YOLO 객체 탐지 모델의 구조 분석 및 발전 동향
Structure and Development Trends of YOLO Object Detection Models
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
객체 탐지(Object Detection) 기술은 R-CNN, Fast R-CNN, SSD 등 다양한 모델이 개발되며 발전해왔다. 특히, 실시간 처리가 중요한 분야에서는 YOLO(You Only Look Once) 모델이 널리 활용된다. 본 연구에서는 YOLOv1부터 YOLOv8까지의 구조적 변화와 성능 향상 기법을 분석하였다. YOLO 모델은 anchor box 사용 여부, backbone 구조 변경, scale 개수 조정 등의 차이를 통해 발전해 왔으며, 최신 모델일수록 정확도와 속도의 균형이 향상되었다. YOLOv5부터는 PyTorch 기반으로 개발되면서 배포 효율성이 향상되었으며 특히, YOLOv8은 높은 성능과 Segmentation 및 Pose Estimation 기능을 제공하여 활용 범위가 확장되었다. 본 연구는 YOLO 모델의 성능 향상 기법과 모델별 차이를 정리하여 연구자들이 적절한 모델을 선택하는 데 도움을 주고, 향후 객체 탐지 기술 발전에 기여하고자 한다.
Abstract
Object detection technology has evolved with the development of various models such as R-CNN, Fast R-CNN, and SSD. Among them, YOLO (You Only Look Once) has been widely adopted in real-time applications, including autonomous driving, sports analysis, and surveillance. This study analyzes the structural evolution and performance improvement techniques of YOLO from YOLOv1 to YOLOv8. Each YOLO version has introduced changes such as the use of anchor boxes, modifications in backbone architecture, and adjustments in scale levels, leading to continuous advancements. YOLOv5, deployment efficiency has improved as it has been developed based on PyTorch, and the latest model, YOLOv8, offers improved accuracy, speed, and expanded functionality, including segmentation and pose estimation. This study summarizes the key performance enhancement techniques and differences across YOLO versions, providing insights for researchers in selecting the most suitable model and contributing to the future development of object detection technology.