YOLO11과 같은 Ultralytics YOLO 모델 벤치마크 방법

오늘날 사용할 수 있는 AI 모델이 늘어나는 가운데, 정확하고 신뢰할 수 있는 결과를 얻으려면 특정 AI 애플리케이션에 가장 적합한 모델을 선택해야 합니다. 각 모델은 속도, 정확도, 전반적인 성능이 서로 다릅니다. 그렇다면 주어진 작업에 어떤 모델이 가장 적합한지 어떻게 판단할 수 있을까요? 빠르고 신뢰할 수 있는 의사결정이 중요한 자율주행차, 보안 솔루션, 로보틱스와 같은 실시간 시스템에서는 특히 중요한 문제입니다.

벤치마킹은 다양한 조건에서 모델을 평가하여 이 질문에 답하는 데 도움을 줍니다. 여러 하드웨어 설정과 구성에서 모델이 얼마나 잘 작동하는지 인사이트를 제공하므로 더 정확한 의사결정을 내릴 수 있습니다.

예를 들어 Ultralytics YOLO11은 Ultralytics YOLO26에 이어진 모델로, 객체 감지와 인스턴스 분할 같은 다양한 시각 데이터 분석 작업을 지원하는 컴퓨터 비전 모델입니다. 이 모델의 기능을 충분히 이해하려면 여러 설정에서 성능을 벤치마킹하여 실제 시나리오를 어떻게 처리하는지 확인할 수 있습니다.

이 글에서는 YOLO11과 같은 Ultralytics YOLO 모델의 벤치마킹 방법을 살펴보고, 다양한 하드웨어에서 성능을 비교하며, 여러 내보내기 형식이 속도와 효율성에 어떤 영향을 미치는지 알아보겠습니다.

모델 벤치마킹이란 무엇인가요?#

실제 애플리케이션에서 비전 AI 모델을 사용할 때, 모델이 충분히 빠르고 정확하며 신뢰할 수 있는지 어떻게 알 수 있을까요? 모델을 벤치마킹하면 이에 대한 인사이트를 얻을 수 있습니다. 모델 벤치마킹은 여러 AI 모델을 테스트하고 비교하여 어느 모델의 성능이 가장 뛰어난지 확인하는 과정입니다.

벤치마킹에는 비교를 위한 기준선을 설정하고, 정확도나 속도와 같은 적절한 성능 지표를 선택하며, 모든 모델을 동일한 조건에서 테스트하는 과정이 포함됩니다. 결과를 통해 각 모델의 장단점을 파악하면 특정 AI 솔루션에 가장 적합한 모델을 더 쉽게 결정할 수 있습니다. 특히 벤치마크 데이터셋은 공정하게 비교하고 다양한 실제 시나리오에서 모델의 성능을 평가하는 데 자주 사용됩니다.

그림 1. 컴퓨터 비전 모델을 벤치마킹하는 이유. 작성자 이미지.

벤치마킹이 중요한 이유를 잘 보여주는 예로 감시나 로보틱스와 같은 실시간 애플리케이션을 들 수 있습니다. 이러한 환경에서는 약간의 지연도 의사결정에 영향을 줄 수 있습니다. 벤치마킹을 통해 모델이 신뢰할 수 있는 예측을 제공하면서 이미지를 빠르게 처리할 수 있는지 평가할 수 있습니다.

벤치마킹은 성능 병목 현상을 파악하는 데도 중요한 역할을 합니다. 모델 실행이 느리거나 리소스를 과도하게 사용한다면 벤치마킹을 통해 문제가 하드웨어 제한, 모델 구성 또는 내보내기 형식에서 비롯된 것인지 확인할 수 있습니다. 이러한 인사이트는 가장 효과적인 설정을 선택하는 데 매우 중요합니다.

모델 벤치마킹과 모델 평가 및 테스트의 차이#

모델 벤치마킹, 평가, 테스트는 함께 사용되는 대표적인 AI 용어입니다. 서로 비슷하지만 동일한 개념은 아니며 기능도 다릅니다. 모델 테스트는 테스트 데이터셋에 단일 모델을 실행하고 정확도와 속도 같은 요소를 측정하여 모델의 성능을 확인합니다. 모델 평가는 한 단계 더 나아가 결과를 분석하여 모델의 장단점과 실제 환경에서의 작동 방식을 파악합니다. 두 방법 모두 한 번에 하나의 모델에 초점을 맞춥니다.

