핵심 요약: YOLOv8 시리즈는 모델 크기 및 연산량이 증가할수록 정확도가 향상되는 대신 처리 속도가 느려지는 정확도–속도–경량성의 트레이드오프를 보여준다.
- YOLOv8n은 가장 가볍고 빠르지만 정확도는 낮음
- YOLOv8s는 속도와 정확도의 중간 지점
- YOLOv8m은 높은 정확도를 제공하나 연산 비용이 큼
주요 성능 비교
| 모델 | 입력 해상도 | mAP (IoU=0.50:0.95) COCO | CPU ONNX 속도 (ms) | A100 TensorRT 속도 (ms) | 파라미터 수 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3[1] | 80.4[1] | 0.99[1] | 3.2[1] | 8.7[1] |
| YOLOv8s | 640 | 44.9[1] | 128.4[1] | 1.20[1] | 11.2[1] | 28.6[1] |
| YOLOv8m | 640 | 50.2[1] | 234.7[1] | 1.83[1] | 25.9[1] | 78.9[1] |
모델별 주요 특징 및 용도
YOLOv8n
작업 환경이 제한적인 임베디드·엣지 디바이스에 적합하며, 최소한의 연산 자원으로 실시간 탐지가 필요할 때 사용한다. 낮은 파라미터 수와 FLOPs 덕분에 배터리 소모와 메모리 사용을 줄일 수 있다.
YOLOv8s
속도와 정확성 사이의 균형을 고려하는 일반적인 실시간 애플리케이션에 이상적이다. 중간급 GPU에서도 효율적으로 동작하며, 상대적으로 높은 mAP를 제공하면서도 적당한 처리 속도를 유지한다.
YOLOv8m
정확도가 중요한 백엔드 서버나 고성능 GPU 환경에서 사용된다. 높은 파라미터 수와 FLOPs로 정확도를 극대화하지만, 처리 지연이 허용되는 경우에만 선택하는 것이 바람직하다.
결론 및 추천
모델 선택 시 사용 환경의 연산 자원, 요구되는 정확도, 실시간 처리 여부를 고려해야 한다.
- YOLOv8n: 극한의 경량·속도가 필수적인 경우
- YOLOv8s: 균형 잡힌 성능이 필요할 때
- YOLOv8m: 정확도가 최우선이지만 상대적으로 느린 연산이 허용될 때
적절한 트레이드오프 선택을 통해 최적의 객체 탐지 시스템을 구축할 수 있다.
출처
[1] Explore Ultralytics YOLOv8 https://docs.ultralytics.com/models/yolov8/
[2] Default training parameters for yolov8n? · Issue #14530 – GitHub https://github.com/ultralytics/ultralytics/issues/14530
[3] yolov8 segmenation parameter questions · Issue #14007 – GitHub https://github.com/ultralytics/ultralytics/issues/14007
[4] YOLOv8 Medium vs. YOLOv8 Large – Roboflow https://roboflow.com/compare-model-sizes/yolov8-medium-vs-yolov8-large
[5] Discrepency of mAP calculation between YOLOv8 and COCO API https://github.com/ultralytics/ultralytics/issues/14063
[6] Validating YOLOv8 Detection, Segmentation, and Pose Accuracy https://developer.memryx.com/tutorials/accuracy/yolov8_accuracy/yolov8_accuracy.html
[7] Object Detection with YOLOv8 – velog https://velog.io/@choonsik_mom/Object-Detection-with-yolo-NAS-zpetis4o
[8] Ultralytics YOLO11 – GitHub https://github.com/ultralytics/ultralytics
[9] Mean Average Precision (mAP) Using the COCO Evaluator https://pyimagesearch.com/2022/05/02/mean-average-precision-map-using-the-coco-evaluator/
[10] Ultralytics YOLOv8 살펴보기 https://docs.ultralytics.com/ko/models/yolov8/
답글 남기기