Ultralytics YOLO27:
Get Started

YOLO26과 YOLOv7 비교#

실시간 객체 탐지의 발전 과정에는 수많은 이정표가 있었으며, Ultralytics YOLO26과 YOLOv7은 컴퓨터 비전 역량을 크게 도약시킨 두 모델입니다. YOLOv7은 2022년 정확도 기준을 새롭게 정의한 강력한 "공짜 혜택 묶음" 방법론을 도입한 반면, 새로 출시된 YOLO26 아키텍처는 엣지를 우선하는 최적화, 기본 엔드투엔드 처리, 대규모 언어 모델(LLM) 혁신에서 영감을 얻은 안정적인 학습 동역학을 선보입니다.

이 심층 분석에서는 두 아키텍처의 성능 지표, 구조적 차이, 적합한 배포 시나리오를 비교하여 머신러닝 엔지니어가 다음 비전 AI 프로젝트에서 현명한 결정을 내릴 수 있도록 돕습니다.

모델 배경 및 세부 정보#

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

Ultralytics YOLO26#

YOLOv7#

YOLOv7에 대해 자세히 알아보기

함께 고려할 대체 모델

더 폭넓은 생태계를 살펴보고 있다면 균형 잡힌 멀티태스크 배포에 적합한 YOLO11이나 시퀀스 기반 탐지를 위한 Transformer 기반 RT-DETR에도 관심이 있을 수 있습니다. YOLOv8 및 YOLOv5와 같은 구형 모델도 레거시 통합을 위해 Ultralytics Platform에서 계속 완벽하게 지원됩니다.

아키텍처 심층 분석#

YOLO26과 YOLOv7의 아키텍처 철학은 크게 다릅니다. 이는 고성능 GPU 성능을 극대화하는 방식에서 원활한 엔드투엔드 엣지 배포를 최적화하는 방식으로의 변화를 반영합니다.

YOLO26: 엣지 우선 패러다임#

2026년에 출시된 YOLO26은 배포 파이프라인을 근본적으로 재검토합니다. 가장 중요한 혁신은 엔드투엔드 NMS 없는 설계입니다. 후처리 단계에서 비최대 억제(NMS)를 제거하여 지연 시간 변동성을 크게 줄였습니다. 이 개념은 YOLOv10에서 처음 성공적으로 시험 적용되었습니다. 이를 통해 장면에 객체가 밀집된 경우에도 일관된 프레임 속도를 유지할 수 있으며, 이는 자율 로봇 공학과 교통 모니터링에 매우 중요합니다.

또한 YOLO26은 분포 초점 손실(DFL)을 완전히 제거합니다. 이러한 DFL 제거는 ONNX 및 Apple CoreML과 같은 형식으로 내보내는 과정을 간소화하고 CPU 추론 속도를 최대 43% 향상합니다.

학습 안정성도 주요 중점 분야입니다. 표준 확률적 경사 하강법과 Muon을 결합한 하이브리드인 MuSGD 옵티마이저를 도입하여 Kimi K2의 학습 동역학에서 영감을 얻은 고급 LLM 학습 안정성을 컴퓨터 비전에 적용합니다. ProgLoss + STAL 손실 함수와 결합하면 YOLO26은 실시간 탐지기가 오랫동안 어려움을 겪어 온 소형 객체 인식에서 뛰어난 성능을 발휘합니다.

YOLOv7: 프리비의 향연을 완성하다#

YOLOv7은 그래디언트 경로 최적화에 대한 철저한 연구를 바탕으로 개발되었습니다. 핵심 혁신인 확장 효율적 계층 집계 네트워크(E-ELAN)는 기존 그래디언트 경로를 방해하지 않으면서 모델이 더욱 다양한 특징을 학습할 수 있도록 합니다.

YOLOv7 아키텍처는 추론 중 재매개변수화 기법에도 크게 의존하며, 기본적으로 계층을 융합해 학습 중 습득한 풍부한 특징 표현을 유지하면서 속도를 높입니다. 표준 NVIDIA TensorRT 서버 GPU에서는 강력한 성능을 발휘하지만, 이 접근 방식은 여전히 앵커 기반 탐지 헤드와 기존 NMS에 의존하므로 저전력 장치에 배포할 때 마찰이 생길 수 있습니다.

성능 비교#

아래 표는 표준 COCO 데이터셋으로 학습한 모델을 직접 비교합니다. YOLO26은 매개변수 수와 FLOPs의 탁월한 균형을 유지하면서 정확도(mAP)를 크게 향상합니다.

모델크기
(픽셀)		mAP검증
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

참고: YOLO26x는 YOLOv7x보다 mAP가 상당히 높으며(57.5 대 53.1), 매개변수는 약 22% 적게 사용합니다.

Ultralytics 생태계의 이점#

개발자가 꾸준히 YOLO26을 선택하는 주된 이유는 Ultralytics Platform과의 긴밀한 통합입니다. 이전 아키텍처에 필요했던 독립형 스크립트와 달리, Ultralytics는 매끄럽고 통합된 워크플로를 제공합니다.

