본 프로젝트는 딥러닝 객체 탐지(Object Detection) 분야의 대표적인 두 가지 접근 방식인 2-Stage Detector(Faster R-CNN)와 1-Stage Detector(YOLOv5)의 성능과 효율성을 비교 분석하기 위한 연구입니다.
- 연구 목적: * 정밀도 중심의 Baseline 모델(Faster R-CNN)과 속도 중심의 Target 모델(YOLOv5) 비교.
- 최신 경량화 모델이 과거의 고성능 모델을 얼마나 대체할 수 있는지 검증.
- 비교 모델:
- Baseline: Faster R-CNN (ResNet50) - 2015 SOTA
- Target: YOLOv5s (Small version) - 2020 Real-time SOTA
- 특징: RPN(Region Proposal Network)을 통해 물체 후보 영역을 먼저 추출하고, 이후 정밀 분류를 수행하는 2단계 구조.
- 장점: 높은 정확도와 신뢰성 (작은 객체 탐지에 강함).
- 단점: 연산량이 많아 추론 속도가 느림.
- 특징: 이미지 전체를 한 번의 CNN 연산으로 처리하여 위치와 클래스를 동시에 예측.
- 장점: 압도적인 연산 속도와 효율성.
- 단점: (과거 버전 기준) 2-Stage 대비 정확도가 떨어지는 경향이 있었음.
- Dataset: PASCAL VOC 2007
- Hardware: NVIDIA A100 GPU
- Epochs: Faster R-CNN (10), YOLOv5s (50)
| 비교 항목 (Metric) | Faster R-CNN (ResNet50) | YOLOv5s (Small) | 결과 분석 |
|---|---|---|---|
| mAP@0.5 (정확도) | 83.31% | 79.30% | Faster R-CNN 약 4% 우세 |
| mAP@0.5:0.95 (정밀도) | 52.99% | 52.20% | 차이 0.79% (동등 수준) |
| Inference Time (속도) | 10.43 ms | 1.60 ms | YOLO가 6.5배 빠름 🚀 |
| FPS (초당 프레임) | ~95 FPS | ~625 FPS | 압도적인 속도 차이 |
본 실험에서 가장 주목할 점은 "가장 작은 모델인 YOLOv5s가 무거운 모델인 Faster R-CNN의 성능을 거의 따라잡았다"는 것입니다.
두 모델은 출시 시기에 상당한 차이가 있습니다.
- Faster R-CNN (2015년): 딥러닝 태동기의 고성능 모델.
- YOLOv5 (2020년): 약 5년 간의 최적화 기술이 집약된 모델.
만약 Faster R-CNN과 동시대 모델인 YOLOv1(2016)을 비교했다면 정확도 격차가 매우 컸을 것입니다. (당시 YOLOv1 mAP는 63.4% 수준).
YOLOv5s는 비록 모델 크기(Parameter)는 작지만, 다음과 같은 최신 딥러닝 기법들을 적용하여 성능을 극대화했습니다.
- Mosaic Augmentation: 4장의 이미지를 합쳐 학습하여 작은 객체 탐지 능력을 보완.
- Auto Anchor: 데이터셋 분포에 맞춰 앵커 박스 크기를 자동 최적화.
- Backbone 개선: CSPNet 및 SiLU 활성화 함수를 사용하여 연산 효율성 증대.
결론: 기술의 발전 덕분에, 이제는 "경량화 모델(Small)"을 사용하더라도 과거의 "고성능 모델(SOTA)" 수준의 정확도를 확보하면서 압도적인 속도 이점을 누릴 수 있음이 증명되었습니다.
동일한 Test Set 이미지에 대한 두 모델의 탐지 결과를 시각적으로 비교했습니다.
| Faster R-CNN Result | YOLOv5s Result |
|---|---|
 |
 |
| 높은 신뢰도, 정밀한 박스 | 빠른 속도, 준수한 탐지력 |
- 정확도: 정밀 지표(mAP@0.5:0.95) 기준 차이는 1% 미만으로, 실사용 환경에서 큰 차이가 없습니다.
- 속도: YOLOv5s가 약 6.5배 더 빠릅니다.
- 선정: 실시간성(Real-time)이 중요한 어플리케이션이나 엣지 디바이스 환경에서는, 5년 간의 기술 진보가 반영된 YOLOv5s를 사용하는 것이 가장 합리적인 선택입니다.
Created by GrabIT Team