YOLO26과 YOLOv7 비교

실시간 객체 감지에는 많은 이정표가 있었으며, Ultralytics YOLO26과 YOLOv7은 그중에서도 주목할 만한 모델입니다. YOLOv7은 2022년에 새로운 정확도 기준을 세운 "bag-of-freebies" 방법론을 도입했고, YOLO26은 엣지 우선 최적화, 선택적 엔드투엔드 추론, 대규모 언어 모델(LLM) 학습에서 영감을 받은 안정적인 학습 동역학을 더했습니다.

이 페이지에서는 두 아키텍처의 성능 지표, 구조적 차이, 적합한 배포 시나리오를 분석하여 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 배포를 위한 YOLO11이나 어텐션 기반 탐지를 위한 Transformer 기반 RT-DETR에도 관심을 가질 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 성능 극대화에서 엔드투엔드 엣지 배포 최적화로의 전환을 반영합니다.

YOLO26: 엣지 우선 설계#

2026년 1월에 출시된 YOLO26은 배포 파이프라인을 새롭게 설계했습니다. 가장 중요한 변화는 엔드투엔드 NMS 프리 설계입니다. 선택적 일대일 헤드(nms=False)를 사용해 비최대 억제(NMS) 후처리를 생략함으로써 YOLO26은 지연 시간 변동성을 줄입니다. 이 개념은 YOLOv10에서 처음 도입되었습니다. 덕분에 인구 밀도가 높은 장면에서도 일관된 프레임률을 유지할 수 있어 자율 로봇과 교통 모니터링에 중요합니다.

YOLO26은 분포 초점 손실(DFL)도 제거합니다. DFL 제거를 통해 ONNX 및 Apple CoreML과 같은 형식으로 내보내는 과정이 간소화되며, YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빨라집니다.

학습 안정성도 주요 초점입니다. 표준 확률적 경사 하강법과 Muon을 결합한 하이브리드인 MuSGD Optimizer는 Kimi K2의 학습 동역학에서 영감을 얻어 LLM 학습의 안정성을 컴퓨터 비전에 적용합니다. ProgLoss + STAL(점진적 손실 및 소형 객체 인식형 레이블 할당)과 결합해 YOLO26은 실시간 탐지기의 오랜 과제였던 소형 객체 인식 성능을 개선합니다.

YOLOv7: 학습 가능한 무료 성능 향상 기법 모음#

YOLOv7은 경사 경로 최적화를 자세히 연구한 결과를 바탕으로 개발되었습니다. 핵심 혁신인 확장 효율 레이어 집계 네트워크(E-ELAN)를 통해 원래의 경사 경로를 방해하지 않으면서 모델이 더 다양한 특징을 학습할 수 있습니다.

YOLOv7 아키텍처는 추론 중 재매개변수화 기법도 활용합니다. 이는 학습 중 습득한 풍부한 특징 표현을 유지하면서 속도를 높이기 위해 레이어를 융합하는 방식입니다. 표준 NVIDIA TensorRT 서버 GPU에서는 효과적이지만, 앵커 기반 탐지 헤드와 기존 NMS를 계속 사용하므로 저전력 장치에 배포할 때 문제가 발생할 수 있습니다.

성능 비교#

아래 표는 표준 COCO 데이터셋으로 학습한 모델을 직접 비교합니다. YOLO26은 더 적은 파라미터와 FLOPs로 정확도(mAP를 높입니다. 예를 들어 YOLO26l은 YOLOv7l의 51.4에 비해 55.0 mAP를 달성하며, 파라미터 수는 36.9M 대비 24.8M입니다.

모델크기
(픽셀)
mAPval50-95속도
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 약 22% 적은 파라미터를 사용하면서 mAP에서 YOLOv7x를 능가합니다(57.5 대 53.1).

Ultralytics 생태계의 이점#

개발자가 YOLO26을 선택하는 주요 이유는 Ultralytics Platform과의 통합입니다. 구형 아키텍처에 필요한 독립형 스크립트와 달리 Ultralytics는 통합 워크플로를 제공합니다.

  1. 간편한 사용: Python API를 사용하면 몇 줄의 코드만으로 모델을 불러오고, 학습시키고, 배포할 수 있습니다. LiteRT와 같은 모바일 형식으로 내보낼 때는 인수 하나만 변경하면 됩니다.
  2. 메모리 요구사항: Ultralytics 모델은 학습 효율성을 고려해 설계되었습니다. 일반적으로 대규모 비전 Transformer 모델보다 CUDA 메모리가 적게 필요하므로, 연구자는 일반 소비자용 하드웨어에서 더 큰 배치 크기를 사용할 수 있습니다.
  3. 다양한 활용성: YOLOv7은 작업별로 별도의 코드 분기를 사용하지만, YOLO26은 단일 라이브러리에서 인스턴스 분할, 시맨틱 분할, 깊이 추정, 이미지 분류, 포즈 추정, 회전 바운딩 박스(OBB) 탐지를 기본 지원합니다. 또한 사람 포즈 파이프라인에 사용하는 잔차 로그 우도 추정(RLE)과 같은 작업별 손실 함수도 포함합니다.
  4. 활발한 개발: Ultralytics 오픈소스 커뮤니티는 잦은 업데이트를 제공하고 엣지 케이스를 신속하게 수정하며 최신 PyTorch 릴리스와의 호환성을 지속적으로 유지합니다.
간소화된 내보내기

