[AI 부트캠프] DAY 128 - 파이널 프로젝트 19

[오늘의 일지]

프로젝트 - YOLOv8 성능 정리

[상세 내용]

YOLOv8 성능 정리

- 지난주에 YOLOv8 모델의 성능을 확인해 보고자 몇 가지 실험을 했습니다. 그런데 따로 문서를 찾아보니 제가 속도를 중요시하며 실험을 했던 것보다 더 중요하게 봐야 할 부분이 있었습니다. 그 부분에 대해서 다시 정리하겠습니다.

 

이미지 사이즈와 성능

- 지난주에는 이미지 사이즈가 클수록 속도가 느리다고 정리했던 기억이 납니다. 이 부분이 크게 잘못되었다고 생각은 안 하지만 정정하자면 이미지 사이즈가 클수록 gpu의 vram을 많이 할당한다는 사실을 알게 되었습니다. 그러니 따지고 보면 gpu가 많은 vram을 할다하고 있다는 것은 속도면에서 조금 느려질 수 있다는 것이라고 판단했습니다. 지난주 결과는 링크로 남겨두겠습니다.

[AI 부트캠프] DAY 126 - 파이널 프로젝트 17

 

YOLOv8 모델들과 속도

- 지난주에 저는 n, s, m, l, x 총 5가지 모델들을 한 번씩 사용해 보면서 속도비교를 한 것을 정리했습니다. 이 부분에서도 정리하자면 위에 이미지 사이즈와 같은 맥락이라고 할 수 있습니다. 모델이 고성능으로 갈수록 gpu의 vram을 할당하는 수준이 거의 두 배씩 늘어나는 것을 확인했고 이 부분이 역시 속도에 영향을 끼친다는 것을 알게 되었습니다. 지난주 결과를 링크로 남겨두겠습니다.

[AI 부트캠프] DAY 127 - 파이널 프로젝트 18

 

최종 정리

- 결국 이미지 사이즈나 모델 선정에 있어서 가장 중요한 부분은 gpu의 메모리 크기와 성능이 가장 중요하게 작용한다는 점을 다시 한번 느끼게 되었습니다. 그러니 자신의 gpu 환경에 맞는 적절한 이미지 사이즈나 모델을 선택해서 최적의 성능을 뽑아내서 최선의 결과를 얻어내는 것이 중요합니다. 제 로컬 환경의 gpu로 몇 가지 실험을 진행해 본 결과 적절치 못한 경우에서는 전혀 모델이 학습을 하지 않는 것도 확인했으니 주의해서 사용하면 좋을 거 같습니다.

 

[마무리]

 오늘은 지난주에 정리했던 이미지 사이즈와 모델이 속도에 어떠한 영향을 미쳤는지에 대해서 다시 설명을 추가해서 정리해 보았습니다. 현재 저는 로컬의 별로 좋지 않은 gpu 환경에서 모델을 돌리고 있는데 빨리 원격 서버가 해결이 되어서 많은 실험을 해보면 좋을 거 같습니다.