YOLO11과 같은 Ultralytics YOLO 모델 벤치마킹 방법

오늘날 사용 가능한 AI 모델의 수가 증가함에 따라 특정 AI 애플리케이션에 가장 적합한 모델을 선택하는 것이 정확하고 신뢰할 수 있는 결과를 얻는 데 필수적입니다. 각 모델은 속도, 정확성 및 전반적인 성능이 다릅니다. 그렇다면 주어진 작업에 가장 적합한 모델을 어떻게 결정할 수 있을까요? 이는 자율 주행 차량, 보안 솔루션 및 로봇 공학과 같은 실시간 시스템의 경우 특히 중요하며, 이러한 시스템에서는 빠르고 안정적인 의사 결정이 매우 중요합니다.

벤치마킹은 다양한 조건에서 모델을 평가하여 이 질문에 답하는 데 도움이 됩니다. 다양한 하드웨어 설정 및 구성에서 모델이 얼마나 잘 작동하는지에 대한 통찰력을 제공하여 더 많은 정보를 바탕으로 의사 결정을 내릴 수 있도록 합니다.

예를 들어, Ultralytics YOLO11은 객체 탐지 및 인스턴스 분할과 같은 다양한 시각적 데이터 분석 작업을 지원하는 컴퓨터 비전 모델입니다. 이 모델의 기능을 완전히 이해하려면 다양한 설정에서 성능을 벤치마킹하여 실제 시나리오에서 어떻게 처리하는지 확인할 수 있습니다.

본 문서에서는 YOLO11과 같은 Ultralytics YOLO 모델을 벤치마킹하고, 다양한 하드웨어에서 성능을 비교하며, 다양한 내보내기 형식이 속도와 효율성에 미치는 영향을 살펴보겠습니다. 그럼 시작해 볼까요!

모델 벤치마킹이란 무엇인가요?

실제 애플리케이션에서 Vision AI 모델을 사용할 때 얼마나 빠르고 정확하며 안정적인지 어떻게 알 수 있을까요? 모델 벤치마킹은 이에 대한 통찰력을 제공할 수 있습니다. 모델 벤치마킹은 다양한 AI 모델을 테스트하고 비교하여 어떤 모델이 가장 성능이 좋은지 확인하는 프로세스입니다. 

비교를 위한 기준선을 설정하고, 정확도나 속도와 같은 올바른 성능 측정 방법을 선택하고, 동일한 조건에서 모든 모델을 테스트하는 것이 포함됩니다. 결과는 각 모델의 강점과 약점을 식별하는 데 도움이 되므로 특정 AI 솔루션에 가장 적합한 모델을 더 쉽게 결정할 수 있습니다. 특히 벤치마크 데이터 세트는 종종 공정한 비교를 제공하고 모델이 다양한 실제 시나리오에서 얼마나 잘 수행되는지 평가하는 데 사용됩니다.

‍

벤치마킹이 왜 중요한지에 대한 명확한 예는 감시 또는 로봇 공학과 같은 실시간 애플리케이션에서 찾을 수 있으며, 여기서 약간의 지연도 의사 결정에 영향을 미칠 수 있습니다. 벤치마킹은 모델이 안정적인 예측을 제공하면서 이미지를 빠르게 처리할 수 있는지 평가하는 데 도움이 됩니다. 

또한 성능 병목 현상을 식별하는 데 중요한 역할을 합니다. 모델 실행 속도가 느리거나 과도한 리소스를 사용하는 경우 벤치마킹을 통해 문제가 하드웨어 제한, 모델 구성 또는 내보내기 형식에서 비롯되는지 여부를 확인할 수 있습니다. 이러한 통찰력은 가장 효과적인 설정을 선택하는 데 매우 중요합니다.

모델 벤치마킹과 모델 평가 및 테스트 비교

모델 벤치마킹, 평가, 그리고 테스팅은 AI 분야에서 함께 자주 사용되는 용어입니다. 서로 유사하지만 동일하지 않으며, 각기 다른 기능을 수행합니다. 모델 테스팅은 테스트 데이터 세트에서 모델을 실행하고 정확도 및 속도와 같은 요소를 측정하여 단일 모델의 성능을 확인합니다. 반면, 모델 평가는 결과를 분석하여 모델의 강점, 약점, 실제 상황에서의 작동 방식을 이해하는 데 더 나아갑니다. 둘 다 한 번에 하나의 모델에만 집중합니다.