  1. 사용 편의성: Python API를 사용하면 몇 줄의 코드만으로 모델을 불러오고 학습 및 배포할 수 있습니다. LiteRT와 같은 모바일 형식으로 내보내는 작업도 인수 하나만 변경하면 됩니다.
  2. 메모리 요구 사항: Ultralytics 모델은 학습 효율을 높이도록 세심하게 설계되었습니다. 대규모 비전 Transformer 모델보다 CUDA 메모리를 훨씬 적게 사용하므로 연구자는 일반 소비자용 하드웨어에서 더 큰 배치 크기로 실행할 수 있습니다.
  3. 다용도성: YOLOv7은 작업별로 완전히 다른 저장소를 사용해야 하지만, YOLO26은 단일 통합 라이브러리에서 이미지 분류, 인스턴스 분할, 자세 추정, 방향 경계 상자(OBB) 탐지를 기본 지원합니다. 또한 사람 자세 파이프라인을 위한 잔차 로그 우도 추정(RLE) 등 작업별 손실 함수도 포함합니다.
  4. 활발한 개발: Ultralytics 오픈 소스 커뮤니티는 자주 업데이트를 제공하여 예외 사례를 신속하게 해결하고 최신 PyTorch 릴리스와 지속적으로 호환되도록 합니다.
간소화된 내보내기

YOLO26은 기본적으로 NMS가 필요하지 않으므로 nms=False을 사용해 내보내고 Intel OpenVINO 또는 ONNX Runtime으로 임베디드 타깃에 배포하면 복잡한 후처리 스크립트를 완전히 제거할 수 있습니다.

실제 활용 사례#

이 모델들의 아키텍처 차이에 따라 각 모델의 적합한 배포 시나리오가 달라집니다.

YOLO26을 선택해야 하는 경우#

YOLO26은 현대적이고 미래 지향적인 컴퓨터 비전 시스템에 단연 권장되는 모델입니다.

  • 엣지 AI 및 IoT: CPU 추론 속도가 43% 빠르고 매개변수 수가 적은 YOLO26n은 Raspberry Pi와 같은 제약된 장치나 스마트 시티 카메라에 적합합니다.
  • 드론 및 항공 이미지: ProgLoss + STAL 통합으로 소형 객체 탐지 성능이 크게 향상되어 파이프라인 검사와 정밀 농업에 최적의 선택입니다.
  • 다중 작업 로보틱스: 메모리 오버헤드를 최소화하면서 경계 상자, 분할 마스크, 자세 키포인트를 동시에 쉽게 처리하므로 동적 로봇 내비게이션과 상호작용에 매우 적합합니다.

YOLOv7을 고려해야 하는 경우#

대부분 최신 아키텍처로 대체되었지만, YOLOv7은 특정 틈새 용도에서 여전히 유용합니다.

  • 학술 벤치마킹: 새로운 앵커 기반 탐지 헤드를 개발하거나 그래디언트 경로 전략을 연구하는 연구자는 YOLOv7을 표준 기준 모델로 자주 사용합니다.
  • 레거시 GPU 파이프라인: 강력한 AWS EC2 P4d 인스턴스에서 YOLOv7의 특정 텐서 출력과 맞춤형 NMS 구성에 맞춰 구축된 엔터프라이즈 시스템은 전체 시스템 리팩터링이 필요해질 때까지 최신 모델로의 마이그레이션을 미룰 수 있습니다.

코드 예제: 시작하기#

개발자 경험을 보면 일반적인 연구 저장소와 Ultralytics 생태계의 뚜렷한 차이를 알 수 있습니다. 맞춤형 YOLO26 모델은 놀라울 정도로 간단하게 학습할 수 있습니다.

from ultralytics import YOLO

# 최신 최첨단 YOLO26 소형 모델 불러오기
model = YOLO("yolo26s.pt")

# 자동 캐싱 및 로깅을 사용하여 맞춤 데이터셋으로 모델 학습하기
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# 외부 이미지에 대해 종단 간 NMS 없는 예측 수행하기
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# 엣지 배포를 위해 최적화된 모델 내보내기
model.export(format="onnx")

마무리#

YOLOv7은 실시간 객체 탐지 역사에서 중요한 이정표로 존중받고 있지만, 업계는 배포 간소성, 다중 작업 다용도성, 엣지 효율성을 우선시하는 모델로 빠르게 전환했습니다.

NMS 없는 추론을 제공하고 MuSGD 옵티마이저를 도입했으며 CPU 추론 속도를 크게 향상한 Ultralytics YOLO26은 오늘날 개발자와 엔터프라이즈 엔지니어에게 가장 확실한 선택입니다. 강력하고 사용하기 쉬운 Ultralytics 생태계와 결합하여 속도, 정확도, 엔지니어링 경험의 탁월한 균형을 제공합니다.

기여자
GLglenn-jocher12

댓글