LibreYOLO 벤치마크
COCO
크기별 정확도
각 아키텍처가 파라미터 수에 비해 얼마나 높은 정확도를 제공하는지 보여 줍니다. 차트는 LibreYOLO의 자매 프로젝트 visionanalysis.org에서 가져왔습니다. 이곳에서는 실제 하드웨어별 지연 시간, COCO, RF100-VL 벤치마크에서 모델을 측정합니다.
RF100-VL
실제 데이터에서의 성능 유지
COCO 수치는 최종적으로 얻게 될 점수와 거의 같지 않습니다. 대부분의 프로젝트가 COCO 사전 학습 가중치에서 시작해 파인튜닝하고 논문을 비교하는 공통 기준이기 때문에 최종 점수의 단서가 됩니다. 그 자체로 가치가 있지만 실제로 선택하는 대상은 아닙니다.
선택에 중요한 것은 일반화 성능입니다. 아키텍처, 사전 학습 가중치, 학습 방식이 COCO와 전혀 다른 데이터에서도 성능을 유지하는지가 중요합니다. 이를 위해 Roboflow가 RF100-VL을 만들었습니다. 모델은 실제 데이터셋 100개에서 한 번에 하나씩 학습하여 점수를 얻습니다. 이미지당 수천 개의 객체를 제공하는 데이터셋도 있고 학습할 이미지가 수십 개뿐인 데이터셋도 있습니다. 컨베이어 벨트 위의 알약, 흉부 X선, 마작 타일, 꿀벌응애, 산불 연기 등이 포함됩니다.
모델을 선택할 때 지연 시간, 라이선스, 학습 코드와 씨름할 의향과 함께 여러 판단 근거 중 하나로 활용하십시오. 맨 위 항목만 보고 판단하는 순위표가 아닙니다.
지연 시간
배포 하드웨어에서의 속도
정확도는 하드웨어에 따라 달라지지 않습니다. 데이터 센터 GPU와 Raspberry Pi 사이에는 속도가 100배까지 차이 나므로 실제 배포할 보드에서 측정한 수치만 중요합니다.