YOLO11과 같은 Ultralytics YOLO 모델을 벤치마크하는 방법

오늘날 사용할 수 있는 AI 모델의 수가 증가함에 따라, 특정 AI 애플리케이션에 가장 적합한 모델을 선택하는 것은 정확하고 안정적인 결과를 얻는 데 필수적입니다. 각 모델은 속도, 정확도 및 전반적인 성능이 서로 다릅니다. 그렇다면 특정 작업에 가장 적합한 모델을 어떻게 판단할 수 있을까요? 이는 신속하고 안정적인 의사 결정이 중요한 자율주행 차량, 보안 솔루션 및 로보틱스와 같은 실시간 시스템에서 특히 중요합니다.

벤치마킹은 다양한 조건에서 모델을 평가하여 이 질문에 답하는 데 도움을 줍니다. 다양한 하드웨어 설정과 구성에서 모델이 얼마나 잘 작동하는지에 대한 인사이트를 제공하므로, 보다 합리적인 의사 결정을 내릴 수 있습니다.

예를 들어 Ultralytics YOLO11은 객체 감지 및 인스턴스 세그멘테이션과 같은 다양한 시각 데이터 분석 작업을 지원하는 컴퓨터 비전 모델입니다. 기능을 완전히 이해하려면 다양한 설정에서 성능을 벤치마킹하여 실제 시나리오를 어떻게 처리하는지 확인할 수 있습니다.

이 글에서는 YOLO11과 같은 Ultralytics YOLO 모델을 벤치마킹하고, 다양한 하드웨어에서 성능을 비교하며, 서로 다른 내보내기 형식이 속도와 효율성에 미치는 영향을 살펴봅니다. 시작해 보겠습니다!

모델 벤치마킹이란 무엇인가요?#

실제 애플리케이션에서 비전 AI 모델을 사용할 때 해당 모델이 충분히 빠르고 정확하며 안정적인지 어떻게 판단할 수 있을까요? 모델을 벤치마킹하면 이러한 질문에 답하는 데 필요한 인사이트를 얻을 수 있습니다. 모델 벤치마킹은 서로 다른 AI 모델을 테스트하고 비교하여 어떤 모델의 성능이 가장 우수한지 확인하는 과정입니다.

벤치마킹에는 비교를 위한 기준선을 설정하고, 적절한 성능 지표(예: 정확도 또는 속도)를 선택하며, 모든 모델을 동일한 조건에서 테스트하는 과정이 포함됩니다. 결과를 통해 각 모델의 강점과 약점을 파악할 수 있으므로, 특정 AI 솔루션에 가장 적합한 모델을 쉽게 결정할 수 있습니다. 특히 벤치마크 데이터셋을 사용하면 공정한 비교를 수행하고 다양한 실제 시나리오에서 모델이 얼마나 잘 작동하는지 평가할 수 있습니다.

그림 1. 컴퓨터 비전 모델을 벤치마크해야 하는 이유. 이미지 작성자 제공.

벤치마킹이 중요한 이유를 보여주는 명확한 예는 감시 또는 로보틱스와 같은 실시간 애플리케이션입니다. 이러한 환경에서는 아주 작은 지연도 의사 결정에 영향을 미칠 수 있습니다. 벤치마킹을 통해 모델이 안정적인 예측을 제공하면서도 이미지를 빠르게 처리할 수 있는지 평가할 수 있습니다.

또한 성능 병목을 파악하는 데에도 중요한 역할을 합니다. 모델이 느리게 실행되거나 과도한 리소스를 사용하는 경우, 벤치마킹을 통해 문제가 하드웨어 제한, 모델 구성 또는 내보내기 형식에서 비롯되었는지 확인할 수 있습니다. 이러한 인사이트는 가장 효과적인 설정을 선택하는 데 매우 중요합니다.

모델 평가 및 테스트와 비교한 모델 벤치마킹#

모델 벤치마킹, 평가 및 테스트는 함께 사용되는 대표적인 AI 용어입니다. 서로 비슷하지만 동일하지 않으며, 기능도 다릅니다. 모델 테스트는 테스트 데이터셋에서 단일 모델을 실행하고 정확도와 속도 같은 요소를 측정하여 해당 모델의 성능을 확인합니다. 반면 모델 평가는 결과를 분석하여 모델의 강점과 약점, 그리고 실제 상황에서 얼마나 잘 작동하는지를 파악하는 한 단계 더 나아간 과정입니다. 두 방법 모두 한 번에 하나의 모델에만 초점을 맞춥니다.

