YOLO11 대 YOLOv7: 상세 기술 비교
최적의 객체 탐지 모델을 선택하려면 다양한 아키텍처의 특정 기능과 장단점을 이해해야 합니다. 이 페이지에서는 YOLO 계열의 강력한 모델인 Ultralytics YOLO11과 YOLOv7의 기술적 비교를 제공합니다. 두 모델의 아키텍처 차이점, 성능 벤치마크, 이상적인 사용 사례를 자세히 살펴보고 컴퓨터 비전 프로젝트에 가장 적합한 모델을 선택하는 데 도움을 드립니다. YOLOv7은 실시간 탐지에서 중요한 진전을 이루었지만, Ultralytics YOLO11은 현재 최첨단 기술을 대표하며, 뛰어난 성능, 더 큰 다양성, 더욱 간소화된 개발자 경험을 제공합니다.
YOLOv7: 효율적이고 정확한 객체 탐지
YOLOv7은 추론 비용 증가 없이 훈련 효율성과 정확성을 최적화하는 데 중점을 둔 실시간 객체 탐지 분야의 주요 발전으로 소개되었습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- Organization: Institute of Information Science, Academia Sinica, Taiwan
- 날짜: 2022-07-06
- Arxiv: https://arxiv.org/abs/2207.02696
- GitHub: https://github.com/WongKinYiu/yolov7
- 문서: https://docs.ultralytics.com/models/yolov7/
아키텍처 및 주요 기능
YOLOv7은 몇 가지 주요 혁신을 도입하여 이전 YOLO 아키텍처를 기반으로 구축되었습니다. E-ELAN(Extended Efficient Layer Aggregation Networks) 및 연결 기반 모델에 최적화된 모델 스케일링 방법과 같은 기술을 사용합니다. 주요 기여는 추론 중에 계산 오버헤드를 추가하지 않고 최종 모델 정확도를 높이기 위해 훈련 중에 적용되는 최적화 전략(예: 보조 헤드 및 coarse-to-fine 지침)과 관련된 "trainable bag-of-freebies" 개념입니다. YOLOv7은 주로 객체 감지에 중점을 두지만 포즈 추정과 같은 작업에 대한 커뮤니티 확장이 있습니다.
성능 지표 및 사용 사례
YOLOv7은 출시되자마자 속도와 정확성 사이에서 강력한 균형을 제공하며 최첨단 성능을 입증했습니다. 예를 들어 YOLOv7x 모델은 640 이미지 크기에서 MS COCO 데이터 세트에 대해 53.1% mAPtest를 달성합니다. 효율성이 뛰어나 고급 보안 시스템 및 빠르고 정확한 감지가 필요한 자율 시스템과 같은 실시간 애플리케이션에 적합합니다.
강점
- 높은 정확도 및 속도 균형: 실시간 작업을 위해 mAP와 추론 속도의 강력한 조합을 제공합니다.
- 효율적인 훈련: 추론 비용을 늘리지 않고 정확도를 향상시키기 위해 고급 훈련 기술("bag-of-freebies")을 활용합니다.
- 검증된 성능: MS COCO와 같은 표준 벤치마크에서 입증된 결과를 제공합니다.
약점
- 복잡성: 아키텍처와 학습 기법은 완전히 파악하고 최적화하기에 복잡할 수 있습니다.
- 리소스 집약적: 더 큰 YOLOv7 모델은 훈련에 상당한 GPU 리소스가 필요합니다.
- 제한적인 작업 다양성: 주로 객체 감지에 중점을 두어 YOLO11과 같은 통합 모델과 달리 분할 또는 분류와 같은 다른 작업에는 별도의 구현이 필요합니다.
- 단편화된 에코시스템: Ultralytics 에코시스템에서 볼 수 있는 통합 프레임워크, 광범위한 문서 및 활발한 유지 관리가 부족합니다.
Ultralytics YOLO11: 최첨단 효율성 및 다재다능함
Ultralytics YOLO11은 Ultralytics의 Glenn Jocher와 Jing Qiu가 제작했으며 YOLO 시리즈의 최신 진화를 나타냅니다. 2024년 9월 27일에 출시되었으며 사용자 친화적인 프레임워크 내에서 뛰어난 정확성, 향상된 효율성 및 더 넓은 작업 다재다능성을 위해 설계되었습니다.
- 저자: Glenn Jocher, Jing Qiu
- Organization: Ultralytics
- 날짜: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: https://docs.ultralytics.com/models/yolo11/
아키텍처 및 주요 기능
YOLO11의 아키텍처는 고급 특징 추출 기술과 간소화된 네트워크 설계를 통합하여 더 높은 정확도를 제공하며, 종종 YOLOv8 및 YOLOv7과 같은 이전 모델에 비해 파라미터 수가 감소합니다. 이러한 최적화는 더 빠른 추론 속도와 더 낮은 연산 요구 사항으로 이어지며, 이는 에지 장치에서 클라우드 인프라에 이르기까지 다양한 플랫폼에 배포하는 데 매우 중요합니다.
