yolo-outline YOLOv1 TL;DR YOLOv1(You Only Look Once)은 실시간 객체 탐지를 위한 획기적인 모델 단일 CNN을 통해 전체 이미지를 한 번에 처리하여 객체의 위치와 클래스를 예측함. 객체 탐지를 매우 빠르게 수행하지만, 작은 객체 탐지 및 근접한 객체 탐지에 한계가 있음. Problem 기존 객체 탐지 방법(예: R-CNN)은 여러 단계로 나뉘어 있어 연산 비용이 크고, 실시간 처리에 적합하지 않음. Sliding Window 및 Selective Search와 같은 방법은 비효율적이고 정확도가 낮음. Contribution 이미지 전체를 한 번에 처리하는 단일 CNN 구조를 제안하여 객체 탐지 속도를 획기적으로 향상시킴. 엔드투엔드 방식으로 학습 가능, 연산 과정이 단순화됨. 객체 탐지의 새로운 패러다임을 제시하여 이후 모델들에 큰 영향을 미침. Original Paper YOLOv2 (YOLO9000) TL;DR YOLOv2는 앵커 박스와 고해상도 분류기를 도입하여, YOLOv1 대비 정확도와 속도를 개선한 객체 탐지 모델. YOLO9000으로 불리며, 9천 개 이상의 클래스에서 실시간 탐지가 가능함. Problem YOLOv1은 작은 객체 탐지 성능이 낮고, 다양한 크기의 객체를 탐지하는 데 한계가 있었음. 앵커 박스가 없어 다양한 비율과 크기의 객체 탐지에 어려움이 있었음. Contribution 앵커 박스를 도입하여 다양한 크기와 비율의 객체를 더 잘 탐지할 수 있게 함. 고해상도 이미지를 사용한 학습으로 작은 객체에 대한 탐지 성능을 향상시킴. 다중 태스크 학습(Multi-task Learning)을 통해 9천 개 이상의 클래스를 실시간으로 탐지할 수 있도록 함. Original Paper YOLOv3 TL;DR YOLOv3는 다중 스케일 예측을 도입하여, 다양한 크기의 객체 탐지 성능을 크게 개선한 모델. 기존의 YOLO 모델보다 깊은 네트워크(Darknet-53)를 사용하여 성능을 향상시킴. Problem YOLOv2는 작은 객체와 큰 객체의 동시 탐지에서 어려움이 있었고, 정확도를 더 높일 필요가 있었음. 단일 스케일에서 예측하는 방식은 다양한 크기의 객체 탐지에 제한적이었음. Contribution 다중 스케일 예측(Multi-Scale Predictions) 기능을 도입하여, 작은 객체와 큰 객체를 모두 효과적으로 탐지할 수 있게 함. Darknet-53 백본을 사용해 더 깊고 강력한 특징 추출이 가능해짐. 여러 개의 바운딩 박스를 동시에 예측할 수 있도록 개선, 객체 탐지 성능을 크게 향상시킴. Original Paper YOLOv4 TL;DR YOLOv4는 CSPNet 백본과 Bag of Freebies, Bag of Specials 같은 최적화 기법을 도입해, 정확도와 속도를 크게 개선한 모델. 실시간 객체 탐지에서 높은 성능을 제공하며, 복잡한 환경에서도 우수한 성능을 발휘함. Problem 기존 YOLO 모델들은 더 높은 정확도를 위해 최적화된 기술들을 필요로 했으며, 특정 상황에서 성능이 저하되는 문제를 해결할 필요가 있었음. Contribution CSPDarknet53 백본을 사용해 연산량을 줄이면서도 성능을 유지함. Bag of Freebies와 Bag of Specials를 통해 데이터 증강과 모델 최적화를 강화함. Mish 활성화 함수와 Spatial Pyramid Pooling (SPP) 등의 기술을 도입해 모델의 효율성과 정확도를 동시에 높임. Original Paper YOLOv5 TL;DR YOLOv5는 PyTorch 기반으로 개발되어, 사용 편의성과 학습 속도에서 큰 이점을 제공하는 모델. 다양한 크기의 모델을 제공해 응용 범위가 넓음. Problem YOLOv4 이후에도 구현의 복잡성과 사용의 어려움이 남아있었음. 다양한 응용 분야에 맞는 모델 크기 선택이 어려웠음. Contribution PyTorch 기반으로 쉽고 빠르게 구현 가능. AutoAnchor 기능을 도입해 앵커 박스 최적화 시간을 줄임. 다양한 크기의 모델(v5s, v5m, v5l, v5x)을 제공해, 사용자가 필요에 따라 선택할 수 있도록 함. Original Paper YOLOv6 TL;DR YOLOv6는 모바일 및 임베디드 시스템을 염두에 둔 경량화된 모델로, 높은 성능과 효율성을 동시에 제공. EfficientRep Backbone과 Dynamic Head를 도입해 효율적인 객체 탐지를 실현. Problem 자원 제한 환경에서 높은 성능을 유지하면서도 경량화된 모델이 필요했음. 모델 복잡성을 줄이면서도 실시간 처리 능력을 향상시킬 필요가 있었음. Contribution EfficientRep Backbone을 사용해 계산량을 줄이면서도 높은 성능을 유지함. Dynamic Head를 통해 입력 데이터에 따라 유연하게 구조를 변경, 더 나은 예측을 가능하게 함. RepVGG 블록을 도입해 추론 시 효율성을 극대화함. Original Paper YOLOv7 TL;DR YOLOv7은 최신의 효율성을 강조한 모델로, 더 적은 파라미터와 연산량으로도 높은 성능을 제공. E-ELAN 구조를 도입해 모델 학습 효율성을 높임. Problem 더 높은 효율성과 성능을 유지하면서도 연산 비용을 줄일 필요가 있었음. 다양한 크기의 객체를 처리할 수 있는 더 최적화된 구조가 필요했음. Contribution E-ELAN(Efficient Layer Aggregation Networks) 구조를 도입해 학습 효율성을 극대화함. 다양한 크기의 모델을 제공하며, 실시간 객체 탐지에서 우수한 성능을 발휘함. 모델 크기 대비 성능을 최적화하여, 실용적이고 빠른 객체 탐지 솔루션을 제공. Original Paper YOLOv8 - YOLOv10 TL;DR YOLOv8과 YOLOv10은 최신 기술을 통합한 모델로, PyTorch 기반에서 더 나은 사용자 경험과 성능을 제공. 특히 YOLOv10은 NMS-Free Training을 통해 추론 속도를 크게 향상시킴. Problem 기존 YOLO 모델의 일부는 최신 연구 결과를 반영하지 못했고, 실시간 처리에서의 효율성 문제가 남아있었음. 다양한 응용 분야에서 유연하게 사용할 수 있는 최신 모델이 필요했음. Contribution YOLOv8: PyTorch 기반에서 더 나은 학습 및 추론 인터페이스를 제공하며, 최신 데이터셋 형식 지원. YOLOv10: NMS-Free Training 및 Dual Assignment 기법을 도입해, 추론 속도와 정확도를 동시에 향상시킴. Spatial-Channel Decoupled Downsampling 및 Large-Kernel Convolution 등의 기술을 도입해 효율성을 극대화함. Original Paper