[Ultralytics] SAM 문서에 YOLO26 벤치마크 추가 및 비교 수치 갱신

PR 링크: ultralytics/ultralytics#24071 상태: Merged | 변경: +34 / -4

들어가며

Meta의 Segment Anything Model(SAM)은 제로샷 세그멘테이션의 새로운 가능성을 열었지만, 프로덕션 환경에서는 모델 크기와 추론 속도가 여전히 과제입니다. Ultralytics는 SAM 문서에 자사 YOLO 모델과의 비교표를 제공하여 사용자의 기술 선택을 돕고 있습니다. 이번 PR은 최신 YOLO26 모델을 비교 대상에 추가하고, 벤치마크를 새로운 테스트 환경으로 갱신합니다.

핵심 코드 분석

벤치마크 비교표 확장

Before:

| Meta SAM-b              | 375  | 93.7 | 49401                   |
| Ultralytics YOLOv8n-seg | 6.7  | 3.4  | 24.5 (1061x faster)     |
| Ultralytics YOLO11n-seg | 5.9  | 2.9  | 30.1 (864x faster)      |

After:

| Meta SAM-b              | 375  | 93.7 | 41703                   |
| Ultralytics YOLOv8n-seg | 7.1  | 3.4  | 24.8 (1682x faster)     |
| Ultralytics YOLO11n-seg | 6.2  | 2.9  | 24.3 (1716x faster)     |
| Ultralytics YOLO26n-seg | 6.7  | 2.7  | 25.2 (1655x faster)     |

YOLO26n-seg가 SAM-b 대비 56배 작고 1655배 빠르다는 수치가 추가되었습니다. 흥미로운 점은 YOLO26n-seg의 파라미터 수(2.7M)가 YOLO11n-seg(2.9M)보다 7% 적다는 것입니다.

재현 코드에 ONNX Export 추가

Before:

for file_name in ["yolov8n-seg.pt", "yolo11n-seg.pt"]:
    model = YOLO(file_name)
    model.info()
    model(ASSETS)

After:

for file_name in ["yolov8n-seg.pt", "yolo11n-seg.pt", "yolo26n-seg.pt"]:
    model = YOLO(file_name)
    model.info()
    onnx_path = model.export(format="onnx", dynamic=True)
    model = YOLO(onnx_path)
    model(ASSETS)

YOLO 모델을 ONNX로 export한 후 추론하는 방식으로 변경했습니다. dynamic=True를 사용하여 동적 배치 크기를 지원하는 ONNX 모델을 생성합니다. 이는 실제 배포 시나리오에서 ONNX Runtime을 활용하는 관행을 반영합니다.

왜 이게 좋은가

1. 실제 배포 기준 벤치마크: PyTorch 직접 추론이 아닌 ONNX Runtime 기반 벤치마크는 프로덕션 환경의 성능을 더 정확히 반영합니다.

2. YOLO26 인지도 확대: 최신 모델을 기존 문서에 자연스럽게 통합하여, SAM 사용자가 대안을 탐색할 때 YOLO26을 고려할 수 있게 합니다.

3. 투명한 방법론: 벤치마크 재현 코드를 직접 제공하여 수치의 신뢰성을 사용자가 직접 검증할 수 있습니다.

정리

SAM 문서에 YOLO26 벤치마크를 추가하고 테스트 방법론을 ONNX Runtime 기준으로 전환한 PR입니다. 모델 크기 56배, 속도 1655배의 차이는 SAM과 YOLO가 서로 다른 유즈케이스를 타겟팅하고 있음을 명확히 보여줍니다.

참고 자료

• ultralytics/ultralytics#24071
• SAM 문서

---

이 글은 AI(Claude)의 도움을 받아 작성되었으며, 실제 PR의 코드 변경 사항을 기반으로 분석한 내용입니다.