YOLOv10과 YOLOv7 비교

지난 몇 년간 컴퓨터 비전은 빠르게 발전하며 실시간 애플리케이션에 더욱 효율적인 아키텍처를 제공해 왔습니다. YOLOv10과 YOLOv7을 비교하면 이러한 발전 과정의 중요한 전환점을 확인할 수 있습니다. YOLOv7은 매우 효과적인 학습 전략과 아키텍처 스케일링을 도입했고, YOLOv10은 오랫동안 의존해 온 비최대 억제(NMS)를 제거해 배포를 간소화했습니다.

두 모델은 각각 출시 당시 객체 탐지의 한계를 넓혔으며, 현재는 Ultralytics 생태계와 YOLO26 같은 최신 모델을 통해 학습과 배포 워크플로를 더 간편하게 이용할 수 있습니다.

모델 개요 및 기원#

모델의 기원을 이해하면 아키텍처 설계 선택과 이를 뒷받침한 학술 연구를 파악하는 데 도움이 됩니다.

YOLOv10 세부 정보#

YOLOv10 자세히 알아보기

YOLOv7 세부 정보#

YOLOv7에 대해 자세히 알아보기

아키텍처 혁신#

YOLOv7 접근 방식#

2022년에 출시된 YOLOv7은 그래디언트 경로 최적화에 집중했습니다. E-ELAN(확장 효율적 레이어 집계 네트워크)을 도입해 원래 그래디언트 경로를 손상하지 않으면서 모델이 더 다양한 특징을 학습하도록 했습니다. 또한 학습 중 재매개변수화 기법을 적용하고 추론 시에는 이를 병합해 빠른 실행 속도를 유지하는 "학습 가능한 무료 성능 향상 기법 묶음"을 구현했습니다. 이러한 최적화에도 YOLOv7은 후처리에 NMS를 사용했으며, 밀도가 높은 장면을 분석할 때 지연 시간이 변동하는 문제가 있었습니다.

YOLOv10 접근 방식#

YOLOv10은 NMS 병목을 직접 해결했습니다. 학습 중 일관된 이중 할당을 도입해 칭화대학교 연구팀은 NMS 프리 엔드투엔드 탐지를 구현했습니다. 이중 헤드 접근 방식은 학습 중 풍부한 감독 신호를 제공하는 일대다 할당 분기와 NMS 프리 추론을 위한 일대일 할당 분기를 사용합니다. 이러한 아키텍처 전환은 고속 비디오 분석에 적합한 일관되고 낮은 추론 지연 시간을 제공합니다. 또한 YOLOv10은 이전 세대에서 발견된 계산 중복을 제거하는 종합적인 효율성 중심 모델 설계를 적용합니다.

후처리의 영향

NMS 후처리를 제거하면 추론 속도가 빨라지고, 사용자 지정 NMS 연산을 컴파일하기 어려운 AI 가속기와 NPU 같은 엣지 AI 하드웨어에 배포하기도 쉬워집니다.

성능 비교#

MS COCO 데이터셋의 원시 지표를 비교하면 세대 간 차이가 뚜렷하게 드러납니다. YOLOv10은 파라미터 수, 계산 요구 사항, 정확도 간에 훨씬 유리한 절충을 이룹니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

위 데이터에서 보듯 YOLOv10x는 YOLOv7x보다 더 높은 mAP(54.4% 대 53.1%)를 달성하면서 파라미터는 절반 미만만 사용합니다(29.5M 대 71.3M). 경량 YOLOv10 Nano 및 Small 모델은 빠른 TensorRT 배포 속도(T4에서 각각 1.84ms와 2.49ms)도 제공하므로 엣지 배포에 매력적입니다.

Ultralytics 생태계의 이점#

아키텍처 논문을 살펴보는 것도 유익하지만, 현대 컴퓨터 비전 개발에는 잘 관리되는 프레임워크가 필요합니다. 프로토타입에서 프로덕션으로 빠르게 전환하려는 개발자에게 Ultralytics 지원 모델을 선택하는 것은 큰 이점입니다.

간소화된 개발#

YOLOv10은 표준 Ultralytics Python 패키지에서 기본 지원되지만, 상위 저장소에서 학습한 YOLOv7 체크포인트를 Ultralytics에서 실행하려면 먼저 ONNX 또는 TensorRT로 내보내야 합니다. 기본 지원을 통해 상용구 코드를 간단하고 직관적인 API로 대체해 사용 편의성을 높입니다. Ultralytics YOLO 모델은 학습 중 무거운 Transformer 아키텍처보다 CUDA 메모리를 적게 사용하므로 일반 소비자용 하드웨어에서 배치 크기를 더 크게 설정할 수 있습니다.

다재다능함#

기존 저장소가 바운딩 박스 탐지에만 집중하는 경우가 많지만, Ultralytics 프레임워크는 YOLO26 및 YOLO11 같은 모델을 통해 다양한 태스크를 지원합니다. 인스턴스 세그멘테이션, 포즈 추정, 방향성 바운딩 박스(OBB) 탐지 중 어떤 작업을 수행하든 워크플로는 동일합니다.

