YOLO11과 같은 Ultralytics YOLO 모델 벤치마킹 방법

오늘날 이용 가능한 AI 모델의 수가 증가함에 따라, 정확하고 신뢰할 수 있는 결과를 얻기 위해서는 특정 AI 애플리케이션에 가장 적합한 모델을 선택하는 것이 필수적입니다. 각 모델은 속도, 정확도 및 전반적인 성능 면에서 차이가 있습니다. 그렇다면 주어진 작업에 가장 적합한 모델을 어떻게 결정할 수 있을까요? 이는 신속하고 신뢰할 수 있는 의사결정이 중요한 자율주행 차량, 보안 솔루션, 로봇 공학과 같은 실시간 시스템에서 특히 중요합니다.

벤치마킹은 다양한 조건에서 모델을 평가하여 이 질문에 답하는 데 도움을 줍니다. 이는 다양한 하드웨어 설정과 구성 전반에서 모델이 얼마나 잘 작동하는지에 대한 통찰력을 제공하여 더욱 정보에 입각한 의사결정을 가능하게 합니다.

예를 들어, Ultralytics YOLO11은 객체 탐지 및 인스턴스 세그멘테이션과 같은 다양한 시각 데이터 분석 작업을 지원하는 computer vision 모델입니다. 이 모델의 기능을 완전히 이해하려면 다양한 설정에서 성능을 벤치마킹하여 실제 시나리오를 어떻게 처리할지 확인해 볼 수 있습니다.

이 글에서는 YOLO11과 같은 Ultralytics YOLO 모델을 벤치마킹하는 방법, 다양한 하드웨어에서의 성능 비교, 그리고 서로 다른 내보내기 형식이 속도와 효율성에 미치는 영향을 살펴보겠습니다. 시작해 봅시다!

Link to this section모델 벤치마킹이란 무엇인가요?#

실제 애플리케이션에서 비전 AI 모델을 사용할 때, 해당 모델이 충분히 빠르고 정확하며 신뢰할 수 있는지 어떻게 알 수 있을까요? 모델을 벤치마킹하면 이에 대한 답을 얻을 수 있는 통찰력을 얻을 수 있습니다. 모델 벤치마킹은 다양한 AI 모델을 테스트하고 비교하여 어떤 모델이 가장 우수한 성능을 보이는지 확인하는 과정입니다.

여기에는 비교를 위한 기준선 설정, 올바른 성능 측정 항목(정확도 또는 속도 등) 선택, 그리고 모든 모델을 동일한 조건에서 테스트하는 과정이 포함됩니다. 결과는 각 모델의 강점과 약점을 파악하는 데 도움을 주며, 특정 AI solution에 가장 적합한 모델을 결정하기 쉽게 해줍니다. 특히 benchmark dataset은 공정한 비교를 제공하고 모델이 다양한 실제 시나리오에서 얼마나 잘 작동하는지 평가하는 데 자주 사용됩니다.

그림 1. 컴퓨터 비전 모델을 벤치마킹하는 이유는 무엇인가요? 이미지 제공: 저자.

벤치마킹이 필수적인 명확한 예로는 감시 시스템이나 로봇 공학과 같이 약간의 지연 시간도 의사결정에 영향을 미칠 수 있는 실시간 애플리케이션이 있습니다. 벤치마킹은 모델이 신뢰할 수 있는 예측을 제공하면서 이미지를 빠르게 처리할 수 있는지 평가하는 데 도움을 줍니다.

또한 성능 병목 현상을 식별하는 데도 중요한 역할을 합니다. 모델이 느리게 실행되거나 과도한 리소스를 사용하는 경우, 벤치마킹을 통해 문제가 하드웨어 제한, 모델 구성 또는 내보내기 형식 중 어디에서 기인하는지 밝혀낼 수 있습니다. 이러한 통찰력은 가장 효과적인 설정을 선택하는 데 매우 중요합니다.

Link to this section모델 평가 및 테스트와 비교한 모델 벤치마킹#

모델 벤치마킹, 평가 및 테스트는 함께 사용되는 대중적인 AI 용어입니다. 유사하지만 동일하지 않으며 서로 다른 기능을 가지고 있습니다. Model testing은 단일 모델을 테스트 데이터셋에서 실행하고 정확도와 속도와 같은 요소를 측정하여 얼마나 잘 작동하는지 확인합니다. 한편, 모델 평가는 결과를 분석하여 모델의 강점, 약점, 그리고 실제 상황에서 얼마나 잘 작동하는지를 파악함으로써 한 걸음 더 나아갑니다. 둘 다 한 번에 하나의 모델에만 집중합니다.

