Example of Accuracy vs Latency chart for YOLO-NAS model
빠른 추론 속도를 우선시할 경우, YOLO 제품군과 같은 모델이 포함될 수 있고, 최근 많은 사용자의 관심을 받는 버전으로는 YOLOv8 및 YOLO-NAS가 있는데요. 정확도에 초점을 맞추는 모델로는 R-CNN을 말씀드릴 수 있을 것 같습니다.
프로젝트의 요구 사항에 대한 정의와 추론 속도, 정확성을 확실하게 분석하여 모델을 선택하는 것도 중요하지만, 모델의 사용 사례를 살펴보는 것도 중요합니다. 리테일 분야를 위한 Object Detection이라면, 재고를 모니터링하고 재고를 채워 넣어야 할 때 모델은 창고에 제품들을 정확하고 신속하게 계산하여 추적해야 할 텐데요. 또한 창고 환경의 인터넷 연결이 불안정할 수 있음을 가정하고 메모리 사용이 적은 콤팩트한 모델을 선택해야 할 것입니다. 이 경우에는 앞서 언급한 YOLO 모델을 선택하는 것이 적절하겠죠.
반대로 의료 영상을 분석해야 하는 프로젝트라면 빠른 속도가 중요하지 않을 수 있습니다. 오히려 높은 정확도가 가장 중요하겠죠. 모델을 통한 예측 정확도와 정밀도에 초점을 맞추는 것이 중요할 수 있습니다. 이를 위해서는 정확하게 물체를 감지할 수 있는 고도의 정확도를 가지는 대규모 모델을 선택해야 할 것입니다.
이처럼 실제 프로젝트에 도움이 될 수 있는 모델은 단순히 최신 모델이나 대규모 모델을 쓰는 것만으로 선택하기는 힘듭니다. 적합한 데이터셋, 사용 사례, 하드웨어, 사용의 용이성, 지원 및 라이센스와 같은 많은 항목이 결정에 반영되어야 하죠. 물론 가장 중요하다고 말씀드리고 싶은 부분은 고품질의 데이터셋 구성이 높은 우선순위에서 반영되어야 한다는 점입니다. 특히 실제 배포 프로젝트의 경우에는 이러한 다양한 접근 방식으로 모델을 선택하는 것이 프로젝트를 성공으로 한 발짝 더 나아갈 수 있을 것입니다.
이 글을 통해 구독자 여러분이 Computer Vision 분야에서 Object Detetion 모델을 선택하는 데 인사이트를 얻으셨기를 바랍니다! 물론 원글도 함께 확인해 주시면 감사하겠습니다! (더 나은 데이터셋을 선별하고 만들 수 있도록 도와드리는 슈퍼브에이아이의 Super Curate도 잊지 않으셨죠?!)
