YOLOv8

💡 참고 문서

• Ultralytics YOLOv8 공식 문서
• YOLOv8 모델 발표 블로그
• YOLO 리뷰 논문 (arXiv:2304.00501)
• What is YOLOv8 논문 (arXiv:2408.15857)

💡 YOLOv8 개요 및 역사

1️⃣ YOLO 시리즈 개요

버전	발표 시기	주요 변화
YOLOv1	2016	최초의 YOLO, 단일 CNN으로 직접 bbox + class 예측
YOLOv3	2018	multi-scale detection 도입 (3단계 예측), 성능 향상
YOLOv4	2020	다양한 기법 통합 (CSPNet, Mish, Mosaic 등)
YOLOv5	2020	PyTorch 기반 비공식 모델, 경량화 + 실용성 강화
YOLOv7	2022	task-specific optimization, E-ELAN 구조
YOLOv8	2023 (Ultralytics)	anchor-free, NMS 개선, segmentation + classification 통합

YOLOv5부터는 공식 논문이 없고 Ultralytics에서 개발 및 유지보수중

2️⃣ YOLOv8 주요 특징 요약

Anchor-free 방식 채택
기존 YOLOv5는 anchor 기반이었지만 YOLOv8은 anchor 없이 중심점 예측을 사용해 더 단순하고 일반화된 구조 사용

모듈 개선:C2f 구조 도입
기존 C3 모듈보다 더 경량화되고 연산 효율이 좋은 C2f(Concat-to-fuse) 모듈을 도입해 파라미터 수 감소 + 성능 향상

모델 통합 지원
단일 프레임워크에서 Object Detection, Instance Segmentation, Classification까지 모두 지원

기존 YOLOv5 대비 성능 향상
속도와 정확도 모두 향상됐으며 특히 작은 모델(YOLOv8n)에서도 높은 mAP 유지

3️⃣ 모델 라인업 (크기별)

모델	파라미터 수	성능 (COCO val2017, mAP)	목적
YOLOv8n	~3.2M	중간 성능, 빠른 속도	Mobile / 실시간
YOLOv8s	~11.2M	속도-성능 균형	중간
YOLOv8m	~25.9M	높은 정확도	일반 목적
YOLOv8l	~43.7M	더 높은 정확도	고정밀 탐지
YOLOv8x	~68.2M	최고 정확도	오프라인 탐지

💡 YOLOv8 구조 및 동작 원리

'Backbone -> Neck -> Head' 형태를 따르되 각 구성 요소에 다양한 개선이 이루어짐

1️⃣ 전체 구조

[입력 이미지]
↓
[Backbone: CSPDarknet with C2f]
↓
[Neck: FPN-like 구조 (PANeck)]
↓
[Head: Anchor-Free Detection Head]
↓
[출력: class, bbox(x, y, w, h), objectness]

2️⃣ Backbone: C2f 모듈 기반 경량 구조

• 기존 YOLOv5의 C3 모듈 -> C2f(Concat-to-fuse)로 대체
• 목적 : feature reuse + 연산 감소
• 구조 :
  - 병렬 conv -> concat -> bottleneck (CSP 스타일)
  • 파라미터 수 감소 + 정확도 유지/향상

Input → Conv → Bottleneck Blocks (split path) → Concat → Conv → Output

3️⃣ Neck : FPN + PAN 구조 (Multi-Scale Feature)

• 고해상도(low-level) + 저해상도(high-level) feature를 통합
• upsample + concat -> detection 성능 향상
• 이름은 따로 명시되지 않았지만 PANet 유사 구조

4️⃣ Detection Head (예측부)

Anchor-Free 방식

• 중심점 기반 예측 (center-based point regression)

• Anchor 설정 및 prior box가 필요 없음

• 더욱 단순화된 출력 구조

  		[batch, grid_h, grid_w, (num_classes + 4 + 1)]
     → 4: [x_center, y_center, width, height]
     → 1: objectness
     → num_classes: softmax 또는 sigmoid
     

5️⃣ NMS 방식

• 기존 : class-agnostic NMS
• YOLOv8 : class-aware NMS로 개선
  - 서로 다른 클래스 간에는 겹쳐도 제거되지 않음
• 옵션으로 Dious-NMS, Soft-NMS 도입 가능

(파라미터 개수)

💡 YOLOv8 학습 및 추론 과정

다양한 태스크(Object Detection, Classification, Segmentation)를 하나의 프레임워크에서 지원하며 학습 및 추론 과정에서도 직관적이고 유연하게 설계됨

