YOLOv10과 기존 객체 탐지 모델 성능 비교 분석
Comparison analysis of YOLOv10 and existing object detection model performance
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 최신 객체 탐지 모델인 YOLOv10과 이전 버전들 간의 성능을 비교 분석하였다. YOLOv10은 NMS-Free 훈련, 향상된 모델 아키텍처, 효율성 중심의 설계 등을 도입하여 뛰어난 성능을 보인다. COCO 데이터셋을 사용한 실험 결과, 특히 YOLOv10-N은 2.3M의 적은 파라미터 수와 6.7G의 부동 소수점 연산(FLOPs)으로도 39.5%의 높은 정확도와 1.84ms의 낮은 지연 시간을 유지하였다. 주요 성능 지표로는 모델 파라미터 수, FLOPs, 평균 정확도(AP), 지연 시간을 사용하였다. 분석 결과, YOLOv10은 다양한 응용 분야에서 실시간 객체 탐지 모델로서의 효과성을 확인하였다. 향후 연구로는 다양한 데이터셋 테스트와 모델 최적화, 응용 사례 확대 등을 제안하였다. 이를 통해 YOLOv10의 범용성과 효율성을 더욱 높일 수 있을 것이다.
Abstract
In this paper presents a comparative analysis of the performance between the latest object detection model, YOLOv10, and its previous versions. YOLOv10 introduces NMS-Free training, an enhanced model architecture, and an efficiency-centric design, resulting in outstanding performance. Experimental results using the COCO dataset demonstrate that YOLOv10-N maintains high accuracy of 39.5% and low latency of 1.84ms, despite having only 2.3M parameters and 6.7G floating-point operations (FLOPs). The key performance metrics used include the number of model parameters, FLOPs, average precision (AP), and latency. The analysis confirms the effectiveness of YOLOv10 as a real-time object detection model across various applications. Future research directions include testing on diverse datasets, further model optimization, and expanding application scenarios. These efforts aim to further enhance YOLOv10's versatility and efficiency.
참고문헌 (13)
- "YOLOv10 object detection Better, Faster and Smaller, visionplatform"[URL]
- "YOLOv10-Ultralytics YOLO Docs"[URL]
- "YOLOv10 vs. YOLOv9, Augmented Startups"[URL]
- "Unlocking the Power of YOLOv10, DEV Community"[URL]
- "YOLOv10: Real-Time Object Detection Evolved"[URL]
- Sultana, M., "Object detection using template and HOG feature matching", International Journal of Advanced Computer Science and Applications, 11(7), pp.233~238 (2020)[DOI]
- Ali, A., "Fast region-based DPM object detection for autonomous vehicles", 2016 IEEE 59th International Midwest Symposium on Circuits and Systems (MWSCAS), pp.1~4 (2016), IEEE
- Arya, S., "A Comparative Study of CNN and AlexNet for Detection of Disease in Potato and Mango leaf", 2019International conference on issues and challenges in intelligent computing techniques (ICICT), 1, pp.1~6 (2019), IEEE
- Ik-Su, K., "Comparative Analysis of Defect Detection Using YOLO of Deep Learning", Journal of the Korean Society of Manufacturing Technology Engineers, 30(6), pp.514~519 (2021)[DOI]
- Soviany, P., "Optimizing the Trade-off between Single-Stage and Two-stage Deep Object Detectors using Image Difficulty Prediction", 20th International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC), pp.209~214 (2018)
- Joon-Yong Kim, "A comparative study on the characteristics of each version of object detection model YOLO", Proceedings of the Korean Society of Computer Information Conference, 31(2), pp.75~78 (2023)
- "Comparison of accuracy and speed by model"[URL]
- "Performance comparison by object size"[URL]