YOLO26 대 YOLOv7: 실시간 객체 탐지의 진화

컴퓨터 비전 분야는 빠르게 발전하고 있으며, 속도, 정확도, 배포 용이성 사이의 균형을 맞추기 위해서는 애플리케이션에 적합한 모델을 선택하는 것이 매우 중요합니다. 본 페이지에서는 Ultralytics 최신 최첨단 모델인 YOLOv7과YOLOv7(2022년 출시된 매우 권위 있는 기존 모델) 간의 기술적 비교를 제공합니다.

YOLOv7 E-ELAN과 같은 중대한 아키텍처 혁신을 YOLOv7 반면, YOLO26은 엔드투엔드 효율성, 네이티브 NMS 추론, 원활한 에지 배포를 향한 패러다임 전환을 상징합니다. 아래에서는 두 프레임워크의 아키텍처, 성능 지표, 이상적인 사용 사례를 분석하여 여러분의 요구에 가장 적합한 프레임워크를 선택하는 데 도움을 드리겠습니다.

성능 지표 비교

다음 표는 두 아키텍처 간의 성능 차이를 보여줍니다. YOLO26은 특히 최적화된 설계가 빛을 발하는 CPU 뛰어난 효율성을 입증합니다.

모델	크기 ^(픽셀)	mAP^val 50-95	속도 ^{CPU ONNX (ms)}	속도 ^{T4 TensorRT10 (ms)}	파라미터 ^(M)	FLOPs ^(B)
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

YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

YOLO26: 효율성의 새로운 기준

YOLO26, 출시된 Ultralytics 이 2026년 1월에 출시한 YOLO26은 YOLO11이 구축한 견고한 생태계를 기반으로 합니다. Glenn Jocher와 Jing Qiu가 설계한 이 모델은 머신 러닝 운영(MLOps) 파이프라인을 단순화하고 에지 디바이스에서의 추론을 향상시키기 위한 여러 혁신적인 기술을 도입합니다.

주요 아키텍처 혁신

YOLO26의 핵심 특징은 엔드투엔드 NMS 설계입니다. 중복 경계 상자를 필터링하기 위해 비최대 억제(NMS) 가 필요한 기존 탐지기와 달리, YOLO26은 최종 탐지 결과를 직접 출력하도록 훈련됩니다. 이로 인해 계산 비용이 큰 후처리 단계를 제거하여 지연 시간을 줄이고 결정론적 추론 시간을 확보합니다.

또한 YOLO26은 DFL 제거 기능을 갖추고 있습니다. 분포 초점 손실(DFL) 모듈을 제거함으로써 모델 아키텍처가 단순화됩니다. 이 변경은 내보내기 호환성에 매우 중요하며, 모델을 다음과 같은 형식으로 배포하는 것을 훨씬 쉽게 만듭니다. ONNX 이나 CoreML 과 같은 형식으로 모델을 배포하는 것을 훨씬 더 쉽게 만듭니다.

훈련 안정성

YOLO26은 Moonshot AI의 대규모 언어 모델(LLM) 훈련 혁신에서 영감을 받아 개발된 MuSGD 최적화기를 통합합니다. 이 하이브리드 접근법은 확률적 경사 하강법(SGD)과 뮤온(Muon)을 결합하여 트랜스포머 훈련의 안정성을 컴퓨터 비전 분야로 확장합니다.

성능 및 사용 사례

이전 세대 대비 최대 43% 빠른 CPU 성능을 자랑하는 YOLO26은 강력한 GPU가 부족한 애플리케이션에 이상적입니다. 라즈베리 파이 기반 보안 시스템이나 모바일 증강 현실이 대표적 사례입니다. ProgLoss와 STAL (Small-Target-Aware Label Assignment)의 통합으로 속도 향상에도 불구하고 소형 물체 탐지 능력이 탁월합니다. 이는 드론 영상 및 위성 분석에서 흔히 발생하는 과제입니다.

YOLO26에 대해 더 알아보기

YOLOv7: "무료 선물 꾸러미" 유산

YOLOv7는 2022년 7월 Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao에 의해 발표되었습니다. 출시 당시 속도와 정확도 측면에서 새로운 기준을 세웠습니다. 원본 연구는 그들의 Arxiv 논문에서 확인할 수 있습니다.