1️⃣ 데이터 전처리 및 입력

	기본 입력 해상도 : 640 x 640
    입력 형식 : [batch_size, 3, H, W]
    전처리 내용 :
    	이미지 리사이징 (비율 유지)
        Padding (Letterbox 방식)
        정규화 (0~1 스케일)
        채널 순서 변환 (HWC -> CHW)

2️⃣ 데이터 증강(Augmentation)

기본 제공되는 증강 기법

기법명	설명
Mosaic	4장의 이미지를 하나로 결합해 다양한 객체 수를 표현
HSV 변화	색조, 채도, 명도 변화
Flip	좌우 반전
Scale	이미지 확대/축소
Random crop	일부 영역만 자르기 (선택)

-> Albumentations 또는 cv2 기반으로 추가 커스터마이징 가능

3️⃣ 손실 함수(Loss)

다양한 손실 항 조합

항목	손실 종류	설명
bbox 위치	CIoU Loss	중심점과 크기 차이 모두 반영
class 예측	BCEWithLogitsLoss	멀티 클래스 분류용 binary cross entropy
objectness	BCEWithLogitsLoss	객체 여부 판단용 확률 출력

-> Loss는 각 항의 가중치를 조절해 전체 Loss로 통합

4️⃣ Optimizer 및 Learning Rate Scheduler

	기본 설정
    Optimizer : SGD or AdamW
    초기 Learning : 0.01(SGD), 0.001(AdamW)
    Scheduler : Cosine Annealing, Linear Decay 또는 사용자 정의

5️⃣ 추론(Inference) 파이프라인

입력 이미지
  ↓
전처리 및 크기 조정 (letterbox)
  ↓
모델 추론 (feature 추출 + head 예측)
  ↓
NMS 후 최종 bbox/class 반환
  ↓
원본 이미지 좌표로 bbox 재조정

추론 속도 : YOLOv8n 기준 30~100 FPS 이상 가능 (GPU 기준)
출력 형식 : bbox 좌표 [x1, y1, x2, y2], class index + confidence

💡 YOLOv8 성능 및 벤치마크

다양한 크기(n, s, m, l, x)의 모델 제공, 정확도와 추론 속도에서 균형 잡힌 성능을 보여줌
anchor-free 방식 도입 이후 YOLOv5 대비 성능 향상, 실시간 및 고정밀 작업 모두에서 우수한 효율을 보임

1️⃣ 성능 지표 (COCO val2017 기준)

모델	파라미터 수	FPS (Tesla T4)	mAP50	mAP50-95
YOLOv8n	~3.2M	~150 FPS	70.3	37.3
YOLOv8s	~11.2M	~100 FPS	78.4	44.9
YOLOv8m	~25.9M	~70 FPS	82.3	50.2
YOLOv8l	~43.7M	~45 FPS	84.5	52.9
YOLOv8x	~68.2M	~30 FPS	85.9	53.9

2️⃣ 다른 모델과 비교 (YOLOv5, YOLOv7, Faster R-CNN 등)

모델	Params	mAP50-95	FPS	비고
YOLOv5s	7.2M	36.7	~110	anchor-based
YOLOv7	37.2M	51.2	~50	task-optimized
YOLOv8m	25.9M	50.2	~70	경량화 + anchor-free
Faster R-CNN (R50)	41.5M	42.1	~10	2-stage, 고정밀 but 느림

→ YOLOv8은 속도와 정확도 양면에서 매우 강력한 실시간 탐지 최적화 모델

3️⃣ 특징별 장단점 요약

특징	장점	단점
Anchor-Free	단순 구조, 적은 prior 설정	작은 객체 탐지 성능 민감도 ↑
C2f 모듈	경량화 + 정확도 유지	구조가 덜 직관적일 수 있음
NMS 개선	클래스 간 억제 방지	여전히 높은 중복 제거 어려움 존재
다양한 사이즈 제공	디바이스 성능에 맞는 선택 가능	초경량 모델은 성능 제한 존재

4️⃣ 실제 활용 환경에서 성능

환경	결과
Raspberry Pi	YOLOv8n 기준 10~15 FPS (TensorRT 최적화 시)
Jetson Nano	YOLOv8n 기준 8~12 FPS (fp16 최적화 시)
Google Colab T4	YOLOv8s 기준 100+ FPS (실시간 가능)
RTX 3090	YOLOv8x도 40+ FPS 처리 가능

