YOLOX 대 YOLOv10: 기술 비교
최적의 객체 감지 모델을 선택하는 것은 컴퓨터 비전 프로젝트에서 정확도, 속도 및 계산 요구 사항의 균형을 맞추는 데 필수적입니다. 이 페이지에서는 객체 감지 환경에서 두 가지 중요한 모델인 YOLOX와 YOLOv10 간의 자세한 기술 비교를 제공합니다. 필요에 가장 적합한 것을 선택하는 데 도움이 되도록 아키텍처, 성능 지표 및 이상적인 사용 사례를 분석합니다.
YOLOX: 고성능 앵커 프리(Anchor-Free) 감지기
YOLOX는 Megvii에서 개발한 앵커 프리(anchor-free) 객체 감지 모델로, 높은 성능을 달성하면서 YOLO 설계를 단순화하는 것을 목표로 합니다. 2021년에 소개되었으며, YOLO 제품군 내에서 대안적인 접근 방식을 제안함으로써 연구와 산업 응용 간의 간극을 해소하고자 했습니다.
기술 세부 사항:
- 작성자: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- Organization: Megvii
- 날짜: 2021-07-18
- Arxiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- 문서: https://yolox.readthedocs.io/en/latest/
아키텍처 및 주요 기능
YOLOX는 단순성과 성능에 중점을 두고 이전 YOLO 모델에 비해 몇 가지 주요 아키텍처 변경 사항을 구현합니다.
- Anchor-Free Design: 미리 정의된 앵커 박스를 제거함으로써 YOLOX는 검출 파이프라인을 단순화하고 튜닝해야 할 하이퍼파라미터 수를 줄입니다. 이를 통해 다양한 데이터 세트와 객체 크기에 대한 일반화 성능을 향상시킬 수 있습니다.
- 분리된 헤드: 분류 및 위치 파악 작업에 대해 별도의 헤드를 사용합니다. 이러한 분리는 단일 스테이지 검출기에서 흔히 발생하는 문제인 분류 신뢰도와 위치 파악 정확도 간의 불일치를 해결하고 수렴 속도를 향상시킬 수 있습니다.
- 고급 훈련 전략: 이 모델은 훈련 중 동적 레이블 할당을 위해 SimOTA(Simplified Optimal Transport Assignment)와 같은 고급 기술을 통합합니다. 또한 모델의 견고성을 향상시키기 위해 MixUp과 같은 강력한 데이터 증강 방법도 활용합니다.
강점과 약점
강점:
- 높은 정확도: YOLOX는 특히 YOLOX-x와 같은 더 큰 변형에서 강력한 mAP 점수를 달성하여 정확도가 중요한 작업에 안정적인 선택입니다.
- Anchor-Free 단순성: 이 설계는 앵커 박스 구성과 관련된 복잡성을 줄여 다른 검출기 훈련에서 번거로운 부분이 될 수 있습니다.
- 검증된 모델: 2021년부터 사용 가능했기 때문에 YOLOX는 성숙한 커뮤니티 리소스, 튜토리얼 및 배포 사례를 보유하고 있습니다.
약점:
- 추론 속도 및 효율성: 당시에는 효율적이었지만, 특히 유사한 정확도를 가진 모델을 비교할 때 YOLOv10과 같이 고도로 최적화된 최신 모델보다 느리고 계산 집약적일 수 있습니다.
- External Ecosystem: YOLOX는 Ultralytics 생태계에 기본적으로 통합되어 있지 않습니다. 따라서 TensorRT와 같은 도구를 사용한 배포, 최적화, Ultralytics HUB와 같은 플랫폼과의 통합에 더 많은 수동 작업이 필요할 수 있습니다.
- Task Versatility: 주로 객체 탐지에 중점을 두며 Ultralytics YOLOv8과 같은 최신의 더 다재다능한 프레임워크에서 볼 수 있는 인스턴스 분할, 포즈 추정 또는 방향이 지정된 경계 상자 탐지와 같은 다른 비전 작업에 대한 기본 지원이 부족합니다.
사용 사례
YOLOX는 다음과 같은 경우에 적합합니다:
- 일반 객체 감지: 보안 시스템 및 소매 분석과 같이 정확도와 속도 간의 균형이 잘 맞는 애플리케이션이 필요합니다.
- 연구 기준: 앵커 프리(anchor-free) 디자인 덕분에 새로운 객체 감지 방법을 탐색하는 연구자들에게 유용한 기준이 됩니다.
- 산업 애플리케이션: 높은 감지 정확도가 주요 요구 사항인 자동화된 품질 관리와 같은 작업.
YOLOv10: 최첨단 실시간 엔드 투 엔드 감지기
Ultralytics YOLOv10은 칭화대학교 연구진이 개발했으며, 엔드 투 엔드 효율성에 초점을 맞추어 실시간 객체 탐지 분야에서 상당한 발전을 이루었습니다. 이 모델은 후처리 병목 현상을 해결하고 속도-정확도 측면에서 뛰어난 성능을 위해 아키텍처를 최적화합니다.
기술 세부 사항:
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- Organization: Tsinghua University
- 날짜: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- 문서: https://docs.ultralytics.com/models/yolov10/
아키텍처 및 주요 기능
YOLOv10은 최첨단 효율성을 달성하기 위해 여러 혁신을 도입했습니다.
- NMS-Free 학습: 학습 중에 일관된 이중 할당을 사용하여 추론 중에 Non-Maximum Suppression (NMS)가 필요 없도록 합니다. 이 혁신은 추론 지연 시간을 줄이고 배포 파이프라인을 단순화하여 진정한 엔드 투 엔드 감지기를 구현합니다.
