💻 computer science

Performance Oriented Faster YOLOv7 Variant for Real Time Industrial Systems

본 논문은 CPU의 개입과 데이터 전송을 최소화하기 위해 전처리 및 후처리 작업을 GPU로 이관함으로써, 탐지 정확도를 유지하면서도 실시간 산업 시스템을 위한 효율성을 개선하고 추론 시간을 최대 32%까지 단축하는 YOLOv7 추론 파이프라인의 성능 지향적 수정을 제안한다.

원저자: Çağatay ÇOBAN

게시일 2026-09-30

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Çağatay ÇOBAN

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현대 기술의 세계에서 기계는 점점 더 보는 법을 배우고 있습니다. 컴퓨터 비전이라고 알려진 이 분야는 컴퓨터가 마치 사람이 번화한 거리에서 보행자나 차량을 찾아내기 위해 눈으로 스캔하는 것처럼, 이미지 내에서 사물을 식별하고 위치를 파악할 수 있게 해줍니다. 이러한 시스템이 공장 바닥이나 자율 주행 차량처럼 빠르게 돌아가는 환경에서 유용하게 쓰이려면, 정확할 뿐만 아니라 믿을 수 없을 정도로 빨라야 합니다. 지연 없이 실시간으로 비디오 프레임을 처리하며 찰나의 결정을 내려야 하기 때문입니다. 이 작업을 위한 가장 인기 있는 도구 중 하나는 "You Only Look Once(단 한 번만 본다)"의 약자인 YOLO라는 시스템입니다. 이는 내부에 무엇이 있는지 찾기 위해 단 한 번의 통과로 전체 이미지를 스캔하도록 설계되었으며, 속도와 정밀함 사이의 균ب을 맞춥니다. 하지만, 아무리 진보된 버전의 시스템이라 할지라도 종종 숨겨진 장애물에 직면하곤 합니다. 바로 실제 탐지가 일어나기 전후에 데이터를 처리하는 방식 때문입니다. 시스템의 핵심적인 "두뇌"는 강력한 그래픽 칩에서 작동하지만, 이미지를 준비하고 결과를 정리하는 단계는 종종 메인 프로세서에서 수행되는데, 이것이 전체 속도를 늦추는 교통 체증을 유발합니다.

터키의 한 기술 센터에서 근무하는 차가타이 초반(Çağatay Çoban)이라는 연구원은 산업 시스템을 위한 이 특정한 병목 현상을 해결하기 위해 나섰습니다. 그의 목표는 이미 제 역할을 매우 잘 수행하고 있는 기계의 두뇌를 재설계하는 것이 아니라, 그곳으로 가는 길과 돌아오는 길을 닦는 것이었습니다. 표준 설정에서는 비디오 스트림이 메인 프로세서에 의해 디코딩되고 준비된 다음, 분석을 위해 그래픽 칩으로 옮겨졌다가, 마지막으로 결과를 정리하기 위해 다시 메인 프로세서로 보내집니다. 이러한 데이터의 끊임없는 앞뒤 이동은 지연을 발생시킵니다. 초반은 준비와 정리 단계를 그래픽 칩으로 직접 옮겨, 데이터가 한 곳에 머물며 불필요한 정지 없이 전체 과정을 흐를 수 있도록 하는 새로운 시스템 실행 방식을 제안했습니다. 이렇게 함으로써, 시스템은 데이터가 컴퓨터의 서로 다른 부분 사이를 이동하며 대기하는 시간을 최소화합니다.

