YOLOv7 YOLO26: 실시간 객체 탐지의 세대적 도약

컴퓨터 비전의 진화는 중요한 이정표들로 특징지어져 왔으며, 기존 아키텍처와 현대적인 최첨단 모델을 비교하는 것은 머신러닝 엔지니어들에게 귀중한 통찰력을 제공합니다. 이 기술적 비교는 매우 영향력 있는 YOLOv7 과 혁신적인 Ultralytics 간의 차이점을 분석하며, 아키텍처, 훈련 방법론, 배포 효율성 측면에서의 발전을 조명합니다.

YOLOv7: "무료 선물 가방"의 선구자

2022년 중반에 소개된 YOLOv7 추론 비용을 증가시키지 않으면서 정확도를 향상시킨 여러 아키텍처 최적화를 도입함으로써 GPU 가능한 한계를 YOLOv7 .

모델 상세 정보

저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
조직:정보 과학 연구소, 아카데미아 시니카
날짜:06
Arxiv:2207.02696
GitHub:WongKinYiu/yolov7
문서:Ultralytics 7 문서

YOLOv7 재매개변수화 기법을 적극 활용하고 효율적 레이어 집계 네트워크(E-ELAN)를 확장한 훈련 가능한 "bag-of-freebies" 개념을 YOLOv7 . 이를 통해 모델은 더 다양한 특징을 학습할 수 있었으며, 원래의 기울기 경로를 파괴하지 않고도 네트워크의 학습 능력을 지속적으로 향상시킬 수 있었습니다. 당시 COCO 인상적인 최첨단 벤치마크를 달성했지만, 그 아키텍처는 여전히 앵커 기반 출력에 크게 의존하며 복잡한 비최대 억제(NMS) 후처리가 필요하여 배포 시 지연 병목 현상을 유발할 수 있습니다.

7에 대해 자세히 알아보기

YOLO26: 에지 우선 비전 AI 표준

2026년 1월 출시된 Ultralytics 패러다임 전환을 상징하며, 배포 용이성, 훈련 안정성 및 하드웨어 효율성을 최우선으로 삼기 위해 탐지 파이프라인을 완전히 재구상하였습니다.

모델 상세 정보

저자: 글렌 조커와 징 치우
조직:Ultralytics
날짜:14
GitHub:ultralyticsultralytics
플랫폼:Ultralytics Platform의 YOLO26

YOLO26은 현대적인 공학적 과제를 해결하기 위해 처음부터 새롭게 설계되었습니다. 이 아키텍처는 이전 모델들을 크게 앞서는 몇 가지 핵심적인 혁신을 가져왔습니다:

종단 간 NMS-Free 설계: YOLO26은 NMS 후처리를 기본적으로 제거하며, 이는 YOLOv10에서 처음 개척된 획기적인 접근 방식입니다. 이는 더 빠르고 훨씬 간단한 배포 파이프라인을 가능하게 하며, 혼잡한 장면에서 일반적으로 발생하는 가변 지연 시간을 피할 수 있습니다.
DFL 제거: Distribution Focal Loss (DFL)를 제거함으로써 모델이 내보내기를 위해 근본적으로 단순화되어 엣지 장치 및 저전력 IoT 하드웨어와의 훨씬 더 나은 호환성을 제공합니다.
최대 43% 더 빠른 CPU 추론: 아키텍처 단순화 및 구조적 가지치기 덕분에 YOLO26은 엣지 컴퓨팅 및 전용 GPU가 없는 장치에 특화하여 최적화되어 있으며, 표준 프로세서에서 기존 아키텍처를 쉽게 능가합니다.
MuSGD Optimizer: 대규모 언어 모델 훈련 기법(특히 Moonshot AI의 Kimi K2)에서 영감을 받아, YOLO26은 MuSGD 옵티마이저(확률적 경사 하강법과 Muon의 하이브리드)를 사용합니다. 이는 컴퓨터 비전 작업에 비할 데 없는 훈련 안정성과 훨씬 빠른 수렴을 제공합니다.
ProgLoss + STAL: 이러한 고급 손실 함수의 도입은 항공 이미지, 로봇 공학 및 자동 품질 검사에 필수적인 작은 객체 인식에서 현저한 개선을 제공합니다.
작업별 개선 사항: 표준 객체 detect를 넘어, YOLO26은 segmentation 작업을 위한 multi-scale proto 및 특화된 Semantic segmentation loss, 자세 추정을 위한 Residual Log-Likelihood Estimation (RLE), 그리고 Oriented Bounding Boxes (OBB)의 경계 문제를 해결하기 위한 특화된 각도 손실 알고리즘을 도입합니다.

