[논문 리뷰] YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision

Muhammad Azhar Hussain|arXiv (Cornell University)|2024. 07. 03.

CCD and CMOS Imaging Sensors인용 수 38

한 줄 요약

YOLOv5, YOLOv8, YOLOv10을 종합적으로 비교한 리뷰로, 아키텍처 진보, 엣지 배포 적합성, 성능 지표를 자세히 다룸.

ABSTRACT

This paper presents a comprehensive review of the evolution of the YOLO (You Only Look Once) object detection algorithm, focusing on YOLOv5, YOLOv8, and YOLOv10. We analyze the architectural advancements, performance improvements, and suitability for edge deployment across these versions. YOLOv5 introduced significant innovations such as the CSPDarknet backbone and Mosaic Augmentation, balancing speed and accuracy. YOLOv8 built upon this foundation with enhanced feature extraction and anchor-free detection, improving versatility and performance. YOLOv10 represents a leap forward with NMS-free training, spatial-channel decoupled downsampling, and large-kernel convolutions, achieving state-of-the-art performance with reduced computational overhead. Our findings highlight the progressive enhancements in accuracy, efficiency, and real-time performance, particularly emphasizing their applicability in resource-constrained environments. This review provides insights into the trade-offs between model complexity and detection accuracy, offering guidance for selecting the most appropriate YOLO version for specific edge computing applications.

연구 동기 및 목표

• YOLOv5에서 YOLOv10으로의 아키텍처 진화를 평가하고 엣지 배포에 미치는 영향을 분석합니다.
• 표준 벤치마크에서 각 버전에 대한 성능, 지연 및 모델 효율성을 평가합니다.
• 제한된 하드웨어에서 모델 크기, 정확도 및 연산 요구사항 간의 trade-off를 식별합니다.
• 특정 엣지 비전 작업에 적합한 YOLO 버전 선택에 대한 지침을 제공합니다.

제안 방법

• YOLOv5, YOLOv8, YOLOv10의 백본, 넥, 헤드, NMS, 데이터 증강 등의 아키텍처 변화를 조사합니다.
• 각 모델 변형에 대한 COCO 평가 및 지연 특성에서의 성능 지표를 요약합니다.
• 앵커 기반 대 앵커 프리 헤드 및 NMS-프리 트레이닝의 함의를 비교합니다.
• 배포 형식 및 최적화 기술(Export 형식, 혼합 정밀도 등)을 강조합니다.
• 실시간 비전 작업에 대한 엣지 배포 고려사항과 트레이드를 종합합니다.

실험 결과

연구 질문

• RQ1 YOLOv5, YOLOv8, YOLOv10의 아키텍처가 어떻게 진화하여 엣지 배포 성능을 개선했는가?
• RQ2 정확도, 지연, 모델 크기 간의 트레이드오프가 YOLOv5, YOLOv8, YOLOv10에서 어떻게 나타나는가?
• RQ3 제한된 하드웨어에 적합하게 만드는 형식, 최적화 등의 배포 고려사항은 무엇인가?
• RQ4 YOLOv10의 NMS-프리 접근법이 이전 버전들과 비교해 지연 및 정확도 측면에서 어떤 차이가 있는가?

주요 결과

• YOLOv5는 속도와 정확도의 균형을 맞추기 위해 CSPDarknet과 Mosaic 증강을 도입했습니다.
• YOLOv8은 앵커 프리 탐지, PANet 넥 개선 및 엣지 효율성을 위한 혼합 정밀도 학습을 추가합니다.
• YOLOv10은 NMS-프리 트레이닝, 공간-채널 분리 다운샘플링, 대 커널 합성곱을 특징으로 하여 오버헤드를 줄이면서 높은 정확도를 달성합니다.
• 모델 변형(nano에서 extra large까지)은 다양한 엣지 하드웨어에 대한 확장 가능한 옵션을 제공합니다.
• Table 1은 YOLOv5 변형 간 AP 증가 및 CPU 지연 시간과 FLOPs의 차이를 보여줍니다.
• 전반적으로 YOLOv10은 엣지 배포에 특히 적합한 효율성과 정확도 측면에서 개선을 제공합니다.