FLOPs

FLOPs(Floating Point Operations)은 machine learning 모델의 연산 복잡도를 측정하는 데 사용되는 표준 지표입니다. 이는 구체적으로 neural network가 이미지나 문장과 같은 단일 입력을 처리하기 위해 수행해야 하는 수학적 계산(주로 소수점을 포함한 덧셈 및 곱셈)의 횟수를 계산합니다. deep learning 분야에서 FLOPs는 모델이 얼마나 "무거운지" 또는 연산 비용이 얼마나 드는지를 추정하기 위한 이론적 척도로 사용됩니다. 일반적으로 FLOPs 수치가 높을수록 모델이 더 복잡하며 실행 시 더 많은 처리 능력과 에너지가 필요함을 의미하고, 낮은 수치는 효율성을 위해 설계된 경량 아키텍처임을 나타냅니다.

Link to this section모델 선택에서 FLOPs의 역할#

artificial intelligence 애플리케이션을 개발할 때 엔지니어는 종종 정확도와 속도 사이의 트레이드오프에 직면합니다. FLOPs는 하드웨어와 무관하게 inference latency를 가늠할 수 있는 지표로 작용하여, 개발자가 가능한 모든 장치에서 벤치마킹할 필요 없이 서로 다른 아키텍처를 비교할 수 있게 합니다. 이 지표는 특정 배포 시나리오에 적합한 모델을 선택하는 데 필수적입니다. 예를 들어, 강력한 cloud computing 서버에서 실험을 수행하는 연구자는 높은 FLOPs를 가진 모델을 활용하여 효율성보다 정확도를 우선시할 수 있습니다. 반대로 edge AI 장치를 위해 개발하는 엔지니어는 엄격한 전력 및 발열 제한 내에서 애플리케이션이 원활하게 실행되도록 낮은 FLOPs를 우선시해야 합니다.

Link to this section실제 애플리케이션 사례#

FLOPs의 실질적인 의미는 연산 자원이 중요한 요소인 다양한 산업 전반에서 명확하게 드러납니다.

• 자율 드론: agricultural robotics와 같은 분야에서 카메라가 장착된 드론은 작물 상태를 실시간으로 분석합니다. 드론 배터리는 제한적이기 때문에 소비 전력 하나하나가 중요합니다. 엔지니어는 온보드 프로세서의 부하를 최소화하여 비행 시간과 작업 범위를 극대화하기 위해 YOLO26의 Nano 버전과 같이 낮은 FLOPs를 가진 모델을 특별히 선택합니다.
• 모바일 증강 현실: 보안을 위해 facial recognition을 사용하거나 AR 필터를 적용하는 스마트폰 애플리케이션은 효율적인 처리에 크게 의존합니다. 이러한 앱은 장치가 과열되거나 지연되지 않고 작동해야 합니다. 개발자는 Snapdragon 시리즈 또는 Apple의 A-series chips와 같은 모바일 칩셋의 성능 내에서 원활하게 작동하는 경량 모델을 선택하기 위해 FLOPs 추정치를 사용합니다.

Link to this sectionFLOPs와 FLOPS(Floating Point Operations Per Second) 비교#

"FLOPs"(FLOP의 복수형)와 "FLOPS"(모두 대문자)를 구분하는 것은 중요합니다. 이들은 거의 비슷해 보이지만 서로 다른 것을 측정합니다. FLOPs(소문자 's')는 모델이 요구하는 연산의 총 양을 의미하며, 복잡도의 정적 측정값입니다. FLOPS(대문자 'S')는 Floating Point Operations Per Second의 약자로, GPU와 같은 하드웨어의 속도 또는 성능 능력을 측정합니다. FLOPs를 자동차가 이동해야 하는 거리(수행해야 할 작업)로, FLOPS를 자동차의 최고 속도(작업을 수행하는 하드웨어의 능력)로 생각할 수 있습니다.

Link to this sectionPython으로 FLOPs 측정하기#

Python을 사용하여 Ultralytics 모델의 연산 비용을 쉽게 계산할 수 있습니다. 이는 model optimization 단계에서 신경망이 하드웨어 예산 내에 포함되는지 확인하는 데 특히 유용합니다. 다음 예제는 YOLO26 모델을 로드하고 그 FLOPs를 결정하는 방법을 보여줍니다.

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")

Link to this section효율성을 위한 FLOPs 감소#

모델의 배포 가능성을 높이기 위해 연구자들은 정확도를 크게 희생하지 않으면서 FLOPs를 줄이는 여러 기술을 사용합니다. Model pruning은 신경망에서 덜 중요한 연결을 제거하여 효율적으로 모델을 슬림화하는 것을 포함합니다. 또 다른 기술은 quantization으로, 계산에 사용되는 숫자의 정밀도를 줄입니다(예: 32비트 부동 소수점에서 8비트 정수로). Ultralytics Platform에서 제공되는 도구는 이러한 최적화 프로세스를 간소화하여 TensorRT 또는 OpenVINO와 같은 타겟에 효율적인 모델을 더 쉽게 배포할 수 있도록 합니다. 개발자는 FLOPs를 이해하고 최적화함으로써 강력하면서도 지속 가능한 AI 시스템을 구축할 수 있습니다.