반면 모델 벤치마킹은 동일한 테스트와 데이터셋을 사용하여 여러 모델을 나란히 비교합니다. 모델 간 정확도, 속도 및 효율성의 차이를 보여 주어 특정 작업에 어떤 모델이 가장 적합한지 확인하는 데 도움을 줍니다. 테스트와 평가는 단일 모델에 초점을 맞추지만, 벤치마킹은 다양한 옵션을 공정하게 비교하여 적합한 모델(또는 가장 우수한 모델)을 선택하는 데 도움을 줍니다.

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

Ultralytics YOLO11 개요#

Ultralytics YOLO11은 다양한 컴퓨터 비전 작업을 정확하게 수행하도록 설계된 안정적인 비전 AI 모델입니다. 이전 YOLO 모델 버전을 개선했으며, 실제 문제를 해결하는 데 도움이 되는 다양한 기능을 갖추고 있습니다. 예를 들어 객체 감지, 이미지 분류, 영역 세그멘테이션, 움직임 추적 등을 수행할 수 있습니다. 또한 보안부터 자동화 및 분석에 이르기까지 다양한 산업의 애플리케이션에서 사용할 수 있습니다.

그림 3. 이미지에서 사람을 세그멘테이션하는 Ultralytics YOLO11의 사용 예시입니다.

Ultralytics YOLO11의 주요 장점 중 하나는 사용하기 쉽다는 점입니다. 몇 줄의 코드만으로도 복잡한 설정이나 고급 기술 전문 지식 없이 누구나 AI 프로젝트에 통합할 수 있습니다.

또한 다양한 하드웨어에서 원활하게 작동하며, CPU(중앙 처리 장치), GPU(그래픽 처리 장치) 및 기타 특수 AI 가속기에서 효율적으로 실행됩니다. 엣지 디바이스에 배포하든 클라우드 서버에 배포하든 높은 성능을 제공합니다.

Ultralytics YOLO11은 다양한 모델 크기로 제공되며, 각 크기는 서로 다른 작업에 맞게 최적화되어 있습니다. 벤치마킹을 통해 특정 요구 사항에 가장 적합한 버전을 결정할 수 있습니다. 예를 들어 벤치마킹을 통해 얻을 수 있는 주요 인사이트 중 하나는 nano 또는 small과 같은 소형 모델이 더 빠르게 실행되는 경향이 있지만 일부 정확도를 희생할 수 있다는 점입니다.

Ultralytics YOLO11과 같은 YOLO 모델을 벤치마크하는 방법#

이제 벤치마킹의 개념과 중요성을 이해했으므로, Ultralytics YOLO11과 같은 YOLO 모델을 벤치마크하고 효율성을 평가하여 유용한 인사이트를 얻는 방법을 살펴보겠습니다.

시작하려면 터미널 또는 명령 프롬프트에서 다음 명령을 실행하여 Ultralytics Python 패키지를 설치할 수 있습니다: “pip install ultralytics”. 설치 중 문제가 발생하면 문제 해결 팁을 제공하는 일반적인 문제 가이드를 확인해 보세요.

패키지가 설치되면 몇 줄의 Python 코드만으로 Ultralytics YOLO11을 벤치마크할 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 얼마나 빠르게 처리하는지, 1초 동안 몇 개의 프레임을 처리할 수 있는지, 객체를 얼마나 정확하게 감지하는지를 계산합니다.

코드에 언급된 “coco8.yaml”은 COCO8(문맥 속 일반 객체) 데이터셋을 기반으로 한 데이터셋 구성 파일을 의미합니다. COCO8은 전체 COCO 데이터셋의 소규모 샘플 버전으로, 테스트 및 실험에 자주 사용됩니다.

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

Ultralytics YOLO11 벤치마킹 출력 이해하기#

Ultralytics YOLO11의 벤치마킹이 완료되면 다음 단계는 결과를 해석하는 것입니다. 벤치마크를 실행한 후 결과에서 다양한 수치를 확인할 수 있습니다. 이러한 지표는 정확도와 속도 측면에서 YOLO11이 얼마나 잘 작동하는지 평가하는 데 도움을 줍니다.