- 전체적인 효율성-정확도 설계: 모델 아키텍처는 다양한 구성 요소를 최적화하기 위한 포괄적인 접근 방식으로 설계되었습니다. 여기에는 경량 분류 헤드와 공간-채널 분리 다운샘플링이 포함되어 계산 중복성을 줄이고 정확도를 희생하지 않고 모델 기능을 향상시킵니다.
- 경량화 및 확장성: YOLOv10은 파라미터 및 FLOPs 감소에 중점을 두어 고급 GPU에서 리소스가 제한된 에지 장치에 이르기까지 다양한 하드웨어에 적합한 더 빠른 추론 속도를 제공합니다.
강점과 약점
강점:
- 탁월한 속도 및 효율성: YOLOv10은 실시간, 낮은 지연 시간 추론에 최적화되어 높은 정확도를 유지하면서 속도면에서 다른 많은 모델보다 뛰어납니다.
- NMS-Free 추론: NMS를 제거하면 배포가 간소화되고 사후 처리가 가속화되어 시간에 민감한 애플리케이션에서 중요한 이점을 제공합니다.
- 최첨단 성능: 성능 표에서 볼 수 있듯이 정확도와 효율성 사이의 새로운 기준을 제시합니다.
- Ultralytics 생태계 통합: YOLOv10은 Ultralytics 생태계에 완벽하게 통합되어 사용자 친화적인 Python API, 광범위한 문서 및 적극적인 유지 관리의 이점을 누릴 수 있습니다.
- 사용 편의성: 이 모델은 Ultralytics 모델의 일반적인 특징인 간소화된 사용자 경험을 따르므로 학습, 검증 및 배포가 용이합니다.
- 학습 효율성: 효율적인 학습 프로세스와 즉시 사용 가능한 사전 학습된 가중치를 제공하며, 일반적으로 더 복잡한 아키텍처에 비해 더 낮은 메모리 요구 사항을 가집니다.
약점:
- 상대적으로 신규: 더 최신 모델이므로 커뮤니티에서 제공하는 예제 및 타사 통합의 범위는 YOLOX와 같이 오랫동안 확립된 모델에 비해 아직 증가하고 있을 수 있습니다.
사용 사례
YOLOv10은 속도와 정확성이 모두 중요한 까다로운 실시간 애플리케이션에 이상적입니다.
- Edge AI: Raspberry Pi 및 NVIDIA Jetson과 같이 리소스가 제한된 장치에 배포하는 데 적합합니다.
- 실시간 시스템: 자율 주행 차량, 로보틱스, 고속 비디오 분석 및 감시 분야에 적용됩니다.
- 고처리량 처리: 산업 검사, 물류 및 대량의 이미지 또는 비디오 스트림의 빠른 분석을 요구하는 기타 애플리케이션입니다.
성능 분석: YOLOX vs. YOLOv10
다음 표는 COCO 데이터 세트에서 벤치마킹된 YOLOX 및 YOLOv10의 다양한 모델 크기에 대한 자세한 성능 지표 비교를 제공합니다.
모델 | 크기 (픽셀) |
mAPval 50-95 |
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 |
YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
데이터를 통해 YOLOv10이 정확도와 효율성 사이에서 일관되게 우수한 균형을 제공한다는 것을 분명히 알 수 있습니다.
- YOLOv10-s는 YOLOX-m과 거의 동일한 mAP(46.7% 대 46.9%)를 달성하지만 파라미터는 72% 더 적고(7.2M 대 25.3M) FLOP은 70% 더 적습니다(21.6B 대 73.8B).
- YOLOv10-m은 YOLOX-l의 정확도(51.3% 대 49.7%)를 능가하면서 파라미터 및 계산 측면에서 훨씬 더 효율적입니다.
- 최고급 모델인 YOLOv10-x는 YOLOX-x보다 훨씬 높은 mAP(54.4% 대 51.1%)를 제공하며, 파라미터 수가 43% 더 적고 FLOP 수가 43% 더 적습니다.
결론
YOLOX와 YOLOv10은 모두 강력한 객체 탐지 모델이지만, 서로 다른 우선순위를 가지고 있습니다. YOLOX는 견고하고 확립된 앵커 프리 검출기로 높은 정확도를 제공하므로 해당 생태계가 이미 구축된 프로젝트에 적합한 옵션입니다.
그러나 속도, 정확성 및 사용 편의성의 최적 균형을 추구하는 개발자 및 연구자에게는 YOLOv10이 명확한 승자입니다. 혁신적인 NMS-free 아키텍처는 진정한 엔드 투 엔드 감지 파이프라인을 제공하여 대기 시간을 줄이고 효율성을 높입니다. Ultralytics 생태계로의 원활한 통합은 워크플로 간소화, 광범위한 문서 및 강력한 커뮤니티 지원을 제공하여 매력을 더욱 높입니다.
다른 최첨단 모델을 탐색하는 데 관심이 있는 사람들을 위해 Ultralytics는 분할, 분류 및 포즈 추정과 같은 다중 작업 기능을 제공하는 매우 다재다능한 YOLOv8 및 최신 YOLO11을 포함한 다양한 옵션을 제공합니다. 특정 요구 사항에 맞는 완벽한 모델을 찾기 위해 YOLOv10 vs. YOLOv8과 같은 추가 비교를 탐색할 수 있습니다.