로봇 공학 및 감시와 같은 실시간 애플리케이션에 이상적인 YOLO 같은 1단계 물체 감지기의 속도와 효율성을 알아보세요.
1단계 객체 감지기는 속도에 최적화된 딥 러닝(DL) 모델의 범주입니다. 속도와 효율성에 최적화된 딥러닝 모델입니다. 2단계 객체 감지기와는 달리 2단계 객체 감지기와 달리 탐지 프로세스를 영역 제안과 분류 단계로 분리하는 2단계 객체 감지기와는 달리, 1단계 아키텍처는 한 번의 평가 통과로 단일 평가 패스로 객체 감지를 수행합니다. 이로써 이 모델은 작업을 직접 회귀 문제로 구성하여 바운딩 박스와 클래스 확률을 동시에 예측합니다. 입력 이미지로부터. 이 간소화된 접근 방식은 훨씬 더 빠른 처리를 가능하게 하므로, 이 모델을 실시간 추론이 필요한 애플리케이션에 실시간 추론.
1단계 탐지기의 핵심은 컨볼루션 신경망(CNN) 기능 추출의 중추 역할을 하는 기능 추출. 이 네트워크는 전체 이미지를 한 번에 처리하여 특징 맵 그리드를 생성합니다(그래서 "You Only Look Once"라는 이름이 붙었습니다). 초기 싱글 샷 멀티 박스 디텍터(SSD)와 같은 초기 아키텍처는 미리 정의된 앵커 박스에 의존하여 다양한 스케일의 오브젝트를 처리했습니다. 그러나 다음과 같은 최신 반복 작업은 Ultralytics YOLO11 와 같은 최신 반복 작업은 대부분 앵커 없는 설계를 채택하여 복잡성을 줄이고 일반화를 개선했습니다. 출력에는 일반적으로 현지화를 위한 좌표와 객체가 존재할 가능성을 나타내는 객체의 존재 가능성을 나타내는 신뢰 점수를 포함합니다.
1단계 모델과 2단계 모델의 주요 차이점은 속도와 정밀도 사이의 절충점에 있습니다. R-CNN 제품군과 같은 2단계 아키텍처는 일반적으로 다음과 같은 이점을 제공합니다. 더 높은 정확도를 제공하지만, 다단계 프로세스로 인해 계산 비용이 더 많이 듭니다. 반대로, 1단계 감지기는 낮은 추론 대기 시간이 짧아 리소스가 제한된 하드웨어에 배포할 수 있습니다. 배포할 수 있습니다. 최근의 발전은 다음과 같습니다. YOLOv1에서 곧 출시 예정인 YOLO26 (2025년 말 출시 예정)을 포함한 최근의 발전은 엔드투엔드 트레이닝을 활용하고 및 고급 손실 기능을 활용하여 정확도 격차를 좁히기 위해 엔드투엔드 학습과 고급 손실 기능을 활용합니다.
1단계 감지기의 효율성은 즉각적인 대응이 중요한 여러 분야에서 혁신을 주도합니다. 혁신을 주도합니다:
정확한 결과를 보장하기 위해 이러한 모델은 종종 단일 개체에 대해 여러 개의 잠재적 상자를 예측합니다. 후처리 다음과 같은 기술 비 최대 억제(NMS) 필터 와 같은 후처리 기법은 다음을 기반으로 이러한 중복 예측을 수행합니다. 유니온에 대한 교차(IoU) 임계값을 기반으로 이러한 중복 예측을 필터링합니다. 다음과 같은 최신 라이브러리를 사용하면 1단계 탐지기를 간단하게 구현할 수 있습니다. PyTorch 와 같은 최신 라이브러리와 Ultralytics Python 패키지.
다음 예는 사전 학습된 YOLO11 모델을 사용하여 추론을 실행하는 방법을 보여줍니다:
from ultralytics import YOLO
# Load the YOLO11 model, a state-of-the-art one-stage detector
model = YOLO("yolo11n.pt")
# Run inference on a local image or URL
results = model("https://ultralytics.com/images/bus.jpg")
# Display the detected objects with bounding boxes
results[0].show()
.webp)
