Low-Cost Edge AI Accelerators for Real-Time Object Detection: A Comparative Analysis of Inference Performance and Cost Efficiency

엣지 AI 가속기 시장이 급성장함에 따라 실시간 객체탐지를 위한 최적의 이기종 플랫폼 선택이 중요한 과제가 되었다. 그러나 제조사가 제공하는 TOPS 수치는 이론적 최대치로, 실제 성능을 반영하지 못한다. 본 연구에서는 저비용 이기종 엣지 AI 가속기 4종(Jetson Orin Nano Super, Jetson Orin NX, Hailo-8 M.2, Rockchip RK3588)을 대상으로 YOLO 계열 객체탐지 모델의 추론 성능과 비용 효율성을 비교 분석하였다. 실험 결과, YOLOv8s 기준 Hailo-8이 101.2 FPS로 Jetson 대비 약 4.6배 빠른 성능을 보였으며, YOLOv8n 기준 RK3588이 34.6 FPS로 Orin NX와 Orin Nano Super를 능가하였다. 비용 효율성(달러당 FPS)에서 RK3588과 Hailo-8이 Jetson 대비 2.2-7.8배 우수하였다. 특히 NMS-free 아키텍처의 YOLOv10n이 RK3588 NPU에서 13.0 FPS의 저조한 성능을 보여, 모델-가속기 호환성의 중요성을 확인하였다. 본 연구는 엣지 AI 플랫폼 선택을 위한 비용 효율성 지표 프레임워크를 제시한다.