다음은 확인해야 할 주요 Ultralytics YOLO11 벤치마킹 지표입니다:

• mAP50-95: 객체 감지 정확도를 측정합니다. 값이 높을수록 모델이 객체를 더 잘 인식한다는 의미입니다.
• accuracy_top5: 분류 작업에 일반적으로 사용됩니다. 상위 5개 예측에 올바른 레이블이 포함되는 빈도를 보여 줍니다.
• 추론 시간: 단일 이미지를 처리하는 데 걸리는 시간으로, 밀리초 단위로 측정됩니다. 값이 낮을수록 처리가 빠릅니다.

그림 4. YOLO11의 벤치마크 성능을 보여 주는 그래프입니다.

Ultralytics YOLO11을 벤치마킹할 때 고려해야 할 기타 요소#

벤치마크 결과만 확인하면 전체 상황의 일부만 알 수 있습니다. 성능을 더 잘 이해하려면 다양한 설정과 하드웨어 옵션을 비교하는 것이 좋습니다. 다음은 살펴봐야 할 몇 가지 중요한 사항입니다:

• GPU와 CPU 비교: GPU는 CPU보다 훨씬 빠르게 이미지를 처리할 수 있습니다. 벤치마킹을 통해 CPU가 요구 사항에 충분히 빠른지, 아니면 GPU를 사용할 때 이점이 있는지 확인할 수 있습니다.
• 정밀도 설정(FP32, FP16, INT8): 정밀도 설정은 모델이 수치를 처리하는 방식을 제어합니다. 더 낮은 정밀도(FP16 또는 INT8)를 사용하면 모델이 더 빠르게 실행되고 메모리를 덜 사용하지만, 정확도가 약간 낮아질 수 있습니다.
• 내보내기 형식: 모델을 TensorRT와 같은 형식으로 변환하면 특정 하드웨어에서 훨씬 빠르게 실행할 수 있습니다. 특정 디바이스의 속도를 최적화할 때 유용합니다.

다양한 하드웨어에서 Ultralytics YOLO11을 벤치마크하는 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 맞게 최적화되어 있습니다.

한편 ONNX 형식은 다양한 환경에서 성능을 향상할 수 있습니다. 반면 OpenVINO는 Intel 하드웨어에서 효율성을 높이며, CoreML 또는 TF SavedModel과 같은 형식은 Apple 디바이스와 모바일 애플리케이션에 적합합니다.

특정 형식에서 Ultralytics YOLO11을 벤치마크하는 방법을 살펴보겠습니다. 아래 코드는 CPU와 GPU 모두에서 AI 모델을 실행할 때 널리 사용되는 ONNX 형식으로 YOLO11을 벤치마크합니다.

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 적절한 형식을 선택하려면 시스템 사양과 배포 요구 사항을 고려해야 합니다. 예를 들어 자율주행 자동차에는 빠른 객체 감지가 필요합니다. 성능을 가속하기 위해 NVIDIA GPU를 사용할 계획이라면 NVIDIA GPU에서 Ultralytics YOLO11을 실행할 때 TensorRT 형식이 이상적인 선택입니다.

그림 5. 자율주행 자동차에서 객체 감지에 YOLO11 사용하기.

핵심 요점#

Ultralytics Python 패키지는 간단한 명령을 제공하여 성능 테스트를 대신 처리하므로 YOLO11을 쉽게 벤치마크할 수 있습니다. 몇 단계만 거치면 다양한 설정이 모델의 속도와 정확도에 미치는 영향을 확인할 수 있으므로, 깊은 기술 전문 지식 없이도 합리적인 선택을 내릴 수 있습니다.

적절한 하드웨어와 설정도 큰 차이를 만들 수 있습니다. 모델 크기와 데이터셋 같은 매개변수를 조정하면 고성능 GPU에서 실행하든 엣지 디바이스에서 로컬로 실행하든 최상의 성능을 내도록 Ultralytics YOLO11을 세밀하게 조정할 수 있습니다.

저희 커뮤니티에 참여하고 저희 GitHub 저장소에서 최첨단 AI 프로젝트를 살펴보세요. 솔루션 페이지를 통해 농업 분야의 AI가 미치는 영향과 제조업에서 컴퓨터 비전의 역할에 대해 알아보세요. 저희 라이선스 플랜을 확인하고 지금 AI 여정을 시작하세요!