FLOPs

FLOPs 또는 부동소수점 연산은 머신 러닝 모델의 계산 복잡도를 측정하는 데 사용되는 표준 지표입니다. 구체적으로 이미지나 문장과 같은 단일 입력을 처리하기 위해 신경망이 수행해야 하는 수학적 계산의 수를 셉니다. 여기에는 주로 소수를 포함하는 덧셈과 곱셈이 해당합니다. 딥러닝 분야에서 FLOPs는 모델이 얼마나 "무겁거나" 계산 비용이 높은지 추정하는 이론적 기준으로 사용됩니다. 일반적으로 FLOPs 수가 높을수록 모델이 더 복잡하고 실행에 더 많은 처리 능력과 에너지가 필요하다는 뜻이며, 수가 낮을수록 효율성을 고려해 설계된 경량 아키텍처임을 나타냅니다.

모델 선택에서 FLOPs의 역할#

인공지능 애플리케이션을 개발할 때 엔지니어는 정확도와 속도 사이에서 절충해야 하는 경우가 많습니다. FLOPs는 추론 지연 시간을 나타내는 하드웨어 독립적 대리 지표로 사용되므로, 개발자는 가능한 모든 디바이스에서 벤치마크를 수행하지 않고도 다양한 아키텍처를 비교할 수 있습니다. 이 지표는 특정 배포 시나리오에 적합한 모델을 선택하는 데 필수적입니다. 예를 들어, 강력한 클라우드 컴퓨팅 서버에서 실험을 수행하는 연구자는 효율성보다 정확도를 우선시하여 FLOPs가 높은 모델을 사용할 수 있습니다. 반대로 엣지 AI 디바이스용 애플리케이션을 구축하는 엔지니어는 엄격한 전력 및 열 제한 내에서 애플리케이션이 원활하게 실행되도록 낮은 FLOPs를 우선시해야 합니다.

실제 적용 사례#

FLOPs의 실질적인 영향은 계산 리소스가 중요한 요소인 다양한 산업 분야에서 확인할 수 있습니다.

• 자율 드론: 농업 로보틱스와 같은 분야에서 카메라를 장착한 드론은 작물의 상태를 실시간으로 분석합니다. 드론 배터리의 용량은 제한적이므로 전력 소비의 모든 부분이 중요합니다. 엔지니어는 기내 프로세서의 부하를 최소화하여 비행 시간과 운용 범위를 극대화하기 위해 YOLO26의 Nano 변형 모델처럼 FLOPs가 낮은 모델을 선택합니다.
• 모바일 증강 현실: 보안을 위해 얼굴 인식을 사용하거나 AR 필터를 적용하는 스마트폰 애플리케이션은 효율적인 처리에 크게 의존합니다. 이러한 앱은 디바이스를 과열시키거나 지연을 유발하지 않고 작동해야 합니다. 개발자는 FLOPs 추정치를 사용하여 Snapdragon 시리즈나 Apple의 A 시리즈 칩과 같은 모바일 칩셋의 성능 범위에 적합한 경량 모델을 선택합니다.

FLOPs와 FLOPS(초당 부동소수점 연산)#

"FLOPs"(FLOP의 복수형)와 "FLOPS"(대문자)를 구분하는 것이 중요합니다. 두 용어는 거의 동일하게 보이지만 서로 다른 것을 측정합니다. FLOPs(소문자 's')는 모델에 필요한 연산의 총 수량을 의미하며, 복잡도를 나타내는 정적 측정값입니다. FLOPS(대문자 'S')는 초당 부동소수점 연산을 의미하며, GPU와 같은 하드웨어의 속도 또는 성능 역량을 측정합니다. FLOPs를 자동차가 이동해야 하는 거리(수행해야 할 작업)라고 한다면, FLOPS는 자동차의 최고 속도(하드웨어가 작업을 수행하는 능력)라고 생각할 수 있습니다.

Python으로 FLOPs 측정하기#

Python을 사용하면 Ultralytics 모델의 계산 비용을 쉽게 계산할 수 있습니다. 이는 신경망이 하드웨어 예산 내에 맞는지 확인하기 위한 모델 최적화 단계에서 특히 유용합니다. 다음 예제에서는 YOLO26 모델을 로드하고 FLOPs를 확인하는 방법을 보여 줍니다.

from ultralytics import YOLO
from ultralytics.utils.torch_utils import get_flops

# Load a lightweight YOLO26 model
model = YOLO("yolo26n.pt")

# Calculate and print the model's FLOPs (Billions of operations)
# This gives you a hardware-independent complexity metric
flops = get_flops(model)
print(f"Model FLOPs: {flops:.2f} Billion")

효율성을 위한 FLOPs 감소#

모델의 배포 가능성을 높이기 위해 연구자들은 정확도를 크게 희생하지 않으면서 FLOPs를 줄이는 여러 기법을 사용합니다. 모델 가지치기는 신경망에서 중요도가 낮은 연결을 제거하여 네트워크를 효과적으로 간소화합니다. 또 다른 기법인 양자화는 계산에 사용되는 수의 정밀도를 낮춥니다(예: 32비트 부동소수점에서 8비트 정수로 변경). Ultralytics Platform에서 제공하는 도구는 이러한 최적화 프로세스를 간소화하여 TensorRT나 OpenVINO와 같은 대상에 효율적인 모델을 더 쉽게 배포할 수 있도록 지원합니다. FLOPs를 이해하고 최적화하면 개발자는 강력하면서도 지속 가능한 AI 시스템을 구축할 수 있습니다.