AI
From One to Ten: YOLO 시리즈 변천사
두줄요약
YOLO 시리즈의 버전별 변화와 핵심 개선점을 정리한 글입니다. 실시간 객체 탐지의 속도·정확도 균형과 생태계 변화를 함께 살펴보았습니다.
핵심 내용
- YOLO를 중심으로 실시간 객체 탐지 모델의 변천사 정리
- v1의 one-stage 접근, v2의 anchor box, v3의 다중 스케일, v4의 BoF/BoS, v5 이후의 PyTorch 기반 실용화와 버전별 분화
- 정확도와 속도 개선, 라이선스와 오픈소스 생태계 변화, NMS 제거 등 최신 흐름 소개
구조와 흐름
- 초기 two-stage 탐지의 느린 속도와 대비되는 YOLO의 단일 신경망 구조
- 각 버전이 백본, 학습 기법, 추론 효율을 어떻게 바꿔왔는지의 연속적 전개
- 저자 교체와 프로젝트 분화가 버전 역사에 미친 영향
장단점
- 빠른 추론과 준수한 정확도의 균형
- 소형 객체, 밀집 객체에서의 한계와 이후 버전의 보완 시도
- 실용성 확대와 함께 라이선스 제약, 버전 파편화 같은 이슈
적용해볼 점
- 객체 탐지 모델 선택 시 속도-정확도-라이선스의 동시 검토 필요
- 실사용 환경에서는 벤치마크 수치만이 아니라 입력 형태와 배포 플랫폼까지 확인 필요
- YOLO 계열의 발전 방향을 이해하면 비전 응용 확장 가능성 파악에 도움