Ultralytics YOLO27:

YOLO26 vs YOLOv7#

실시간 객체 감지의 발전 과정에서는 수많은 이정표가 세워졌으며, Ultralytics YOLO26과 YOLOv7은 컴퓨터 비전 역량을 크게 도약시킨 두 모델입니다. YOLOv7은 2022년에 정확도 벤치마크를 재정의한 강력한 "bag-of-freebies" 방법론을 도입했으며, 새롭게 출시된 YOLO26 아키텍처는 엣지 우선 최적화, 네이티브 엔드투엔드 처리, 그리고 대규모 언어 모델(LLM) 혁신에서 영감을 얻은 안정적인 학습 동역학을 선도적으로 구현합니다.

이 심층 분석에서는 두 아키텍처를 비교하고 성능 지표, 구조적 차이, 이상적인 배포 시나리오를 분석하여 머신 러닝 엔지니어가 다음 비전 AI 프로젝트에 대해 정보에 기반한 결정을 내릴 수 있도록 지원합니다.

아키텍처 심층 분석 및 세부 정보#

성능 데이터를 살펴보기 전에 각 모델의 기원과 주요 목표를 이해하는 것이 중요합니다.

Ultralytics YOLO26#

YOLOv7#

YOLOv7에 대해 자세히 알아보세요

고려할 대체 모델

더 폭넓은 생태계를 살펴보고 있다면, 균형 잡힌 멀티태스크 배포를 위한 YOLO11이나 시퀀스 기반 감지를 위한 Transformer 기반 RT-DETR에도 관심을 가져볼 수 있습니다. YOLOv8 및 YOLOv5와 같은 이전 모델도 레거시 통합을 위해 Ultralytics Platform에서 계속 완벽하게 지원됩니다.

아키텍처 심층 분석#

YOLO26과 YOLOv7의 아키텍처 철학은 크게 다릅니다. 이는 고성능 GPU 성능 극대화에서 원활한 엔드투엔드 엣지 배포 최적화로 초점이 전환되었음을 보여줍니다.

YOLO26: 엣지 우선 패러다임#

2026년에 출시된 YOLO26은 배포 파이프라인을 근본적으로 재구상합니다. 가장 중요한 혁신은 엔드투엔드 NMS 제거 설계입니다. 비최대 억제(NMS) 후처리를 제거함으로써 YOLO26은 지연 시간의 변동성을 크게 줄입니다. 이 개념은 YOLOv10에서 처음 성공적으로 도입되었습니다. 따라서 밀집된 장면에서도 일관된 프레임 속도를 유지할 수 있으며, 이는 자율 로보틱스와 교통 모니터링에 매우 중요합니다.

또한 YOLO26은 분포 초점 손실(DFL)을 완전히 제거합니다. 이 DFL 제거는 ONNX 및 Apple CoreML과 같은 형식으로의 export 과정을 단순화하며, 최대 43% 더 빠른 CPU 추론을 달성합니다.

학습 안정성도 또 다른 주요 초점입니다. 표준 확률적 경사 하강법과 Muon을 결합한 하이브리드 방식인 MuSGD Optimizer는 Kimi K2의 학습 동역학에서 영감을 얻었으며, 고급 LLM 학습 안정성을 컴퓨터 비전에 적용합니다. ProgLoss + STAL 손실 함수와 결합된 YOLO26은 실시간 detector의 오랜 과제였던 작은 객체 인식에서 뛰어난 성능을 발휘합니다.

YOLOv7: Bag-of-Freebies의 완성#

YOLOv7은 그래디언트 경로 최적화에 대한 철저한 연구를 기반으로 구축되었습니다. 핵심 혁신은 확장 효율적 계층 집계 네트워크(E-ELAN)이며, 이를 통해 모델은 기존 그래디언트 경로를 방해하지 않고 더욱 다양한 feature를 학습할 수 있습니다.

YOLOv7 아키텍처는 추론 중 재매개변수화 기법에도 크게 의존합니다. 이는 기본적으로 계층을 융합하여 학습 중 습득한 풍부한 feature 표현을 희생하지 않고 속도를 높이는 방식입니다. 표준 NVIDIA TensorRT 서버 GPU에서는 강력하지만, 이 접근 방식은 여전히 anchor 기반 detection head와 기존 NMS에 의존하므로 저전력 장치에서 배포 마찰을 일으킬 수 있습니다.

성능 비교#

아래 표는 표준 COCO dataset으로 학습한 모델을 직접 비교한 결과를 제공합니다. YOLO26은 parameter와 FLOPs의 탁월한 균형을 유지하면서 정확도(mAP)를 크게 향상시킵니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

참고: YOLO26x는 mAP에서 YOLOv7x를 인상적인 차이(57.5 대 53.1)로 앞서면서 약 22% 더 적은 parameter를 사용합니다.

