패스트캠퍼스 환급챌린지 7일차: Computer Vision Signature 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다

1. 학습 인증샷 

1. 오늘 날짜 + 공부 시작 시각보이는 사진 1장

2. 오늘 날짜 + 공부 종료 시각이 보이는 사진 1장 

3. 1개 클립수강 인증사진 1장(강의 화면 x/목록캡처 추천)

4. 학습 인증샷 1장 이상(필기, 작업물)

 

 

공부 시작 시각 : 2025-11-18 오후 12"58

공부 시작 범위 : Ch02-01 YOLO

공부 종료 시각 : 2025-11-18 오후 2:17

공부 종료 범위 : Ch02-01 YOLO

학습 인증 샷 - 필기

 

 

2. 학습 후기 700자 이상

- 오늘 배운 학습 내용을 정리하고, 흥미로웠던 부분과 이를 내 업무에 어떻게 적용할 수 있을지 기록

 

오늘 배운 것은 2차원 객체 검출과 분할 파트에서 유명한 YOLO에 대한 전체적인 모델별 특징 및 구조에 대해 공부하였다. 이 강의는 절대 입문자는 들을 수 없는 수준이었다. 다행히 한번 정도는 접해본 나에게는 YOLOv5를 통하여 작업을 해보았기에 그나마 이해는 했으나 이후 버전에 대한 정리는 불분명하였다. 그냥 받아쓰는 수준이고 이 모델들을 어떻게 팔로우하느냐가 또하나의 과제가 되겠다. 

 YOLOv1(2016)은 "You Only Look Once"라는 논문의 이름으로 발표되었다고 한다. One Stage object detection이라는 개념으로 입력이미지를 grid로 나눠서 Bounding Boxe 와 Class probablilty map을 통하여 동시 예측이 가능게 한다는 점이 핵심이었다. 오버랩된 IOU? Confience Score, Non maximum 서프레션 방법등이 기법으로 도입되었다한다. 

 YOLOv2는 YOLO9000이라는 이름의 논문으로 소개되었고, Anchor Box가 도입되어 여러개의 크기로 정해둔 어떤 형태를 가진 박스를 이용해 바운딩 박스로 활용하게 한다. Batch Normalization을 적용하여 기존 Dropout들을 제거하고 대체하였다. 분류 데이터와 detection 데이터 통합 학습을 통하여 성능을 개선하였다. 9000이라는 개념은 데이터셋 이미지넷과 coco데이터셋 9000개 클래스를 탐지하여 붙인 것이라 한다. 

YOLOv3의 특징은 FPN(Feature Pyramid Network)개념을 적용하여 더 복잡한 객체 탐지를 하게 만들었다. 백본으로 ResNet구조의 skip Connection개념을 반영한 DarkNet53을 사용하여 멀티클래스, 작은 객체 탐지를 강화했다. 

YOLOv4는 다양한 데이터 증강기법으로 학습하여 성능과 속도를 최적화 도모하였다. CSPDarknet53을 백본으로 하였고, SPP, PANet, 등의 구조를 도입하여 파라미트를 늘려 모자이크 등의 다양한 기법을 통해 대규모 고성능 없어도 학습이 가능하도록 하였다.

YOLOv5는 데이터 증강 기법 강화, 설치 및 사용성이 더 쉬어지게 경량화하였다. 이 버전부터 커뮤니티 기반으로 제작되었고 모델도 S, M, I, X로 다양하게 나오게 된다. 바틀렛 cSP네트워크를 통해 각 계층에 연산량이 균등하게 하고 필요에 따라 선택할 수 있게 만들었다. 산업 현장에서 가장 많이 활용되고 데이터 증강에서 오토 앵커를 반영, 텐서 할티 등 매도 옵션을 제공한다.

YOLOX는 anchor free모델을 통해 센터 좌표값 하나만 Positive샘플로 활용하여 3x3 하나의 지점이 다수 Box처리하게 도모하였다

YOLOv6는 객체 탐지 성능최적화로 더 가볍고 빨라진 것이 특징이다. v7이 먼저 나왔다고 한다. 앵커프리방식, 백본으로는 EfificientRep라는 YOLOv5 구조를 기반으로 변형 시킨 모델을 기반으로 하였고 Rep-PAN을 통하여 하드웨어 동작 효율성을 노렸고, Quantization , Self Distillation개념을 도입하였다.

YOLOv7는 속도와 정확도간 균형을 맞춘 모델로, E-ELAN 구조를 도입하여 파라미터를 쌓아도 효율성을 유지하게 재파라미터 개념을 도입하였다. 레이블 어사이먼트도 예전에 나왔던 것 대비 소프트레이블은 다이나믹하게 Assignment하게 하였다. 

YOLOv8경우 백본으로 YOLOv5를 변형하였다. C3모듈을 C2f로 변형하여 Spacial Attention등으로 위치적 요소를 고려하여 객체감지 성능을 향상시켰고, PANet, SPP등 개입을 이용하였다.
YOLOv9 - PGI 도입으로 정보 병목현상 완화하고 Programmable Gradient Information개념을 도입하였다. 백본과 Neck을 완전히 교체하여 크기가 다양한 객체, 실시간 성능이 높아졌다. 

YOLOv10 - Dual label assignment, Rank-Guided block designt등을 도입하여 중복연산 제거하고 공간과 채널에서 효율적으로 하도록 했다.

YOLOv11 - 많은 Task 활용하여 객체, 탐지, 분할, 분류 등 다양한 작업을 지원한다. 효율성 및 최적화를 도모하였고, SPPF. C2PSA, C3K2등 개념이 나온다. 

이 모든 것을 어떻게 정리하고 팔로우하며 실습하는지는 각자에게 남겨진 과제이다 ㅎㅎ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

패스트캠퍼스 URL

https://fastcampus.info/4oKQD6b