Earticle

초록

영어

This study evaluates real-time object detection models in the YOLO series, from YOLOv8 to YOLO12, using a small-scale custom dataset and proposes practical guidelines for model selection in resource-constrained environments. A custom traffic-based dataset consisting of 2,664 images, 6 classes, and a total of 6,354 labeled objects was constructed. All experiments were conducted under identical training conditions using Google Colaboratory with an NVIDIA Tesla T4 GPU, and a total of 26 models from YOLOv8 to YOLO12 were trained and evaluated. The results show that YOLOv9m achieved the highest performance among the evaluated models, with an mAP50–95 of 0.520. In most versions, small (s) and medium (m) models demonstrated superior performance relative to training time. Large (l) and extra-large (x) models showed required 2–3 times longer training, while their performance remained stagnant or decreased. Unlike official benchmarks, a nonlinear performance pattern was observed in the small-scale dataset, where performance decreased in models of medium size or larger. Furthermore, model size had a greater impact on performance than the YOLO version itself. This study provides practical guidelines for selecting appropriate YOLO versions and model sizes in resource-constrained environments. Future work should explore hyperparameter optimization and extend comparative analyses across different domains and dataset scales.

한국어

본 연구는 실시간 객체 탐지 기술인 YOLO에 대해 YOLOv8부터 YOLO12까지의 버전과 모델에 대해 소규모 커스텀 데 이터셋 환경에서 성능평가를 수행하여, 제한된 데이터와 자원을 보유한 실제 응용 환경에서의 모델 선택 가이드라인을 제시한 다. 교통 환경 기반 6개 클래스, 2,664장, 총 6,354개의 라벨링 커스텀 데이터셋을 구축하고, Google Colaboratory(NVIDIA Tesla T4 GPU) 환경에서 동일한 학습 조건으로 YOLOv8부터 YOLO12까지 총 26개 모델을 학습·평가하였다. 연구 결과, YOLOv9m이 mAP50-95 0.520으로 자체평가 기준 중 최고 성능을 기록하였으며, 대부분의 버전에서 소형(s) 또는 중형(m) 모 델이 시간 대비 뛰어난 성능을 보였다. 대형(l) 및 초대형(x) 모델은 학습 시간이 2~3배 증가했음에도 성능은 정체되거나 감소하 였다. 공식 벤치마크와 달리 소규모 데이터셋에서는 중간 크기 이상 모델에서 성능이 감소하는 비선형적 패턴이 나타났으며, YOLO 버전보다 모델 크기 선택이 성능에 더 큰 영향을 미치는 것으로 확인되었다. 본 연구는 제한된 데이터 환경에서의 실용적 버전 및 모델 선택 기준을 제시하며, 향후 하이퍼파라미터 최적화 및 도메인이나 데이터 규모에 따른 비교 연구가 필요하다.

목차

요약
Abstract
1. 서론
2. 관련 연구
2.1 실시간 객체 탐지 알고리즘, YOLO
2.2 성능평가 지표
3. 연구방법
3.1 실험 환경
3.2 커스텀 데이터셋 구축
3.3 하이퍼파라미터 설정
4. 실험 결과
4.1 버전별·모델별 성능 비교
4.2 사용 목적별 모델 선택 가이드라인
5. 결론
참고문헌

키워드

저자

• 정은진 [ Eun-Jin Jung | 성결대학교 정보통신공학과 학부생 ]
• 유지수 [ JiSu Yoo | 성결대학교 정보통신공학과 학부생 ]
• 문형진 [ Hyung-Jin Mun | 성결대학교 정보통신공학과 부교수 ] 교신저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  삶의 질 향상 연구 [Quality of Life Research]

• 간기

  수시

• eISSN

  2982-7574

• 수록기간

  2023~2026

• 등재여부

  KCI 등재후보

• 십진분류

  KDC 330 DDC 361