💡 실제 활용 사례 및 확장성

단순한 객체 탐지를 넘어 다양한 컴퓨터 비전 작업에 활용될 수 있도록 설계됨
특히 Ultralytics 팀은 Detection 외에도 Classification, Instance Segmentation, Object Tracking까지 통합 지원함

1️⃣ 지원 태스크

태스크 유형	설명
Object Detection	일반적인 bounding box 기반 탐지
Instance Segmentation	픽셀 단위 객체 분할 (mask 예측 포함)
Classification	이미지 전체의 클래스 분류
Object Tracking (beta)	동영상에서 객체 추적 (SORT 등과 통합)

2️⃣ 주요 실무 활용 사례

분야	활용 예시
의약/헬스케어	약물 식별, 병변 탐지 (의료 영상)
제조/산업	결함 탐지, 로봇 비전
리테일	POS 모니터링, 재고 자동 인식
교통	번호판 인식, 차량/사람 추적
농업	작물 분류, 해충 탐지
보안	침입자 탐지, CCTV 분석

다양한 edge-device에서도 실행 가능해 실시간 응용 분야에 최적화됨

3️⃣ 확장 및 배포 방식

Ultralytics API

• from ultralytics import YOLO 만으로 모든 태스크 실행
• 추론 결과 : .boxes, .masks, .probs 등 다양한 출력 제공

ONNX / TensorRT / OpenVINO 내보내기

yolo export model=yolov8n.pt format=onnx

Edge 환경 최적화

• fp16, int8로 양자화
• ncnn, tflite, coreml 등 모바일 변환 가능

4️⃣ 커스텀 데이터셋 적용

Ultralytics에서는 다양한 형식의 데이터셋을 지원

형식	설명
YOLO	기본 .txt 포맷
COCO	.json 어노테이션
VOC	.xml
Custom	.yaml 파일로 경로만 설정하면 OK

# data.yaml 예시
train: ../images/train
val: ../images/val

nc: 3
names: ['pill', 'capsule', 'tablet']

참고 링크
Ultralytics 공식 튜토리얼
YOLOv8 Python API

💡 분석 논문 요약 및 비판적 고찰

1️⃣ 분석 논문 요약

논문 1 : "What is YOLOv8?"

• YOLOv8의 구조 (C2f, anchor-free head 등) 분석
  -YOLOv5 대비 정확도/속도 향상 정량 비교
• Instance Segmentation 확장 구조 분석
• 다양한 태스크에서의 성능 벤치마크

YOLOv8은 구조적으로 YOLO 시리즈의 단순성과 실용성을 유지하면서도 성능 향상을 달성한 "engineering-optimized model"
논문 링크

논문 2 : "A Comprehensive Review of YOLO Architectures in Computer Vision"

• YOLOv1부터 YOLOv8까지의 진화 과정 서술
• 각 버전별 핵심 기술 변화 정리
• YOLOv8이 anchor-free로 전환된 이유에 대한 설명
• 기타 YOLO 기반 파생 모델(NAS, RT-DETR 등)과 비교

사용자 중심으로 진화한 최신 YOLO
논문 링크

2️⃣ YOLOv8의 한계점

항목	설명
공식 논문 부재	기술적 정합성 및 peer-review 통과된 근거 부족
small object 대응 미흡	anchor-free 구조에서 작은 객체 탐지 민감도 낮을 수 있음
custom training 제어 한계	하이레벨 API 위주 → 세부 튜닝에 제약 가능성 있음
복잡한 구조 해석 어려움	C2f 구조나 custom NMS 등은 직관적이지 않음

3️⃣ 비판적 고찰

• 편리함 vs. 제어력
  • Ultralytics YOLO는 CLI, Python API로 매우 쉽고 빠르지만
  • 세밀한 연구 목적이나 구조 실험에는 한계가 있을 수 있음

• anchor-free의 과장된 장점?

  • anchor-free 방식이 항상 모든 상황에서 좋다고 단정할 수 없음
  • 작은 객체나 밀집된 환경에서 성능이 불안정할 수 있음

• 결론:
  YOLOv8은 실용성과 속도를 최적화한 최신 모델이며 실무에 적합한 반면 연구 실험에는 구조 분석과 튜닝 측면에서 다소 제한이 있을 수 있음

4️⃣ 실무 적용 시 요약 팁

• 빠른 추론: YOLOv8n/s
• 정확도 중시: YOLOv8m/l/x
• segmentation: yolov8s-seg.pt 등 별도 모델 사용
• 작은 객체 위주 작업: 입력 해상도 증가 or hybrid 모델 검토