YOLO11과 YOLOv7 비교

컴퓨터 비전은 빠르게 발전하고 있으며, 실시간 객체 탐지는 가장 널리 배포된 애플리케이션 중 하나로 남아 있습니다. 적절한 아키텍처를 선택하려면 속도, 정확도, 배포 편의성 사이의 균형을 맞춰야 합니다. 이 가이드에서는 두 가지 주요 아키텍처인 Ultralytics YOLO11과 YOLOv7을 기술적으로 비교합니다.

모델 배경 및 기술 세부 정보#

두 모델 모두 딥러닝 커뮤니티에 영향을 미쳤지만, 개발 철학과 시대적 배경은 서로 다릅니다.

YOLO11 세부 정보:

YOLOv7 세부 정보:

YOLOv7에 대해 자세히 알아보기

아키텍처 차이#

두 탐지 모델 모두 현대적인 설계 개념을 활용하지만, 구조적 기반은 서로 다릅니다.

YOLOv7은 확장 효율 계층 집계 네트워크(E-ELAN) 개념을 도입했습니다. 연구 논문에 설명된 이 아키텍처는 원래의 그래디언트 경로를 손상하지 않으면서 네트워크의 학습 능력을 지속적으로 향상하도록 설계되었습니다. YOLOv7은 학습 중 구조적 재매개변수화와 학습 가능한 "무료 혜택 묶음" 방식을 활용하여 추론 비용을 높이지 않고 COCO 데이터셋에서 전반적인 정확도를 개선합니다.

반면 YOLO11은 Ultralytics 아키텍처를 기반으로 합니다. 더 적은 파라미터로 메모리 사용량을 줄이는 동시에 더욱 정교한 특징 추출 파이프라인을 강조합니다. YOLO11은 더 적은 파라미터를 사용하면서도 대형 모델에 필적하거나 이를 뛰어넘는 탐지 정확도를 달성해 우수한 성능 균형을 제공합니다. 또한 YOLO11은 더 다양한 작업을 지원하므로 현대적인 컴퓨터 비전 애플리케이션에 활용하기 좋습니다.

메모리 효율

Ultralytics YOLO 모델은 일반적으로 다른 많은 탐지 모델보다 학습 중 메모리를 적게 사용하므로, 개발자는 소비자용 GPU에서 PyTorch를 사용해 성능이 뛰어난 네트워크를 학습할 수 있습니다.

성능 및 지표 비교#

실제 환경에서의 실용성을 파악하려면 평균 정밀도(mAP), 추론 속도, 모델 파라미터, 연산 복잡도(FLOPs)와 같은 지표를 비교해야 합니다. 다음 표는 YOLO11의 스케일별 모델과 더 큰 YOLOv7 모델을 비교합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

YOLO11x는 YOLOv7x의 53.1 mAP에 비해 54.7 mAP를 달성하며, 비슷한 T4 TensorRT 지연 시간에서 파라미터는 더 적습니다(56.9M 대 71.3M). l 스케일에서 YOLO11l은 YOLOv7l보다 정확도가 높고(53.4 대 51.4 mAP), 속도가 빠르며(6.2ms 대 6.84ms), 크기가 작습니다(파라미터 25.3M 대 36.9M).

학습 효율성과 생태계 사용 편의성#

두 아키텍처를 구분하는 가장 중요한 특징 중 하나는 개발자 경험과 이를 둘러싼 생태계입니다.

YOLOv7은 본질적으로 학술 연구용 저장소입니다. 모델 학습에는 복잡한 환경 설정, 수동 종속성 관리, 긴 명령줄 인수가 필요한 경우가 많습니다. 연구 실험을 지원하지만, YOLOv7 GitHub 저장소의 코드를 사용자 지정 프로덕션 환경에 적용하는 데는 시간이 많이 걸릴 수 있습니다.

