YOLOv4: 고속·정밀 객체 탐지

YOLOv4는 Alexey Bochkovskiy, Chien-Yao Wang, Hong-Yuan Mark Liao가 2020년에 AlexeyAB/darknet 저장소에서 공개한 실시간 객체 감지기입니다. 속도와 정확도의 균형을 최적으로 맞추도록 설계되었습니다.

YOLOv4 아키텍처 다이어그램 YOLOv4 아키텍처 다이어그램. 다이어그램은 YOLOv4의 백본, 넥, 헤드 구성 요소와 각 레이어의 연결 방식을 보여줍니다.

소개#

YOLOv4는 You Only Look Once 버전 4를 의미합니다. YOLOv3 같은 이전 YOLO 버전과 다른 객체 감지 모델의 한계를 해결하기 위해 개발된 실시간 객체 감지 모델입니다. 이전의 합성곱 신경망(CNN) 기반 감지기 대부분은 추천 시스템에만 실용적이었지만, YOLOv4는 실시간 정확도를 제공하므로 독립형 프로세스 관리와 사람의 개입을 줄이는 데도 적합합니다. 일반적인 그래픽 처리 장치(GPU)에서 실시간으로 실행되며 학습에도 GPU 하나만 필요하므로 대규모로도 합리적인 비용으로 사용할 수 있습니다.

아키텍처#

YOLOv4는 성능 향상을 위해 여러 기법을 결합합니다. 여기에는 가중 잔차 연결(WRC), 교차 단계 부분 연결(CSP), 교차 미니-배치 정규화(CmBN), 자기 적대적 학습(SAT), Mish 활성화, 모자이크 데이터 증강, DropBlock 정규화, CIoU 손실이 포함됩니다. 이러한 기법을 함께 적용해 추론 속도를 유지하면서 정확도를 높입니다.

일반적인 객체 감지기는 입력, 백본, 넥, 헤드 등 여러 부분으로 구성됩니다. 백본은 ImageNet으로 사전 학습되며 입력 이미지에서 특징을 추출합니다. 일반적인 감지기 백본으로는 VGG, ResNet, ResNeXt, DenseNet이 있으며 YOLOv4는 CSPDarknet53을 사용합니다. 감지기의 넥은 여러 단계에서 특징 맵을 수집하며 일반적으로 여러 하향식 경로와 상향식 경로를 포함합니다. 헤드는 이러한 특징을 사용해 객체의 클래스와 바운딩 박스를 예측합니다.

프리비의 묶음#

YOLOv4는 추론 비용을 높이지 않으면서 학습 중 모델의 정확도를 개선하는 기법인 'bag of freebies'도 활용합니다. 객체 감지에서 흔히 사용되는 bag of freebies 기법인 데이터 증강은 입력 이미지의 다양성을 높여 모델의 견고성을 향상합니다. 데이터 증강의 예로는 사진 왜곡(이미지의 밝기, 대비, 색조, 채도, 노이즈 조정)과 기하학적 왜곡(임의의 크기 조정, 자르기, 뒤집기, 회전)이 있습니다. 이러한 기법은 모델이 다양한 유형의 이미지에 더 잘 일반화되도록 돕습니다.

기능 및 성능#

YOLOv4는 객체 감지에서 최적의 속도와 정확도를 내도록 설계되었습니다. YOLOv4 아키텍처는 백본으로 CSPDarknet53, 넥으로 PANet, 감지 헤드로 YOLOv3를 사용합니다. 이 설계로 YOLOv4는 실시간 애플리케이션에 충분히 빠르게 실행되며, 출시 당시 COCO와 같은 객체 감지 벤치마크에서 최고 수준의 정확도를 달성했습니다.

YOLOv5와 YOLOv7 같은 YOLO 제품군의 다른 모델과 비교할 때 YOLOv4는 속도와 정확도의 균형을 보여주는 기준 모델로 남아 있습니다. 최신 모델은 더 높은 정확도와 간편한 배포를 제공하지만, YOLOv4의 아키텍처 혁신은 실시간 성능이 필요한 애플리케이션에 여전히 유효합니다.

사용 예시#

YOLOv4는 Darknet 기반 모델이며 Ultralytics Python 패키지에서 기본적으로 지원되지 않습니다. ultralytics/assets에 yolov4.pt 사전 학습 가중치가 공개되어 있지 않고 ultralytics/cfg/models/v4/ YAML도 없습니다. 이 페이지는 아키텍처 참고 자료로 유지됩니다. YOLOv4를 실행하려는 사용자는 설치 및 사용 지침을 YOLOv4 GitHub 저장소에서 직접 확인해야 합니다.

다음은 YOLOv4를 사용하는 일반적인 단계를 간략히 정리한 내용입니다:

  1. YOLOv4 GitHub 저장소(https://github.com/AlexeyAB/darknet)를 방문하세요.

  2. README 파일에 제공된 설치 지침을 따르세요. 일반적으로 저장소 복제, 필요한 종속성 설치, 필요한 환경 변수 설정이 포함됩니다.

  3. 설치가 완료되면 저장소의 사용 지침에 따라 모델을 학습하고 사용할 수 있습니다. 일반적으로 데이터셋 준비, 모델 매개변수 구성, 모델 학습을 거친 다음 학습한 모델로 객체 탐지를 수행합니다.

