위클리 페이퍼 8

 

---

1. YOLO(You Only Look Once) 모델의 주요 특징과 장점

YOLO는 객체 인식(Object Detection) 분야에서 한 획을 그은 모델로, 이름처럼 이미지를 단 한 번만 보고 그 안에 무엇이 어디에 있는지 즉시 찾아내는 방식입니다.

주요 특징

• One-Stage Detector: 기존 모델들이 물체가 있을 법한 위치를 먼저 찾고(Region Proposal) 나중에 분류(Classification)를 하던 것과 달리, YOLO는 이 과정을 하나의 네트워크에서 동시에 수행합니다.
• Grid 기반 검출: 이미지를 일정 크기의 그리드(Grid)로 나누고, 각 그리드 셀에서 물체의 중심점과 크기(Bounding Box), 그리고 해당 물체가 무엇일 확률을 직접 예측합니다.
• Global Context 활용: 이미지 전체를 한꺼번에 학습하기 때문에 물체뿐만 아니라 주변 배경의 정보까지 함께 파악하여, 배경을 물체로 오인하는 오류가 상대적으로 적습니다.

주요 장점

• 압도적인 실시간성: 연산 과정이 매우 단순하고 효율적이어서 초당 프레임 수(FPS)가 매우 높습니다. 이는 자율주행이나 실시간 보안 관제 시스템에 가장 적합한 이유가 됩니다.
• 높은 범용성: 일반적인 사진 데이터뿐만 아니라 예술 작품이나 자연 경관 등 새로운 도메인의 이미지에서도 특징을 아주 잘 잡아내어 일반화 성능이 뛰어납니다.

---

2. mAP(mean Average Precision)의 개념과 활용

객체 인식 모델의 성능을 단순히 '정확도'로만 평가하기에는 한계가 있습니다. 이를 보완하기 위해 mAP라는 정교한 평가지표를 사용합니다.

mAP의 핵심 개념

• Precision(정밀도) & Recall(재현율): 모델이 '정답'이라고 한 것 중 실제 정답 비율(Precision)과, 실제 정답들 중 모델이 찾아낸 비율(Recall)을 먼저 계산합니다.
• AP(Average Precision): 정밀도와 재현율 사이의 관계를 나타낸 PR 곡선(Precision-Recall Curve) 하단의 면적을 의미하며, 특정 클래스에 대한 모델의 성능을 수치화한 것입니다.
• mAP(mean AP): 각 클래스별로 계산된 AP 값들의 산술 평균을 낸 최종 점수입니다. 이 수치가 높을수록 모델이 여러 사물을 골고루 잘 맞춘다는 뜻입니다.

객체 인식에서의 활용

• 모델 간 성능 비교: 서로 다른 알고리즘(예: YOLO v8 vs v10)의 우열을 가릴 때 객관적인 벤치마크 지표로 활용됩니다.
• 임계값(Threshold) 최적화: 예측한 박스가 정답과 얼마나 겹쳐야 맞춘 것으로 인정할지(IoU) 기준을 정하고, 그에 따른 mAP 변화를 분석하여 최적의 모델 설정을 찾습니다.
• 학습 조기 종료 지표: 에폭(Epoch)이 진행됨에 따라 mAP가 더 이상 상승하지 않는 지점을 포착하여 과적합(Overfitting)을 방지하는 기준으로 삼습니다.

 

딥러닝 시스템 설계 시 가장 중요한 것은 성능(mAP)과 속도(Latency) 사이의 Trade-off
를 이해하는 것입니다.YOLO는 약간의 정확도를 희생하더라도 실시간성을 확보하여 '현장에서 쓸 수 있는 AI'를 만드는 데 초점을 맞추었습니다. 따라서 단순히 높은 mAP 수치에만 집착하기보다, 실제 서비스가 돌아갈 하드웨어 환경과 실시간 요구사항을 고려하여 가장 적합한 모델 파라미터를 결정할 수 있는 안목이 중요합니다.