아키텍처와 방법론

YOLOv7 확장 효율적 레이어 집계 네트워크(E-ELAN)를 YOLOv7 . 이 아키텍처는 가장 짧고 긴 기울기 경로를 제어함으로써 모델이 더 다양한 특징을 학습할 수 있게 합니다. 재매개변수화 및 보조 헤드 훈련과 같은 '무료 기능 모음(bag-of-freebies)'—추론 비용을 증가시키지 않으면서 정확도를 높이는 훈련 방법—을 적극 활용했습니다.

현재 순위

YOLOv7 유능한 모델이지만, 앵커 기반 탐지에 의존하며 NMS 필요합니다. 현대적인 실시간 추론 시나리오에서는 이로 인해 지연 오버헤드가 발생하는데, YOLO26과 같은 최신 모델들은 이를 성공적으로 제거했습니다. 또한 Ultralytics 제공하는 원활한 툴링에 비해 생태계 지원이 덜 통합되어 있습니다.

7에 대해 자세히 알아보기

자세한 기술 비교

추론 속도와 자원 효율성

가장 큰 차이점 중 하나는 메모리 요구량과 연산 효율성에 있습니다. YOLO26은 모델 양자화에 최적화되어 정확도 손실을 최소화한 INT8 배포를 지원합니다. DFL 제거와 NMS 헤드를 통해 YOLO26은 추론 시 메모리 소비량이 적어 산업용 IoT(IIoT) 기기에 훨씬 더 유연하게 적용할 수 있습니다.

반면, YOLOv7 NMS 의존한다는 점은 장면 내 객체 수에 따라 추론 시간이 변동될 수 있음을 NMS ( NMS 탐지 개수에 비례하여 NMS 때문). 반면 YOLO26은 보다 일관되고 결정론적인 타이밍을 제공합니다.

다용도성과 작업 지원

Ultralytics 사용자가 작업 간 원활하게 전환할 수 있도록 지원합니다. YOLOv7 주로 탐지(별도 구현에서 일부 자세 분기 사용 가능)로 알려져 YOLOv7 반면, YOLO26은 통합된 프레임워크를 제공합니다.

YOLO26: 객체 탐지, 인스턴스 분할, 자세 추정, 방향성 바운딩 박스(OBB), 분류를 기본적으로 지원합니다.
YOLOv7: 주로 객체 탐지.

사용 편의성 및 에코시스템

Ultralytics 개발자 경험을 Ultralytics . YOLO26 모델 훈련에는 단 몇 줄의 Python 필요하지만, 기존 모델들은 종종 복잡한 셸 스크립트와 구성 파일에 의존합니다.

from ultralytics import YOLO

# Load a pretrained YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")

# Train on a custom dataset with a single command
model.train(data="coco8.yaml", epochs=100)

이 통합은 데이터 관리 및 클라우드 훈련을 간소화하는 Ultralytics 확장되며, 커뮤니티에 의해 지속적으로 업데이트되는 방대한 문서를 제공합니다.

결론

YOLO26과 YOLOv7 비교할 때, 선택은 프로젝트의 개발 주기 단계에 따라 달라집니다. 2022년경 구축된 기존 코드베이스를 유지 관리하는 경우 YOLOv7 유효한 선택지 YOLOv7 . 그러나 신규 개발의 경우 YOLO26이 더 우수한 옵션입니다.

YOLO26은 더 빠르고, 더 작으며, 훈련하기 쉬운 현대적인 아키텍처를 제공합니다. NMS 설계로 오랜 기간 지속된 배포 문제를 해결하며, MuSGD 최적화기는 안정적인 훈련 수렴을 보장합니다. Ultralytics 선택하면 시장 출시 기간을 단축하는 활발한 생태계와 도구에도 접근할 수 있습니다.

다른 현대적 아키텍처를 탐구하고자 하는 개발자들은 또한 다음을 고려해 볼 수 있습니다 YOLO11 또는 특정 오픈 어휘 작업용 YOLOE를 고려해 볼 수 있습니다.