 활발한 커뮤니티 지원과 잦은 업데이트도 개발자가 더 이상 지원되지 않는 종속성을 피하도록 돕습니다.
고급 컴퓨터 비전을 살펴보는 개발자라면 기존 배포 환경에서 충분히 검증된 YOLO11이나 프롬프트 기반 분할 작업에 적합한 FastSAM과 같은 특화 모델 등 Ultralytics 생태계의 다른 아키텍처도 고려해 보세요.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.