반면 모델 벤치마킹은 동일한 테스트와 데이터셋을 사용하여 여러 모델을 나란히 비교합니다. 모델 간 정확도, 속도, 효율성의 차이를 강조하여 특정 작업에 어떤 모델이 가장 적합한지 파악하는 데 도움을 줍니다. 테스트와 평가가 단일 모델에 초점을 맞추는 반면, 벤치마킹은 여러 선택지를 공정하게 비교하여 적합한 모델(또는 최적의 모델)을 선택하도록 돕습니다.

그림 2. 모델 벤치마킹과 평가 및 테스트의 차이. 작성자 이미지.

Ultralytics YOLO11 개요#

Ultralytics YOLO11은 다양한 컴퓨터 비전 작업을 정확하게 수행하도록 설계된 신뢰할 수 있는 비전 AI 모델입니다. 이전 YOLO 모델 버전보다 개선되었으며 실제 문제를 해결하는 데 도움이 되는 기능을 갖추고 있습니다. 예를 들어 객체 탐지, 이미지 분류, 영역 분할, 이동 추적 등에 사용할 수 있습니다. 보안부터 자동화와 분석까지 다양한 산업 분야의 애플리케이션에서도 활용할 수 있습니다.

그림 3. Ultralytics YOLO11을 사용하여 이미지에서 사람을 분할한 예시입니다.

Ultralytics YOLO11의 주요 장점 중 하나는 사용이 쉽다는 점입니다. 몇 줄의 코드만으로 누구나 복잡한 설정이나 고급 기술 지식 없이 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 디바이스나 클라우드 서버에 배포해도 뛰어난 성능을 제공합니다.

Ultralytics YOLO11은 다양한 작업에 최적화된 여러 모델 크기로 제공됩니다. 벤치마킹을 통해 특정 요구 사항에 가장 적합한 버전을 확인할 수 있습니다. 예를 들어 벤치마킹을 통해 얻을 수 있는 주요 인사이트 중 하나는 nano 또는 small과 같은 소형 모델이 더 빠르게 실행되는 경향이 있지만 정확도가 다소 낮아질 수 있다는 점입니다.

Ultralytics YOLO11과 같은 YOLO 모델을 벤치마킹하는 방법#

벤치마킹이 무엇이며 왜 중요한지 살펴보았으니, 이제 Ultralytics YOLO11과 같은 YOLO 모델을 벤치마킹하고 효율성을 평가하여 유용한 인사이트를 얻는 방법을 알아보겠습니다.

시작하려면 터미널이나 명령 프롬프트에서 다음 명령을 실행하여 Ultralytics Python 패키지를 설치할 수 있습니다: “pip install ultralytics”. 설치 중 문제가 발생하면 문제 해결 방법을 확인할 수 있도록 일반적인 문제 안내서를 참조하세요.

패키지를 설치한 후에는 Python 코드 몇 줄만으로 간편하게 Ultralytics YOLO11을 벤치마킹할 수 있습니다:

from ultralytics.utils.benchmarks import benchmark

# GPU에서 벤치마크 실행
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, device=0)

위에 표시된 코드를 실행하면 모델의 이미지 처리 속도, 초당 처리 가능한 프레임 수, 객체 탐지 정확도가 계산됩니다.

코드에 있는 “coco8.yaml”은 COCO8 데이터셋을 기반으로 한 데이터셋 구성 파일을 가리킵니다. COCO8은 전체 COCO 데이터셋의 소규모 샘플 버전으로, 테스트와 실험에 자주 사용됩니다.

교통 모니터링이나 의료 영상과 같은 특정 애플리케이션을 위해 Ultralytics YOLO11을 테스트하는 경우, 관련 데이터셋(예: 교통 데이터셋 또는 의료 데이터셋)을 사용하면 더 정확한 인사이트를 얻을 수 있습니다. COCO로 벤치마킹하면 전반적인 성능을 파악할 수 있지만, 최상의 결과를 얻으려면 실제 사용 사례를 반영하는 데이터셋을 선택할 수 있습니다.