정확한 단계는 사용 사례와 YOLOv4 저장소의 현재 상태에 따라 달라지므로 YOLOv4 GitHub 저장소에 제공된 안내를 따르세요.

Ultralytics 프레임워크에서 학습 및 추론을 수행하려면 YOLO26 또는 YOLO11을 사용하세요.

결론#

YOLOv4는 속도와 정확도의 균형을 맞춘 효율적인 객체 감지 모델입니다. 아키텍처 선택과 bag-of-freebies 학습 기법 덕분에 실시간 객체 감지 작업에서 우수한 성능을 발휘합니다. 일반 GPU를 사용하는 누구나 YOLOv4를 학습하고 사용할 수 있어 감시 시스템, 자율 주행 차량, 산업 자동화 등 다양한 애플리케이션에서 활용할 수 있습니다.

프로젝트에 객체 감지를 구현하려는 경우 YOLOv4는 여전히 유력한 선택지이며, 특히 실시간 성능이 우선인 상황에 적합합니다. Ultralytics는 현재 YOLO26 및 YOLO11 같은 최신 YOLO 버전 지원에 중점을 두고 있지만, YOLOv4에서 도입된 아키텍처 혁신은 이후 모델의 개발에 영향을 주었습니다.

인용 및 감사의 글#

실시간 객체 탐지 분야에 크게 기여한 YOLOv4 저자들에게 감사의 뜻을 전합니다:

인용
@misc{bochkovskiy2020yolov4,
      title={YOLOv4: Optimal Speed and Accuracy of Object Detection},
      author={Alexey Bochkovskiy and Chien-Yao Wang and Hong-Yuan Mark Liao},
      year={2020},
      eprint={2004.10934},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

YOLOv4 원본 논문은 arXiv에서 확인할 수 있습니다. 저자들은 연구 결과를 공개했으며 코드베이스는 GitHub에서 이용할 수 있습니다. 해당 분야를 발전시키고 연구 결과를 더 넓은 커뮤니티에 공개해 주신 저자들의 노력에 감사드립니다.

자주 묻는 질문#

  • YOLOv4는 'You Only Look Once 버전 4'를 의미하며, Alexey Bochkovskiy와 동료들이 2020년에 개발한 실시간 객체 감지 모델입니다. 속도와 정확도의 균형이 뛰어나 실시간 애플리케이션에 적합합니다. YOLOv4 아키텍처는 가중 잔차 연결(WRC), 교차 단계 부분 연결(CSP), 자기 적대적 학습(SAT) 등의 기법을 적용해 출시 당시 최고 수준의 결과를 달성했습니다. YOLOv4는 일반 GPU 하나에서 효율적으로 실행되며, Ultralytics 패키지를 사용해 기본 학습 및 배포를 수행하려면 YOLO26을 사용하세요.

  • YOLOv4 아키텍처는 백본, 넥, 헤드라는 몇 가지 주요 구성 요소를 포함합니다. 백본인 CSPDarknet53은 ImageNet으로 사전 학습되며 특징을 추출합니다. PANet을 사용하는 넥은 여러 단계의 특징 맵을 집계합니다. 마지막으로 YOLOv3를 따르는 헤드는 객체의 클래스와 바운딩 박스를 예측합니다. YOLOv4는 모자이크 데이터 증강과 DropBlock 정규화 같은 'bag of freebies' 기법도 적용해 속도와 정확도를 더욱 최적화합니다.

  • '프리비의 묶음'은 추론 비용을 늘리지 않고 YOLOv4의 학습 정확도를 향상하는 방법을 가리킵니다. 이러한 기법에는 광도 왜곡(밝기, 대비 등을 조정)과 기하학적 왜곡(크기 조정, 자르기, 뒤집기, 회전)과 같은 다양한 데이터 증강 방식이 포함됩니다. 입력 이미지의 다양성을 높이면 이러한 증강 기법을 통해 YOLOv4가 여러 유형의 이미지에 더 잘 일반화되므로, 실시간 성능을 저해하지 않고 견고성과 정확도를 향상할 수 있습니다.

  • YOLOv4는 실시간 객체 감지에서 속도와 정확도를 모두 최적화하도록 설계되었습니다. 학습과 추론 모두 일반 GPU 하나에서 실행되므로 하드웨어 비용을 낮추고 추천 시스템부터 독립형 프로세스 관리까지 다양한 애플리케이션에서 실용적으로 사용할 수 있습니다.

  • YOLOv4를 시작하려면 공식 YOLOv4 GitHub 저장소를 방문하세요. README 파일의 설치 지침을 따르세요. 일반적으로 저장소 복제, 종속성 설치, 환경 변수 설정이 포함됩니다. 설치가 끝나면 데이터셋을 준비하고 모델 매개변수를 구성한 다음 제공된 사용 지침에 따라 모델을 학습할 수 있습니다. Ultralytics는 현재 YOLOv4를 지원하지 않으므로 최신의 자세한 지침은 YOLOv4 GitHub에서 직접 확인하는 것이 좋습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.