YOLO26에 대해 더 알아보기

YOLO26으로 마이그레이션

구형 아키텍처에서 YOLO26으로 업그레이드하는 것은 Python 에서 모델 문자열을 다음과 같이 변경하는 것만큼 간단합니다. yolo26n.pt. Ultralytics 패키지는 자동 가중치 다운로드 및 구성 스케일링을 포함하여 전체 전환을 처리합니다.

성능 및 지표 비교

계산적 발자국을 비교할 때, YOLO26은 성능과 메모리 요구 사항의 균형 측면에서 뚜렷한 우위를 보여줍니다. 트랜스포머 기반 모델이나 기존의 무거운 아키텍처는 대개 방대한 CUDA 할당을 필요로 하지만, YOLO26은 소비자용 GPU에서도 효율적으로 훈련됩니다.

모델	크기 ^(픽셀)	mAP^val 50-95	속도 ^{CPU ONNX (ms)}	속도 ^{T4 TensorRT10 (ms)}	파라미터 ^(M)	FLOPs ^(B)
YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

위에서 보듯이, YOLO26m 모델은 대규모 모델과 동등한 정확도(53.1 mAP)를 달성한다 YOLOv7x, 하지만 파라미터 수가 3분의 1 미만(20.4M 대 71.3M)이며 놀랍도록 빠른 추론 시간을 통해 이를 수행합니다. TensorRT.

Ultralytics 에코시스템의 이점

레거시 모델을 배포하는 것은 종종 복잡한 타사 저장소, 의존성 문제, 수동 내보내기 스크립트와 씨름해야 합니다. 이와 대조적으로, Ultralytics 플랫폼은 전체 머신러닝 라이프사이클을 간소화하는 잘 관리되고 응집력 있는 생태계를 제공합니다.

사용 편의성: 직관적인 Python API와 방대한 문서를 통해 몇 분 안에 모델을 주석 달고, 훈련하고, 배포할 수 있습니다. ONNX 또는 CoreML과 같은 형식으로 내보내는 데 단 한 줄의 코드만 필요합니다.
메모리 요구 사항: Ultralytics 모델은 낮은 메모리 사용량으로 유명합니다. 일부 부피가 큰 비전 트랜스포머와 달리, YOLO26은 메모리 부족(OOM) 오류 없이 표준 하드웨어에서 쉽게 미세 조정될 수 있습니다.
다용도성: YOLOv7이 주로 객체 detect기였지만 (다른 작업을 위한 일부 실험적 브랜치 포함), YOLO26은 detect, 분류, track, 자세 추정 및 OBB를 동등한 숙련도로 처리하는 기본적으로 통합된 프레임워크입니다.

기타 Ultralytics

YOLO26이 권장 표준이지만, 레거시 시스템을 마이그레이션하는 개발자는 YOLO11를 검토할 수 있습니다. 이는 Ultralytics 내 또 다른 고성능 세대로, 장기 지원 프로젝트에 탁월한 안정성을 제공합니다.

코드 예시: 학습 및 배포

다음 예시는 우아한 단순성을 보여줍니다. ultralytics 패키지. 기존 모델에서 긴 명령줄 인수를 호출하는 것과 비교해 인터페이스가 얼마나 깔끔한지 주목하세요.

from ultralytics import YOLO

# Load the lightweight YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently on a dataset (e.g., COCO8)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # Efficient memory usage allows larger batch sizes
    device=0,
)

# Run an NMS-free, end-to-end inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export directly to ONNX for edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

실제 사용 사례

올바른 아키텍처 선택은 전적으로 생산 제약 조건에 따라 달라집니다.

YOLOv7을 고려해야 할 때: YOLOv7은 2022년 표준에 대한 학술 벤치마킹을 위한 귀중한 도구로 남아 있습니다. 인프라가 YOLOv7의 특정 앵커 출력에 깊이 하드코딩된 심층 레거시 CUDA 파이프라인을 활용하고 리팩토링을 위한 리소스를 할당할 수 없는 경우, 이는 강력한 baseline 탐지기로 계속 기능할 것입니다.

YOLO26을 선택해야 할 때: 모든 새로운 프로젝트에서 YOLO26은 확실한 선택입니다. NMS 없는 아키텍처는 저지연 자율 내비게이션 및 실시간 보안 시스템에 완벽합니다. DFL 제거와 대규모 CPU 속도 향상은 Raspberry Pi 또는 가전제품 내부에 배포하는 것과 같은 엣지 AI 배포를 위한 확실한 챔피언으로 만듭니다. 또한 ProgLoss + STAL 개선 사항은 제조 품질 보증 또는 위성 이미지에서 미세한 이상을 detect하는 데 매우 능숙하게 만듭니다.

궁극적으로 YOLO26은 오픈소스 커뮤니티의 포괄적인 지원을 바탕으로 개발자들에게 정확성, 속도, 단순성이 조화를 이룬 탁월한 조합을 제공합니다.