YOLO11의 주요 장점은 다재다능함입니다. 객체 감지, 인스턴스 분할, 이미지 분류, 포즈 추정 및 OBB(Oriented Bounding Box)를 기본적으로 지원하는 다중 작업 모델입니다. Ultralytics 생태계에 완벽하게 통합되어 간단한 Python 및 CLI 인터페이스, 광범위한 문서와 효율적인 훈련을 위해 즉시 사용 가능한 사전 훈련된 가중치를 통해 간소화된 사용자 경험을 제공합니다.
강점
- 최첨단 성능: 더욱 효율적인 아키텍처로 더 높은 mAP 점수를 달성합니다.
- 탁월한 효율성: CPU와 GPU 모두에서 뛰어난 속도를 제공하며, 유사한 정확도에 대해 YOLOv7보다 파라미터와 FLOPs가 훨씬 적습니다.
- 탁월한 다재다능함: 단일 통합 프레임워크에서 detection, segmentation, classification, pose 및 OBB를 기본적으로 지원합니다.
- 사용 편의성: 간단한 API, 포괄적인 문서, 노코드 학습 및 배포를 위한 Ultralytics HUB와 같은 도구와의 원활한 통합을 제공합니다.
- 잘 관리되는 에코시스템: 활발한 개발, 강력한 커뮤니티, 잦은 업데이트, 풍부한 리소스를 통해 이점을 얻으세요.
- 메모리 효율성: 훈련 및 추론 중 더 낮은 메모리 사용을 위해 설계되어 다른 아키텍처보다 접근성이 뛰어납니다.
약점
- 더 새로운 모델로서 일부 틈새 타사 도구 통합은 기존의 더 확립된 모델에 비해 아직 개발 중일 수 있습니다.
- 가장 큰 모델은 정확도가 높지만 훈련 및 배포를 위해 여전히 상당한 컴퓨팅 리소스가 필요할 수 있습니다.
성능 비교: YOLO11 vs. YOLOv7
성능 지표를 직접 비교하면 Ultralytics YOLO11의 장점이 분명해집니다. 이 모델은 전반적으로 정확도와 효율성 사이에서 더 나은 균형을 제공합니다.
모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 T4 TensorRT10 (ms) |
파라미터 (M) |
FLOPs (B) |
---|---|---|---|---|---|---|
YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
표에서 몇 가지 중요한 통찰력을 얻을 수 있습니다.
- 정확도 및 효율성: YOLO11l은 YOLOv7x (53.1)보다 높은 mAP (53.4)를 달성하면서 파라미터 (25.3M vs. 71.3M) 및 FLOP (86.9B vs. 189.9B)를 훨씬 적게 사용합니다.
- 추론 속도: YOLO11 모델은 특히 TensorRT를 사용하는 GPU에서 훨씬 빠릅니다. YOLO11l은 T4 GPU에서 YOLOv7x보다 거의 두 배 빠릅니다. 또한 YOLO11은 YOLOv7 데이터를 사용할 수 없는 많은 실제 배포에 중요한 지표인 ONNX를 통해 강력한 CPU 성능 벤치마크를 제공합니다.
- 확장성: YOLO11 제품군은 경량 YOLO11n(1.5ms 지연 시간)에서 고정밀 YOLO11x(54.7mAP)에 이르기까지 더 광범위하고 효율적인 모델 범위를 제공하므로 개발자는 특정 요구 사항에 맞는 완벽한 균형을 찾을 수 있습니다.
Ultralytics YOLO11을 선택해야 하는 이유
YOLOv7은 당시 강력한 모델이었지만, Ultralytics YOLO11은 최신 컴퓨터 비전 프로젝트에 대한 명확한 선택입니다. 정확도 및 속도와 같은 핵심 지표에서 YOLOv7을 능가할 뿐만 아니라 훨씬 더 우수한 사용자 경험과 보다 포괄적인 기능 세트를 제공합니다.
YOLO11을 선택해야 하는 주요 이점은 다음과 같습니다.
- 통합 프레임워크: 여러 비전 작업을 위해 사용하기 쉬운 단일 패키지로, 여러 저장소와 환경을 번갈아 사용할 필요가 없습니다.
- 활발한 개발 및 지원: 활발하게 유지 관리되는 Ultralytics 생태계의 일부인 YOLO11은 대규모 커뮤니티와 핵심 개발 팀으로부터 지속적인 업데이트, 버그 수정 및 지원을 받습니다.
- 제품 생산 준비 완료: 효율성, 쉬운 배포 및 강력한 툴링에 중점을 둔 YOLO11은 프로토타입 제작에서 대규모 생산에 이르기까지 실제 애플리케이션을 위해 구축되었습니다.
- 미래 보장: YOLO11을 채택함으로써 개발자는 최첨단 객체 감지 연구에 발맞추고 Ultralytics의 지속적인 혁신으로부터 혜택을 얻을 수 있습니다.
강력한 생태계에서 지원하는 최신식의 다재다능한 고성능 모델을 찾는 개발자에게 Ultralytics YOLO11은 확실한 선택입니다.
기타 모델 비교
더 자세한 내용을 알아보려면 YOLOv7, YOLO11 및 기타 관련 모델과 관련된 다음 비교를 살펴보십시오.
- YOLO11 vs YOLOv8
- YOLOv7 vs YOLOv8
- YOLOv7 vs YOLOv6
- RT-DETR vs YOLOv7
- YOLOv10과 같은 최신 모델과 주요 비교 페이지에서 다른 비교 모델들을 살펴보세요.