코드 예제: 일관된 학습 워크플로#

다음 코드 예시는 데이터 증강과 학습률 스케줄링을 자동으로 처리하는 학습 과정을 보여줍니다.

from ultralytics import YOLO

# 원하는 모델을 불러옵니다(예: YOLOv10 또는 권장 모델인 YOLO26).
model = YOLO("yolo26n.pt")

# 데이터셋으로 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# 빠른 배포를 위해 ONNX 형식으로 내보냅니다.
model.export(format="onnx")

사용 사례 및 권장 사항#

YOLOv10과 YOLOv7 중 무엇을 선택할지는 프로젝트의 구체적인 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.

YOLOv10을 선택해야 하는 경우#

YOLOv10은 다음과 같은 경우에 적합합니다:

  • NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
  • 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
  • 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.

YOLOv7을 선택할 경우#

YOLOv7은 다음과 같은 경우에 권장됩니다.

  • 학술 벤치마킹: 2022년 당시의 최첨단 결과를 재현하거나 E-ELAN 및 학습 가능한 bag-of-freebies 기법의 효과를 연구하는 경우입니다.
  • 재파라미터화 연구: 계획된 재파라미터화 컨볼루션과 복합 모델 스케일링 전략을 조사하는 경우입니다.
  • 기존 커스텀 파이프라인: YOLOv7의 특정 아키텍처를 중심으로 구축되어 쉽게 리팩터링할 수 없는 맞춤형 파이프라인을 사용하는 프로젝트입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.

  • NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 기기에서 YOLO26n은 CPU 기준 YOLO11n보다 최대 43% 빠르게 실행됩니다.
  • 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.

새로운 표준: YOLO26 소개#

YOLOv10은 2024년에 크게 발전했지만 이 분야는 빠르게 변하고 있습니다. 새로운 개발에는 최신 세대 모델인 Ultralytics YOLO26을 권장합니다. 2026년 1월 출시된 YOLO26은 실시간 비전 AI에서 YOLOv7과 YOLOv10을 모두 대체합니다.

YOLO26은 최신 배포 환경에 맞춰 여러 가지 개선 사항을 제공합니다.

  • 엔드투엔드 NMS 프리 설계: YOLOv10이 마련한 기반을 발전시킨 YOLO26의 선택적 일대일 헤드(nms=False)는 NMS 후처리를 생략해 배포 파이프라인을 간소화하고 일관된 추론 속도를 제공합니다.
  • CPU 추론 최대 43% 향상: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 엣지 컴퓨팅과 전용 GPU가 없는 기기에 적합하며 하드웨어 비용을 줄일 수도 있습니다.
  • DFL 제거: Distribution Focal Loss(DFL)를 제거해 내보내기 로직을 간소화하고 저전력 엣지 기기와의 호환성을 높입니다.
  • MuSGD Optimizer: Moonshot AI의 Kimi K2에서 영감을 얻은 SGD와 Muon의 하이브리드로, 대규모 언어 모델(LLM) 학습 기법을 컴퓨터 비전에 적용해 더 안정적인 학습과 빠른 수렴을 지원합니다.
  • ProgLoss + STAL: 점진적 손실 함수와 소형 객체 인식 라벨 할당 전략은 드론, 로보틱스, 스마트 시티 모니터링에 중요한, 오랫동안 어려운 과제로 남아 있던 소형 객체 인식 성능을 높입니다.
  • 태스크별 개선 사항: YOLO26은 단순한 탐지 모델이 아닙니다. 인스턴스 세그멘테이션의 수렴을 개선하는 시맨틱 세그멘테이션 손실, 더 정확한 포즈 추정을 위한 잔차 로그 가능도 추정(RLE), OBB 경계 문제를 해결하는 특수 각도 손실을 추가합니다.
데이터셋 및 학습 관리

데이터셋을 관리하고 YOLO26을 학습하며 모델을 클라우드에 배포하려면 Ultralytics Platform을 살펴보세요. 코드 작성이 필요 없는 인터페이스를 Python 패키지와 함께 사용할 수 있습니다.

실제 활용 사례#

적합한 아키텍처를 선택하려면 하드웨어와 애플리케이션의 제약 조건을 충분히 고려해야 합니다.

YOLOv7을 사용할 경우#

YOLOv7은 특정 텐서 구조와 깊이 통합된 기존 파이프라인을 유지 관리하거나 2022년 및 2023년의 학술 벤치마크를 재현할 때 여전히 신뢰할 수 있는 선택입니다. 고성능 서버 GPU에서도 좋은 성능을 발휘합니다.

YOLOv10을 사용할 경우#

YOLOv10은 지연 시간을 일정하게 유지해야 하는 시나리오에 적합합니다. NMS 프리 헤드는 탐지 수에 따라 늘어나는 후처리를 피하므로, 객체 수는 달라져도 프레임별 처리 시간은 안정적으로 유지해야 하는 고밀도 군중 계수나 제조 결함 탐지에 효과적입니다.

YOLO26을 사용해야 하는 경우#

새 프로젝트에는 YOLO26을 권장합니다. Raspberry Pi에 보안 경보 시스템을 배포하는 작업부터 대규모 클라우드 기반 비디오 분석까지, 더 빠른 CPU 추론과 향상된 소형 객체 탐지 성능으로 이전 세대보다 확실한 이점을 제공합니다.

대체 아키텍처에 관심이 있는 개발자는 Ultralytics가 지원하는 RT-DETR 같은 Transformer 기반 탐지기와 이전 모델인 Ultralytics YOLO11도 살펴볼 수 있습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.