Ultralytics YOLO11 벤치마킹 결과 이해하기#

Ultralytics YOLO11 벤치마킹을 마쳤다면 다음 단계는 결과를 해석하는 것입니다. 벤치마크를 실행하면 결과에 다양한 수치가 표시됩니다. 이러한 지표는 정확도와 속도 측면에서 YOLO11의 성능을 평가하는 데 도움이 됩니다.

다음은 주목해야 할 Ultralytics YOLO11 벤치마킹 지표입니다:

• mAP_50-95: 객체 탐지 정확도를 측정합니다. 값이 높을수록 모델의 객체 인식 성능이 뛰어납니다.
• accuracy_top5: 분류 작업에 흔히 사용됩니다. 상위 5개 예측에 올바른 레이블이 포함되는 빈도를 보여줍니다.
• 추론 시간: 이미지 한 장을 처리하는 데 걸리는 시간으로, 밀리초 단위로 측정합니다. 값이 낮을수록 처리가 빠릅니다.

그림 4. YOLO11의 벤치마크 성능을 보여주는 그래프입니다.

Ultralytics YOLO11 벤치마킹 시 고려해야 할 기타 요소#

벤치마크 결과만 살펴보면 전체 상황 중 일부만 알 수 있습니다. 성능을 더 정확하게 파악하려면 다양한 설정과 하드웨어 옵션을 비교하는 것이 좋습니다. 다음은 살펴볼 몇 가지 중요한 항목입니다:

• GPU와 CPU 비교: GPU는 CPU보다 훨씬 빠르게 이미지를 처리할 수 있습니다. 벤치마킹을 통해 CPU가 요구 사항을 충족할 만큼 빠른지, 아니면 GPU를 사용하는 것이 더 유리한지 확인할 수 있습니다.
• 정밀도 설정(FP32, FP16, INT8): 이 설정은 모델이 숫자를 처리하는 방식을 제어하며 quantize 인수로 지정합니다(예: quantize=16). 정밀도를 낮추면(FP16 또는 INT8 등) 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 디바이스에서 속도를 최적화하려는 경우 유용합니다.

다양한 하드웨어에서 Ultralytics 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.

한편 ONNX 형식은 다양한 환경에서 성능을 높일 수 있습니다. 반면 OpenVINO는 Intel 하드웨어의 효율성을 높이고, CoreML은 Apple 디바이스에 적합하며, LiteRT(구 TensorFlow Lite)는 모바일 애플리케이션에 적합합니다.

이제 특정 형식으로 Ultralytics YOLO11을 벤치마킹하는 방법을 살펴보겠습니다. 아래 코드는 CPU와 GPU에서 AI 모델을 실행하는 데 널리 사용되는 ONNX 형식으로 YOLO11을 벤치마킹합니다.

from ultralytics.utils.benchmarks import benchmark

# 특정 내보내기 형식 벤치마크 실행(예: ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

벤치마킹 결과 외에도 적절한 형식은 시스템 사양과 배포 요구 사항에 따라 달라집니다. 예를 들어 자율 주행 자동차에는 빠른 객체 감지가 필요합니다. 성능 가속을 위해 NVIDIA GPU를 사용할 계획이라면 NVIDIA GPU에서 Ultralytics YOLO11을 실행하기에 TensorRT 형식이 가장 적합합니다.

그림 5. 자율주행차에서 객체 탐지를 위해 YOLO11을 사용하는 모습입니다.

핵심 요점#

Ultralytics Python 패키지는 성능 테스트를 수행하는 간단한 명령을 제공하므로 YOLO11을 쉽게 벤치마킹할 수 있습니다. 몇 단계만 거치면 다양한 설정이 모델의 속도와 정확도에 미치는 영향을 확인할 수 있어, 깊이 있는 기술 지식 없이도 충분한 정보를 바탕으로 선택할 수 있습니다.

적절한 하드웨어와 설정도 큰 차이를 만들 수 있습니다. 모델 크기와 데이터셋 같은 파라미터를 조정하면 고성능 GPU에서 실행하든 로컬 엣지 디바이스에서 실행하든 최상의 성능을 위해 Ultralytics YOLO11을 미세 조정할 수 있습니다.

커뮤니티에 참여하고 GitHub 저장소에서 AI 프로젝트를 살펴보세요. 솔루션 페이지에서 농업 분야의 AI와 제조업 분야의 컴퓨터 비전이 미치는 영향을 알아보세요. 라이선스 요금제를 확인하고 지금 AI 여정을 시작하세요!