그러나 모델 벤치마킹은 동일한 테스트와 데이터 세트를 사용하여 여러 모델을 나란히 비교합니다. 정확도, 속도 및 효율성의 차이를 강조하여 특정 작업에 가장 적합한 모델을 찾는 데 도움이 됩니다. 테스팅과 평가가 단일 모델에 초점을 맞추는 반면, 벤치마킹은 다양한 옵션을 공정하게 비교하여 올바른 모델(또는 최상의 모델)을 선택하는 데 도움이 됩니다.

‍

Ultralytics YOLO11 개요

Ultralytics YOLO11은 다양한 컴퓨터 비전 작업을 정확하게 수행하도록 설계된 안정적인 Vision AI 모델입니다. 이전 YOLO 모델 버전을 개선했으며 실제 문제를 해결하는 데 도움이 되는 기능이 가득합니다. 예를 들어 객체 감지, 이미지 분류, 영역 분할, 움직임 추적 등에 사용할 수 있습니다. 또한 보안에서 자동화 및 분석에 이르기까지 여러 산업 분야의 애플리케이션에서 사용할 수 있습니다.

‍

Ultralytics YOLO11과 관련된 주요 이점 중 하나는 사용하기 쉽다는 것입니다. 몇 줄의 코드만으로 복잡한 설정이나 고급 기술 전문 지식 없이도 누구나 AI 프로젝트에 통합할 수 있습니다. 

또한 CPU(중앙 처리 장치), GPU(그래픽 처리 장치) 및 기타 특수 AI 가속기에서 효율적으로 실행되는 등 다양한 하드웨어에서 원활하게 작동합니다. 에지 장치나 클라우드 서버에 배포되든 강력한 성능을 제공합니다. 

YOLO11은 다양한 모델 크기로 제공되며, 각 모델은 서로 다른 작업에 최적화되어 있습니다. 벤치마킹은 특정 요구 사항에 가장 적합한 버전을 결정하는 데 도움이 됩니다. 예를 들어, 벤치마킹을 통해 얻을 수 있는 중요한 통찰력 중 하나는 나노 또는 스몰과 같은 더 작은 모델이 더 빠르게 실행되는 경향이 있지만 정확도가 약간 떨어질 수 있다는 것입니다.

YOLO11과 같은 YOLO 모델 벤치마킹 방법

이제 벤치마킹이 무엇이고 그 중요성을 이해했으므로 YOLO11과 같은 YOLO 모델을 벤치마킹하고 효율성을 평가하여 귀중한 통찰력을 얻는 방법을 살펴보겠습니다.

시작하려면 터미널 또는 명령 프롬프트에서 다음 명령을 실행하여 Ultralytics Python 패키지를 설치할 수 있습니다. “pip install ultralytics”. 설치 중에 문제가 발생하면 일반적인 문제 해결 가이드에서 문제 해결 팁을 확인하십시오.

패키지가 설치되면 몇 줄의 Python 코드로 YOLO11 벤치마크를 쉽게 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)

위에 표시된 코드를 실행하면 모델이 이미지를 처리하는 속도, 초당 처리할 수 있는 프레임 수, 객체를 얼마나 정확하게 감지하는지 계산합니다. 

코드에서 "coco8.yaml"에 대한 언급은 COCO8(Common Objects in Context) 데이터 세트를 기반으로 하는 데이터 세트 구성 파일을 나타냅니다. COCO 데이터 세트의 작고 샘플 버전으로, 종종 테스트 및 실험에 사용됩니다.

교통 모니터링 또는 의료 영상과 같은 특정 애플리케이션에 대해 YOLO11을 테스트하는 경우 관련 데이터 세트(예: 교통 데이터 세트 또는 의료 데이터 세트)를 사용하면 보다 정확한 통찰력을 얻을 수 있습니다. COCO를 사용한 벤치마킹은 성능에 대한 일반적인 아이디어를 제공하지만 최상의 결과를 얻으려면 실제 사용 사례를 반영하는 데이터 세트를 선택할 수 있습니다.

YOLO11 벤치마킹 결과 이해

YOLO11 벤치마크가 완료되면 다음 단계는 결과를 해석하는 것입니다. 벤치마크를 실행한 후 결과에 다양한 숫자가 표시됩니다. 이러한 지표는 YOLO11이 정확도와 속도 측면에서 얼마나 잘 수행되는지 평가하는 데 도움이 됩니다. 