YOLO26은 정확도를 위해 기본적으로 NMS를 사용하는 일대다 헤드를 선택합니다. nms=False을 사용해 내보내면 NMS 프리 헤드가 선택되므로, Intel OpenVINO 또는 ONNX Runtime을 사용하는 임베디드 타깃에 배포할 때 별도의 NMS 후처리 스크립트가 필요하지 않습니다.

실제 활용 사례#

이 모델들의 아키텍처 차이에 따라 각각 적합한 배포 시나리오가 달라집니다.

YOLO26을 선택해야 하는 경우#

YOLO26은 새로운 컴퓨터 비전 시스템에 권장되는 선택입니다.

  • 엣지 AI 및 IoT: CPU 추론 속도가 빠르고 파라미터 수가 적은 YOLO26n은 Raspberry Pi와 같은 제약된 장치나 스마트 시티 카메라에 적합합니다.
  • 드론 및 항공 영상: ProgLoss + STAL 통합으로 소형 객체 감지 성능이 향상되어 파이프라인 검사와 정밀 농업에 적합합니다.
  • 멀티태스크 로보틱스: 하나의 프레임워크에서 적은 메모리 오버헤드로 바운딩 박스, 분할 마스크, 포즈 키포인트를 처리하므로 역동적인 로봇 내비게이션 및 상호작용에 적합합니다.

YOLOv7을 고려해야 하는 경우#

대부분 최신 아키텍처로 대체되었지만, YOLOv7은 여전히 특정 용도로 사용됩니다.

  • 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 경험은 표준 연구 저장소와 다릅니다. 사용자 지정 YOLO26 모델은 몇 줄의 코드로 학습할 수 있습니다.

from ultralytics import YOLO

# 최신 YOLO26 소형 모델을 로드합니다
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 감지 역사에서 중요한 이정표로 인정받고 있지만, 업계는 배포의 간편성, 멀티태스크 활용성, 엣지 효율성을 우선시하는 모델로 전환했습니다.

선택적 NMS 프리 추론, MuSGD 옵티마이저, 더 빠른 CPU 추론을 제공하는 Ultralytics YOLO26은 오늘날 개발자와 엔터프라이즈 엔지니어에게 권장되는 선택입니다. 사용자 친화적인 Ultralytics 생태계와 함께 속도, 정확도, 사용 편의성 간의 뛰어난 균형을 제공합니다.

댓글2

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.

  1. Murat Raimbekov(수정됨)

    hey @ShadowSinence, good question - and no, yolo26 doesn't have any "irreparable defect", it's actually the opposite. a few practical reasons why you still see lots of cnki papers building on v7/v8/v10:

    1. publication timeline lag. yolo26 was released on 2026-01-14, just about four months ago. academic papers usually take 6-18 months from research start to publication, so most papers being submitted now started their experiments back when v7/v8/v10 were the latest stable options.

    2. baseline reproducibility. papers like "improved yolov8 with attention module x for medical detection" rely on a well-established baseline with years of comparison literature. switching to a brand-new model means redoing every comparison from scratch and using a baseline reviewers may not yet be familiar with.

    3. ecosystem maturity. v8 in particular has thousands of github forks, third-party custom modules, and chinese-language tutorials. for graduate students under time pressure, building on a mature codebase is faster than learning a new one.

    4. architectural surface. v26 is nms-free, removes dfl, and uses a new musgd optimizer. great for deployment, but it changes a lot of the surface that anchor-based / nms-based ablations rely on. researchers comparing apples-to-apples often stick with the older anchor/nms setup.

    on raw benchmarks, v26 does lead across the size sweep:

    modelmAP50-95params (M)flops (B)
    yolo26x57.555.7193.9
    yolov7x53.171.3189.9

    so v26x is +4.4 mAP with ~22% fewer params. this lag in academic adoption is normal for any new release - it usually takes a year or so before papers built on it start appearing in numbers.

    for choosing a model for your own work, the models index lays out the trade-offs side by side.

  2. ShadowSinenceGitHub

    既然有更多优秀的yolo模型,为什么在知网上仍有专家教授继续使用v7,v8,v10的模型进行改进,而不是直接使用v26,难道26仍有什么不可弥补的缺陷吗