Ultralytics 생태계의 이점#

개발자들이 YOLO26을 꾸준히 선택하는 주요 이유는 Ultralytics Platform과의 긴밀한 통합입니다. 이전 아키텍처에 필요한 독립형 script와 달리, Ultralytics는 원활하고 통합된 workflow를 제공합니다.

  1. 사용 편의성: Python API를 사용하면 몇 줄의 코드만으로 모델을 불러오고, 학습하고, 배포할 수 있습니다. TensorFlow Lite와 같은 모바일 형식으로 export할 때도 argument 하나만 변경하면 됩니다.
  2. 메모리 요구 사항: Ultralytics 모델은 학습 효율성을 위해 세심하게 설계되었습니다. 무거운 vision Transformer 모델에 비해 훨씬 적은 CUDA 메모리를 사용하므로, 연구자는 소비자용 하드웨어에서 더 큰 batch size를 실행할 수 있습니다.
  3. 범용성: YOLOv7은 task마다 완전히 다른 repository가 필요하지만, YOLO26은 하나의 일관된 library에서 Image Classification, Instance Segmentation, Pose Estimation, Oriented Bounding Box(OBB) detection을 네이티브로 지원합니다. 또한 human pose pipeline을 위한 Residual Log-Likelihood Estimation(RLE)과 같은 task별 손실 함수도 포함합니다.
  4. 활발한 개발: Ultralytics 오픈 소스 커뮤니티는 빈번한 업데이트를 제공하여 edge case를 신속하게 해결하고 최신 PyTorch release와의 지속적인 호환성을 보장합니다.
간소화된 Export

YOLO26은 네이티브로 NMS를 사용하지 않으므로 Intel OpenVINO 또는 ONNX Runtime을 사용해 embedded target에 배포할 때 복잡한 후처리 script가 완전히 필요하지 않습니다.

실제 사용 사례#

이러한 모델의 아키텍처 차이는 이상적인 배포 시나리오를 결정합니다.

YOLO26을 선택해야 하는 경우#

YOLO26은 현대적이고 미래 지향적인 컴퓨터 비전 시스템에 가장 확실하게 권장되는 모델입니다.

  • 엣지 AI 및 IoT: CPU 추론이 43% 더 빠르고 parameter 수가 적은 YOLO26n은 Raspberry Pi와 같은 제약이 있는 장치나 스마트 시티 카메라에 적합합니다.
  • 드론 및 항공 이미지: ProgLoss + STAL 통합은 작은 객체 detection을 크게 향상시켜 pipeline 검사와 정밀 농업에 최적의 선택이 되도록 합니다.
  • 멀티태스크 로보틱스: bounding box, segmentation mask, pose keypoint를 동시에 처리하면서도 메모리 오버헤드가 최소이므로, 동적 로봇 navigation 및 interaction에 매우 적합합니다.

YOLOv7을 고려할 시점#

대부분 최신 아키텍처로 대체되었지만 YOLOv7은 특정 niche 용도에서 여전히 유용합니다.

  • 학술 벤치마킹: 새로운 anchor 기반 detection head를 개발하거나 그래디언트 경로 전략을 연구하는 연구자들은 Papers With Code와 같은 플랫폼에서 표준 baseline 비교 대상으로 YOLOv7을 자주 사용합니다.
  • 레거시 GPU pipeline: 강력한 AWS EC2 P4d 인스턴스에서 YOLOv7의 특정 tensor output과 custom NMS 설정을 중심으로 맞춤 구축된 enterprise 시스템은 전체 시스템을 리팩터링해야 할 때까지 최신 모델로의 migration을 미룰 수 있습니다.

코드 예제: 시작하기#

개발자 경험은 표준 연구 repository와 Ultralytics 생태계의 뚜렷한 차이를 보여줍니다. custom YOLO26 모델을 학습하는 과정은 매우 간단합니다.

from ultralytics import YOLO

# Load the latest state-of-the-art YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model on your custom dataset with automated caching and logging
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# Perform an end-to-end NMS-free prediction on an external image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export the optimized model for edge deployment
model.export(format="onnx")

최종 의견#

YOLOv7은 실시간 객체 감지 역사에서 여전히 존경받는 이정표이지만, 업계는 배포 단순성, 멀티태스크 범용성, 엣지 효율성을 우선시하는 모델로 빠르게 전환했습니다.

NMS를 제거하고 MuSGD optimizer를 도입했으며 CPU 추론 속도를 크게 향상시킨 Ultralytics YOLO26은 오늘날 개발자와 enterprise 엔지니어를 위한 확실한 선택입니다. 강력하고 사용하기 쉬운 Ultralytics 생태계와 결합되어 속도, 정확도, 엔지니어링 편의성의 탁월한 균형을 제공합니다.

기여자
GLglenn-jocher11

댓글