주목할 만한 YOLO11 벤치마킹 지표는 다음과 같습니다.

• mAP50-95: 객체 감지 정확도를 측정합니다. 값이 높을수록 모델이 객체를 더 잘 인식한다는 의미입니다.
  ‍
• accuracy_top5: 분류 작업에 일반적으로 사용됩니다. 올바른 레이블이 상위 5개 예측에 나타나는 빈도를 보여줍니다.
  ‍
• 추론 시간: 단일 이미지를 처리하는 데 걸리는 시간(밀리초 단위로 측정). 값이 낮을수록 처리 속도가 빠릅니다.

‍

YOLO11 벤치마킹 시 고려해야 할 기타 요소 

벤치마크 결과만으로는 전체 상황을 파악하기 어렵습니다. 성능에 대한 더 나은 이해를 얻으려면 다양한 설정과 하드웨어 옵션을 비교하는 것이 도움이 됩니다. 다음은 살펴봐야 할 몇 가지 중요한 사항입니다.

• GPU vs. CPU: GPU는 CPU보다 훨씬 빠르게 이미지를 처리할 수 있습니다. 벤치마킹을 통해 CPU가 사용자의 요구 사항에 충분히 빠른지 또는 GPU를 사용하면 이점이 있는지 확인할 수 있습니다.
  ‍
• 정밀도 설정(FP32, FP16, INT8): 모델이 숫자를 처리하는 방식을 제어합니다. 낮은 정밀도(예: FP16 또는 INT8)는 모델 실행 속도를 높이고 메모리 사용량을 줄이지만 정확도가 약간 떨어질 수 있습니다.
  ‍
• 내보내기 형식: 모델을 TensorRT와 같은 형식으로 변환하면 특정 하드웨어에서 훨씬 빠르게 실행할 수 있습니다. 이는 특정 장치에서 속도를 최적화하는 경우에 유용합니다.

다양한 하드웨어에서 YOLO11 벤치마킹 방법

Ultralytics Python 패키지를 사용하면 YOLOv8 모델을 특정 하드웨어에서 보다 효율적으로 실행되는 다양한 형식으로 변환하여 속도와 메모리 사용량을 모두 개선할 수 있습니다. 각 Export 형식은 서로 다른 장치에 최적화되어 있습니다. 

한편, ONNX 형식은 다양한 환경에서 성능을 향상시킬 수 있습니다. 반면에 OpenVINO는 Intel 하드웨어의 효율성을 향상시키고 CoreML 또는 TF SavedModel과 같은 형식은 Apple 장치 및 모바일 애플리케이션에 이상적입니다. 

특정 형식으로 YOLO11의 성능을 벤치마킹하는 방법을 살펴보겠습니다. 아래 코드는 CPU와 GPU 모두에서 AI 모델을 실행하는 데 널리 사용되는 ONNX 형식으로 YOLO11의 성능을 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 결과 외에도, 올바른 형식을 선택하는 것은 시스템 사양 및 배포 요구 사항에 따라 달라집니다. 예를 들어, 자율 주행 자동차는 빠른 객체 탐지가 필요합니다. NVIDIA GPU를 사용하여 성능을 가속화하려는 경우, TensorRT 형식은 NVIDIA GPU에서 YOLO11을 실행하는 데 이상적인 선택입니다.

‍

주요 내용

Ultralytics Python 패키지는 간단한 명령어를 제공하여 YOLO11의 벤치마킹을 쉽게 수행할 수 있도록 합니다. 몇 단계만으로 다양한 설정이 모델의 속도와 정확도에 미치는 영향을 확인하여, 깊이 있는 기술적 전문 지식 없이도 정보에 입각한 선택을 할 수 있습니다.

올바른 하드웨어와 설정도 큰 차이를 만들 수 있습니다. 모델 크기 및 데이터 세트와 같은 파라미터를 조정하면 고급 GPU에서 실행하든 에지 장치에서 로컬로 실행하든 최상의 성능을 위해 YOLO11을 미세 조정할 수 있습니다.

커뮤니티와 연결하고 GitHub 저장소에서 최첨단 AI 프로젝트를 탐색하십시오. 솔루션 페이지를 통해 농업 분야의 AI 영향과 제조 분야의 컴퓨터 비전 역할을 알아보십시오. 라이선스 계획을 살펴보고 지금 AI 여정을 시작하십시오!