이 아이디어를 테스트하기 위해, 연구자는 탐지 시스템의 매우 존경받는 버전인 YOLOv7 모델을 사용하였고, 이를 실제 비디오 스트림에 적용하였습니다. 실험에는 다양한 조건에서 비행하는 드론의 영상을 관찰하고 복잡한 장면 속에서 손을 탐지하는 과정이 포함되었습니다. 결과는 명확했습니다. 수정된 시스템은 비디오를 훨씬 더 빠르게 처리했습니다. 일부 테스트에서는 비디오 클립을 분석하는 데 걸리는 시간이 거의 절반 가까이 줄어들었으며, 초당 처리되는 프레임 수가 눈에 띄게 증가했습니다. 예를 들어, 기존 방식으로 처리하는 데 81초 이상 걸렸던 한 비디오가 새로운 접근법으로는 44초 미만에 완료되었습니다. 또 다른 테스트에서는 거의 360초에서 약 204초로 단축되는 모습을 보였습니다. 결정적으로, 이러한 속도 향상은 정확도를 희생하면서 얻은 것이 아니었습니다. 시스템은 원래 버전과 동일한 수준의 정밀도로 동일한 수의 사물을 식별해 냈으며, 이는 이번 변화가 탐지 자체를 약화시키지 않으면서 작업의 흐름을 개선했음을 증명했습니다.

또한 이 연구는 이러한 효율성 향상이 컴퓨터를 과열시키거나 전력을 과도하게 소모하는 방식으로 더 힘들게 일할 것을 요구하지 않는다는 점을 밝혀냈습니다. 그래픽 칩이 기존보다 약간 더 많은 용량을 사용하기는 했지만, 그 차이가 미미하여 시스템이 단순히 기존의 힘을 더 현명하게 사용하고 있음을 시사했습니다. 이는 시스템이 종종 고정된 하드웨어에서 지속적으로 작동해야 하는 산업용 애플리케이션에서 매우 중요한 차이점입니다. 이 연구는 데이터가 시스템을 통해 이동하는 방식을 재구성함으로써, 생산 라인 모니터링이나 드론 추적과 같은 안전이 중요한 작업에 필요한 신뢰성을 희생하지 않고도 훨씬 더 매끄럽고 빠른 성능을 달性能할 수 있음을 보여줍니다. 이 작업은 많은 실시간 애플리케이션에 있어 더 나은 성능으로 가는 길은 단지 더 똑똑한 알고리즘을 만드는 것뿐만 아니라, 그들을 느리게 만드는 마찰을 제거하는 데 있다는 것을 시사합니다.

기술 요약: 실시간 산업 시스템을 위한 성능 지향적 Faster YOLOv7 변형 모델

문제 정의
YOLOv7은 객체 탐지에 있어 최첨단 정확도와 속도를 제공하지만, 이를 실시간 산업 시스템에 배포할 때는 신경망 구조 자체와는 무관한 계산 병목 현상으로 인해 어려움을 겪는 경우가 많습니다. 구체적으로, 표준 추론 파이프라인은 CPU 기반의 전처리(예: 크기 조정, 색 공간 변환) 및 후처리(예: 비최대 억제, NMS)로 인해 발생하는 부하를 겪으며, CPU와 GPU 메모리 간의 빈번하고 중복적인 데이터 전송 문제를 안고 있습니다. 이러한 오버헤드는 지연 시간을 유발하고 프레임 레이트를 제한하여, 생산 라인 모니터링 및 자율 로보틱스와 같이 지연 시간에 민감한 산업 애플리케이션에서 GPU 역량을 온전히 활용하는 것을 방해합니다. 기존 문헌들은 주로 모델 파라미터를 줄이거나 네트워크 구조를 변경하는 방식으로 이 문제를 다루지만, 이는 탐지 정확도를 저해할 수 있습니다.

방법론
본 연구는 핵심 탐지 구조나 모델 가중치를 변경하지 않고, 계산 부담을 CPU에서 GPU로 전환하는 성능 지향적인 YOLOv7 추론 파이프라인 수정 방안을 제안합니다. 방법론은 다음 세 가지 주요 최적화에 집중합니다:

GPU 네이티브 전처리 및 디코딩: 기존의 OpenCV 기반 CPU 전처리를 FFmpeg 인프라를 통해 저수준 비디오 데이터에 직접 접근할 수 있는 PyAV로 대체합니다. 이를 통해 "제로 카피 프레임 액세스(Zero-Copy Frame Access)"를 구현하여, 비디오 프레임을 GPU 호환 형식으로 직접 디코딩 및 처리함으로써 중간 단계의 NumPy 배열 표현과 불필요한 메모리 복사를 제거합니다.
효율적인 데이터 전송: 파이프라인을 재설계하여 CPU-GPU 간의 데이터 트래픽을 최소화합니다. 기존의 [CPU 처리 $\rightarrow$ CPU 텐서 변환 $\rightarrow$ GPU 전송 $\rightarrow$ 추론 $\rightarrow$ CPU 전송 $\rightarrow$ 후처리]라는 전통적인 사이클 대신, 제안된 방식은 아핀 변환(affine transformations)과 같은 전처리와 NMS와 같은 후처리를 CUDA 코어에서 직접 실행합니다. 데이터는 PyTorch 텐서로서 단 한 번만 GPU로 전송되며, 최종 출력이 필요할 때까지 GPU에 유지됩니다.
산업용 배포를 위한 코드 리팩토링: 학술적 모니터링, 로깅 및 조건부 제어 블록을 단순화하여 오버헤드를 줄임으로써, 대역폭이 제한된 임베디드 GPU에서 비동기 실행이 최적화되도록 보장합니다.

주요 기여
본 논문은 세 가지 주요 기여를 명시합니다:

성능 지향적 모델: 원래의 탐지 정확도를 유지하면서 더 빠른 추론 시간을 달리는 수정된 YOLOv7 추론 파이프라인을 도입했습니다.
트래픽 감소: CPU와 GPU 사이의 데이터 트래픽을 최소화하여 전처리 단계를 가속화하고 지연 시간을 줄였습니다.
하드웨어 효율성: 하드웨어 요구 사항을 높이지 않고도 더 높은 처리량을 달성할 수 있도록, 더 효율적인 GPU 하드웨어 활용과 감소된 CPU 사용량을 입증했습니다.

실험 결과
제안된 방법은 NVIDIA GeForce RTX 4060 GPU를 사용하여 여러 실제 비디오 스트림(드론 영상 및 손 탐지 시나리오)에서 평가되었습니다. 결과는 다음과 같습니다:

추론 속도: 수정된 파이프라인은 표준 YOLOv7 베이스라인과 비교하여 총 추론 시간을 최대 32% 단축했습니다.
프레임 레이트: 평균 FPS(초당 프레임 수)가 크게 향상되었습니다 (예: 한 테스트 비디오에서 13.48에서 14.31 FPS로 증가, 다른 테스트에서는 최대 17% 증가).
정확도: 결정적으로, 모든 데이터셋(YOLO 드론 탐지 및 야생 손 탐지)에서 탐지 정확도 지표(Precision, Recall, mAP@0.5, mAP@0.5:0.95)가 베이스라인 모델과 동일하게 유지되었습니다. 이는 속도 향상이 구조적 저하 없이 이루어졌음을 확인시켜 줍니다.
자원 활용도: GPU 활용도는 미미하게 증가(약 0.95% ~ 3.6%)하거나 경우에 따라 약간 감소했는데, 이는 성능 향상이 하드웨어 부하 증가가 아닌 계산 효율성 개선과 데이터 이동 감소에서 기인했음을 나타냅니다.

의의 및 주장
본 논문의 주요 의의는 고정밀 모델과 실시간 산업 배포 제약 사이의 간극을 해결하는 데 있습니다. 구조적 단순화가 아닌 파이프라인 수준의 최적화에 집중함으로써, 탐지 신뢰성을 희생하지 않고도 의미 있는 속도 향상을 실현할 수 있음을 보여줍니다. 저자는 이 접근 방식이 더 낮은 지연 시간, 더 높은 처리량, 그리고 더 균형 잡힌 CPU-GPU 워크로드 분배를 제공함으로써 YOLOv7의 산업적 배포 가능성을 높이며, 특히 자원이 제한된 임베디드 비전 애플리케이션에 적합하다고 주장합니다.

유사한 논문