그러나 모델 벤치마킹은 동일한 테스트와 데이터셋을 사용하여 여러 모델을 나란히 비교합니다. 이는 정확도, 속도 및 효율성 간의 차이를 강조하여 특정 작업에 가장 적합한 모델을 찾는 데 도움을 줍니다. 테스트와 평가는 단일 모델에 초점을 맞추지만, 벤치마킹은 다양한 옵션을 공정하게 비교하여 올바른(또는 최상의) 모델을 선택하도록 돕습니다.

그림 2. 모델 벤치마킹이 평가 및 테스트와 다른 점. 이미지 제공: 저자.

Link to this sectionUltralytics YOLO11 개요#

Ultralytics YOLO11은 다양한 computer vision tasks를 정확하게 수행하도록 설계된 신뢰할 수 있는 비전 AI 모델입니다. 이전 YOLO 모델 버전을 개선했으며 실제 문제를 해결하는 데 도움이 되는 기능들로 가득 차 있습니다. 예를 들어, 객체 탐지, 이미지 분류, 영역 세그멘테이션, 움직임 추적 등에 사용할 수 있습니다. 또한 보안부터 자동화, 분석에 이르기까지 많은 산업 전반의 애플리케이션에서 사용될 수 있습니다.

그림 3. YOLO11을 사용하여 이미지 속 사람들을 세그멘테이션하는 예시.

Ultralytics YOLO11과 관련된 핵심 이점 중 하나는 사용의 간편함입니다. 몇 줄의 코드만으로 복잡한 설정이나 고급 기술적 전문 지식 없이도 누구나 자신의 AI 프로젝트에 통합할 수 있습니다.

또한 서로 다른 하드웨어에서 원활하게 작동하며, CPU, GPU 및 기타 특수 AI 가속기에서 효율적으로 실행됩니다. 엣지 디바이스에 배포되든 클라우드 서버에 배포되든 강력한 성능을 제공합니다.

YOLO11은 다양한 모델 크기로 제공되며, 각 크기는 서로 다른 작업에 최적화되어 있습니다. 벤치마킹은 어떤 버전이 사용자의 특정 요구에 가장 적합한지 결정하는 데 도움을 줍니다. 예를 들어, 벤치마킹을 통해 밝혀낼 수 있는 핵심 통찰력 중 하나는 나노(nano)나 소형(small)과 같은 더 작은 모델이 더 빠르게 실행되지만 정확도는 다소 희생할 수 있다는 점입니다.

Link to this sectionYOLO11과 같은 YOLO 모델을 벤치마킹하는 방법#

이제 벤치마킹이 무엇인지와 그 중요성을 이해했으니, YOLO11과 같은 YOLO 모델을 벤치마킹하고 그 효율성을 평가하여 가치 있는 통찰력을 얻는 방법을 살펴보겠습니다.

시작하려면 터미널이나 명령 프롬프트에서 “pip install ultralytics” 명령어를 실행하여 Ultralytics Python package를 설치할 수 있습니다. 설치 중 문제가 발생하면 Common Issues Guide에서 문제 해결 팁을 확인하세요.

패키지가 설치되면 몇 줄의 Python 코드만으로 쉽게 benchmark YOLO11을 수행할 수 있습니다:

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

위의 코드를 실행하면 모델이 이미지를 처리하는 속도, 1초당 처리할 수 있는 프레임 수, 그리고 객체를 얼마나 정확하게 탐지하는지가 계산됩니다.

코드에 언급된 “coco8.yaml”은 COCO8(Common Objects in Context) 데이터셋을 기반으로 하는 데이터셋 구성 파일을 의미하며, 이는 전체 COCO 데이터셋의 소규모 샘플 버전으로 테스트 및 실험에 자주 사용됩니다.

교통 모니터링이나 의료 영상과 같은 특정 애플리케이션을 위해 YOLO11을 테스트하는 경우, 관련 데이터셋(예: 교통 데이터셋 또는 의료 데이터셋)을 사용하면 더 정확한 통찰력을 얻을 수 있습니다. COCO를 사용한 벤치마킹은 성능에 대한 일반적인 아이디어를 제공하지만, 최상의 결과를 얻으려면 실제 사용 사례를 반영하는 데이터셋을 선택할 수 있습니다.

Link to this sectionYOLO11 벤치마킹 출력 이해하기#

YOLO11 벤치마킹이 완료되면 다음 단계는 결과를 해석하는 것입니다. 벤치마크를 실행한 후 결과에서 다양한 숫자를 볼 수 있습니다. 이러한 측정 항목은 YOLO11이 정확도와 속도 측면에서 얼마나 잘 수행되는지 평가하는 데 도움을 줍니다.