YOLO11은 사용 편의성에 중점을 둡니다. 전체 워크플로를 포괄하는 잘 관리된 생태계인 Ultralytics Platform에 완전히 통합되어 있습니다. 데이터 어노테이션과 로컬 학습부터 배포까지, 통합 Python API와 간편한 명령줄 인터페이스로 전체 프로세스를 효율화합니다.

코드 비교#

YOLO11로 객체 탐지 모델을 학습하는 데는 몇 줄의 코드면 충분합니다.

from ultralytics import YOLO

# 사전 학습된 YOLO11 소형 모델을 불러옵니다
model = YOLO("yolo11s.pt")

# 통합 API를 사용해 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# 빠르게 ONNX 형식으로 내보냅니다
model.export(format="onnx")

반면 일반적인 YOLOv7 학습 명령은 다음과 같으며, 경로와 구성 파일, bash 스크립트를 신중하게 설정해야 합니다.

python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights 'yolov7_training.pt'

YOLO11은 활용 범위도 더 넓습니다. YOLOv7은 탐지 이외의 작업(자세 추정 또는 분할 등)을 지원하려면 별도의 분기나 수정이 필요한 반면, YOLO11은 단일 통합 프레임워크에서 객체 탐지, 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 경계 상자(OBB) 탐지를 처리합니다.

간편한 내보내기

YOLO11을 TensorRT 또는 OpenVINO와 같은 형식으로 내보내는 데는 명령 하나면 충분하므로, 기존 모델에서 흔히 발생하는 연산자 지원 문제를 완화할 수 있습니다.

실제 애플리케이션과 적합한 사용 사례#

YOLOv7과 YOLO11 중 무엇을 선택할지는 프로젝트 범위와 배포 제약 조건에 따라 달라집니다.

YOLOv7을 고려할 경우:

  • 기존 모델 벤치마킹: 그래디언트 경로 설계를 연구하는 학술 연구자는 새로운 합성곱 신경망을 평가하기 위한 기준 모델로 YOLOv7을 사용할 수 있습니다.
  • 기존 사용자 지정 파이프라인: YOLOv7 고유의 바운딩 박스 디코딩 로직을 중심으로 구축된 고도로 사용자 지정된 C++ 또는 CUDA 파이프라인을 보유한 팀에 적합합니다.

YOLO11을 선택할 경우:

  • 상용 프로덕션: 스마트 리테일 또는 의료 진단 애플리케이션은 YOLO11의 유지 관리가 잘되는 코드베이스와 안정성으로 이점을 얻을 수 있습니다.
  • 리소스 제약 환경: YOLO11n은 경량이므로 ONNX를 통해 모바일 및 엣지 장치에 배포하기에 적합합니다.
  • 멀티태스크 프로젝트: 단일 애플리케이션에서 사람을 식별하고 골격(자세)을 매핑하며 사람이 들고 있는 객체를 세그먼테이션해야 한다면 YOLO11이 통합 솔루션을 제공합니다.

YOLO26으로 나아가기#

YOLO11은 여전히 신뢰할 수 있는 선택이지만, 현재 새 프로젝트를 시작하는 엔지니어에게는 Ultralytics YOLO26을 권장합니다.

2026년 1월에 출시된 YOLO26은 비최대 억제 후처리 지연 시간을 없애는 선택형 엔드투엔드 NMS 없는 설계(nms=False)를 도입했습니다. YOLO26은 대규모 언어 모델(LLM) 학습 방식에서 영감을 받은 MuSGD 옵티마이저도 추가해 수렴 속도를 높입니다. 작은 객체를 위한 ProgLoss + STAL과 DFL 제거로 YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빨라지며, YOLO26은 엣지 컴퓨팅에 최적화되어 있습니다.

특수한 대체 구조에 관심이 있다면, 트랜스포머 기반 RT-DETR 또는 동적 오픈 어휘 YOLO-World 모델을 살펴보는 것도 특정 컴퓨터 비전 배포 환경에 적합할 수 있습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.