최종 적용 모델 선정 투표: YOLO11n vs YOLOv5s

[happynarin05]

논의 목적

YOLOv5s v6와 YOLO11n 모델 중 최종 서비스 적용 모델을 어떤 것으로 선정할지 결정하기 위한 투표입니다.

두 모델은 Roboflow v6 데이터셋 기준으로 정량 성능을 비교했으며, 이후 실제 서비스 흐름에서 모델을 테스트했습니다.

v6 기준 정량 성능 비교

Model | Dataset | Precision | Recall | mAP@0.5 | mAP@0.5:0.95 -- | -- | -- | -- | -- | -- YOLOv5s | Roboflow v6 | 0.917 | 0.847 | 0.885 | 0.660 YOLO11n | Roboflow v6 | 0.835 | 0.719 | 0.776 | 0.545

정량 지표만 보면 YOLOv5s v6가 YOLO11n v6보다 높은 성능을 보였습니다.
특히 Precision, Recall, mAP 지표에서 YOLOv5s가 더 안정적인 수치를 보였습니다.

실제 테스트 결과

하지만 실제 서비스 환경에서 테스트했을 때는 YOLO11n이 더 적합한 결과를 보였습니다.

본 프로젝트는 단순히 이미지 한 장에서 객체를 탐지하는 것이 아니라, 사용자가 손가락으로 사물을 가리키면 해당 객체를 인식하고 설명으로 연결하는 흐름을 갖고 있습니다.
따라서 실제 적용에서는 정량 지표뿐만 아니라 다음 요소도 중요합니다.

• 실제 촬영 환경에서 객체가 안정적으로 탐지되는지
• 손끝으로 가리키는 상황에서 객체 탐지가 잘 이어지는지
• 백엔드 연동 시 출력 구조가 일관적인지
• 이후 데이터 보완 및 재학습을 이어가기 쉬운지
• 최종 보고서에서 모델 개선 과정을 설명하기 적절한지

실제 테스트에서는 YOLO11n이 서비스 흐름에 더 잘 맞는 결과를 보였고, 이후 v10, v13, v14 실험도 YOLO11n 계열을 중심으로 진행했습니다.

모델 후보

1. YOLOv5s v6

YOLOv5s v6는 Roboflow v6 데이터셋 기준 정량 성능이 가장 높게 나타난 모델입니다.

장점은 다음과 같습니다.

• v6 기준 Precision, Recall, mAP 지표가 높음
• 비교 기준 모델로 사용하기 적절함
• 초기 성능 평가에서 안정적인 수치를 보임

다만 실제 서비스 테스트에서는 YOLO11n보다 적용 흐름이 덜 적합했고, 이후 데이터셋 보완 및 추가 실험 흐름도 YOLO11n 중심으로 진행되었습니다.

2. YOLO11n

YOLO11n은 v6 기준 정량 성능은 YOLOv5s보다 낮았지만, 실제 서비스 테스트에서 더 적합한 결과를 보인 모델입니다.

장점은 다음과 같습니다.

• 실제 테스트에서 서비스 흐름에 더 잘 맞았음
• 손끝-객체 매칭 과정과 연결하기에 더 적합했음
• v10, v13, v14로 이어지는 후속 실험이 YOLO11n 기준으로 진행됨
• tactile_flower, tactile_flowerpot 등 부족한 클래스 보완 실험을 이어가기 쉬움
• 최종 보고서에서 “성능 비교 → 실제 테스트 → 데이터 보완 → 재학습” 흐름을 설명하기 좋음
• 학습 노트북, 결과 파일, 그래프, 산출물 관리 기준을 YOLO11n으로 통일할 수 있음

제안

최종 적용 모델은 YOLO11n으로 선정하는 방향을 제안합니다.

v6 기준 정량 지표만 보면 YOLOv5s가 더 높지만, 실제 서비스 테스트에서는 YOLO11n이 더 적합했습니다.
또한 프로젝트의 후속 실험과 데이터 보완 과정이 YOLO11n을 중심으로 진행되고 있으므로, 최종 산출물과 보고서 흐름을 일관성 있게 정리하기에도 YOLO11n이 더 적절합니다.

따라서 정량 성능 비교 결과는 참고 자료로 활용하되, 실제 서비스 적용성과 후속 개선 가능성을 고려하여 YOLO11n을 최종 적용 모델로 선택하는 것이 적절하다고 판단됩니다.

투표 기준

모델 선택 시 아래 기준을 함께 고려해주세요.

• v6 기준 정량 성능
• 실제 서비스 테스트 결과
• 손끝-객체 매칭 흐름과의 적합성
• 백엔드 연동 일관성
• 후속 데이터 보완 및 재학습 가능성
• 최종 보고서 작성 흐름
• 최종 산출물 관리의 통일성