주의해야 할 몇 가지 주목할 만한 YOLO11 벤치마킹 측정 항목은 다음과 같습니다:

• mAP50-95: 객체 탐지 정확도를 측정합니다. 값이 높을수록 모델이 객체를 더 잘 인식한다는 의미입니다.
• accuracy_top5: 분류 작업에 일반적으로 사용됩니다. 상위 5개 예측값 중 올바른 라벨이 나타나는 빈도를 보여줍니다.
• Inference time: 단일 이미지를 처리하는 데 걸리는 시간으로, 밀리초(ms) 단위로 측정됩니다. 낮은 값은 더 빠른 처리를 의미합니다.

그림 4. YOLO11의 벤치마크 성능을 보여주는 그래프.

Link to this sectionYOLO11을 벤치마킹할 때 고려해야 할 다른 요소들#

벤치마크 결과만 보는 것은 이야기의 일부일 뿐입니다. 성능을 더 잘 이해하려면 다양한 설정과 하드웨어 옵션을 비교하는 것이 도움이 됩니다. 확인해야 할 몇 가지 중요한 사항은 다음과 같습니다:

• GPU vs. CPU: GPU는 CPU보다 훨씬 빠르게 이미지를 처리할 수 있습니다. 벤치마킹은 CPU가 귀하의 요구 사항에 충분히 빠른지, 아니면 GPU를 사용하는 것이 유리한지 확인하는 데 도움을 줍니다.
• 정밀도 설정(FP32, FP16, INT8): 이는 모델이 숫자를 처리하는 방식을 제어합니다. 낮은 정밀도(FP16 또는 INT8 등)는 모델을 더 빠르게 실행하고 메모리를 덜 사용하게 만들지만, 정확도가 약간 떨어질 수 있습니다.
• Export formats: 모델을 TensorRT와 같은 형식으로 변환하면 특정 하드웨어에서 훨씬 빠르게 실행될 수 있습니다. 이는 특정 디바이스에서 속도를 최적화할 때 유용합니다.

Link to this section다양한 하드웨어에서 YOLO11을 벤치마킹하는 방법#

Ultralytics Python 패키지를 사용하면 YOLO11 모델을 특정 하드웨어에서 더 효율적으로 실행되는 다양한 형식으로 변환하여 속도와 메모리 사용량을 모두 개선할 수 있습니다. 각 내보내기 형식은 서로 다른 디바이스에 최적화되어 있습니다.

한편으로 ONNX format은 다양한 환경에서 성능을 가속화할 수 있습니다. 다른 한편으로 OpenVINO는 Intel 하드웨어에서의 효율성을 개선하며, CoreML이나 TF SavedModel과 같은 형식은 Apple 디바이스 및 모바일 애플리케이션에 이상적입니다.

YOLO11을 특정 형식으로 벤치마킹하는 방법을 살펴보겠습니다. 아래 코드는 CPU와 GPU 모두에서 AI 모델을 실행하는 데 널리 사용되는 ONNX 형식으로 YOLO11을 벤치마킹합니다.

from ultralytics.utils.benchmarks import benchmark

# Benchmark a specific export format (e.g., ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

벤치마킹 결과를 넘어, 올바른 형식을 선택하는 것은 시스템의 사양과 배포 요구 사항에 따라 달라집니다. 예를 들어, self-driving cars는 빠른 객체 탐지가 필요합니다. 성능을 가속화하기 위해 NVIDIA GPU를 사용할 계획이라면, TensorRT 형식이 NVIDIA GPU에서 YOLO11을 실행하는 데 이상적인 선택입니다.

그림 5. 자율주행 차량에서 객체 탐지를 위해 YOLO11 사용.

Link to this section핵심 요약#

Ultralytics Python 패키지는 성능 테스트를 대신 수행할 수 있는 간단한 명령어를 제공하여 YOLO11 벤치마킹을 쉽게 만듭니다. 몇 단계만 거치면 서로 다른 설정이 모델의 속도와 정확도에 어떤 영향을 미치는지 확인할 수 있어, 깊은 기술적 전문 지식 없이도 정보에 입각한 선택을 할 수 있습니다.

올바른 하드웨어와 설정은 또한 큰 차이를 만들 수 있습니다. 모델 크기나 데이터셋과 같은 매개변수를 조정하면 고성능 GPU에서 실행하든 엣지 디바이스에서 로컬로 실행하든 관계없이 최상의 성능을 위해 YOLO11을 미세 조정할 수 있습니다.

우리 커뮤니티와 소통하고 GitHub repository에서 최첨단 AI 프로젝트를 살펴보세요. 솔루션 페이지를 통해 AI in agriculture의 영향과 computer vision in manufacturing의 역할을 알아보세요. 라이선스 플랜을 살펴보고 지금 바로 AI 여정을 시작하세요!