2026년 YOLOv8 대안: RF-DETR와 YOLO-NAS 비교
탐지 모델을 선택할 때는 보통 COCO를 기준으로 삼습니다. 다른 데이터에서 모델이 얼마나 잘 파인튜닝되는지도 살펴볼 수 있습니다. RF100-VL은 이를 측정합니다. COCO 사전 학습 체크포인트를 100개 데이터셋 각각에서 100 에폭 동안 학습한 다음, 각 테스트 분할에서 점수를 계산합니다. 이 수치는 평균 mAP50-95입니다.
논문 부록에 따르면 YOLOv8m은 56.9입니다. 저희가 실행한 두 모델은 이보다 높은 점수를 기록했습니다. RF-DETR과 YOLO-NAS입니다. 실행 결과 원본은 huggingface.co/datasets/LibreYOLO/rf100-vl-results에서 확인할 수 있습니다.
RF-DETR
LibreYOLO 캠페인에서 RF-DETR-S는 60.41, RF-DETR-M은 61.13을 기록했습니다. Roboflow가 보고한 점수는 각각 60.2와 61.2입니다. Nano부터 Large까지 Apache-2.0 라이선스입니다.
from libreyolo import LibreYOLO
model = LibreYOLO("LibreRFDETRs.pt")
model.train(data="my-dataset.yaml", epochs=100, imgsz=512, batch=8)
문서 | 가중치 | 실행 20260814-rfdetr-s-1b1190ee
YOLO-NAS
YOLO-NAS-S는 58.00을 기록합니다. YOLO 스타일의 CNN을 원한다면 선택할 수 있는 합성곱 모델입니다. Deci가 공개한 가중치는 상업적으로 사용할 수 없습니다. LibreYOLO는 해당 가중치를 호스팅하지 않습니다. 자세한 내용은 YOLO-NAS는 현재도 유지보수됩니다에서 확인하십시오.
from libreyolo import LibreYOLO
model = LibreYOLO("LibreYOLONASs.pt")
model.train(data="my-dataset.yaml", epochs=100, imgsz=640, batch=16)
문서 | 실행 20260809-yolonas-s-02926964
RF-DETR은 pip install "libreyolo[rfdetr]"로, YOLO-NAS는 pip install libreyolo로 설치합니다. 캠페인 페이지: RF100-VL.