YOLOv10과 YOLOv7 비교#
지난 몇 년간 컴퓨터 비전이 빠르게 발전하면서 실시간 애플리케이션에 사용할 더욱 효율적인 아키텍처가 등장했습니다. YOLOv10과 YOLOv7을 비교하면 이러한 발전 과정에서 중요한 전환점을 확인할 수 있습니다. YOLOv7은 매우 효과적인 학습 전략과 아키텍처 확장을 도입했으며, YOLOv10은 오랫동안 이어진 비최대 억제(NMS) 의존성을 제거해 배포 방식을 혁신했습니다.
두 모델 모두 각자 출시된 시기에 객체 검출의 한계를 넓혔지만, 현대적인 Ultralytics 생태계와 YOLO26과 같은 차세대 모델은 오늘날 AI 실무자에게 훨씬 뛰어난 워크플로를 제공합니다.
모델 개요 및 기원#
모델의 기원을 이해하면 아키텍처 설계 선택과 이를 뒷받침한 학술 연구를 파악하는 데 도움이 됩니다.
YOLOv10 세부 정보#
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 날짜: 2024-05-23
- Arxiv: YOLOv10: 실시간 엔드투엔드 객체 검출
- GitHub: THU-MIG/yolov10
- 문서: Ultralytics YOLOv10 문서
YOLOv7 세부 정보#
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2022-07-06
- Arxiv: YOLOv7: 학습 가능한 bag-of-freebies로 새로운 최첨단 성능 달성
- GitHub: WongKinYiu/yolov7
- 문서: Ultralytics YOLOv7 문서
아키텍처 혁신#
YOLOv7 접근 방식#
2022년에 출시된 YOLOv7은 그래디언트 경로 최적화에 중점을 두었습니다. YOLOv7은 원래 그래디언트 경로를 훼손하지 않으면서 모델이 더 다양한 특징을 학습하도록 하는 Extended Efficient Layer Aggregation Network(E-ELAN)를 도입했습니다. 또한 저자들은 학습 중 재파라미터화 기법을 사용하고 추론 시 이를 융합해 빠른 실행 속도를 유지하는 "학습 가능한 bag-of-freebies" 방법론을 구현했습니다. 이러한 인상적인 최적화에도 불구하고 YOLOv7은 후처리에서 여전히 NMS에 크게 의존했으며, 밀집 장면을 분석할 때 지연 시간이 변동하는 문제가 있었습니다.
YOLOv10의 획기적인 발전#
YOLOv10은 NMS 병목 현상을 직접 해결했습니다. 칭화대학교 연구팀은 학습 중 일관된 이중 할당을 도입해 NMS 없는 엔드투엔드 검출을 구현했습니다. 이중 헤드 방식은 학습 중 풍부한 감독 신호를 제공하는 일대다 할당 브랜치 하나와 NMS 없는 추론을 위한 일대일 할당 브랜치 하나를 사용합니다. 이러한 아키텍처 변화는 고속 비디오 분석에 적합한 일관되고 매우 낮은 추론 지연 시간을 보장합니다. 또한 YOLOv10은 이전 세대에서 발견된 계산 중복을 제거하는, 효율성과 정확도를 종합적으로 고려한 모델 설계를 적용합니다.
후처리에서 NMS를 제거하면 추론 속도가 빨라질 뿐 아니라, 커스텀 NMS 연산을 컴파일하기 매우 어려운 AI 가속기 및 NPU와 같은 엣지 AI 하드웨어에 대한 배포도 크게 간소화됩니다.
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.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
위에서 볼 수 있듯이 YOLOv10x는 YOLOv7x의 53.1%보다 높은 54.4%의 mAP를 달성하면서 파라미터는 절반도 사용하지 않습니다(29.5M 대 71.3M). 또한 경량 YOLOv10 모델(Nano 및 Small)은 뛰어난 TensorRT 배포 속도를 제공하므로 모바일 배포에 매우 적합합니다.
Ultralytics 생태계의 이점#
아키텍처 논문을 살펴보는 것도 유익하지만, 현대적인 컴퓨터 비전 개발에는 견고하고 지속적으로 관리되는 프레임워크가 필요합니다. Ultralytics가 지원하는 모델을 선택하면 프로토타입에서 프로덕션으로 빠르게 전환하려는 개발자에게 큰 이점이 됩니다.
간소화된 개발#
YOLOv10은 표준 Ultralytics Python 패키지에서 기본적으로 지원됩니다. 반면 업스트림에서 학습한 YOLOv7 체크포인트는 ONNX 또는 TensorRT로 내보낸 후에만 Ultralytics에서 실행할 수 있습니다. 기본 지원은 수천 줄의 보일러플레이트 코드를 간단하고 직관적인 API로 대체해 탁월한 사용 편의성을 제공합니다. 또한 Ultralytics YOLO 모델은 학습 중 무거운 트랜스포머 아키텍처보다 훨씬 적은 CUDA 메모리를 사용하므로 소비자용 하드웨어에서 더 큰 배치 크기를 사용할 수 있습니다.
탁월한 다재다능성#
기존 저장소는 바운딩 박스 검출에만 집중하는 경우가 많지만, 통합 Ultralytics 프레임워크는 매우 다양한 작업을 원활하게 지원합니다. 인스턴스 분할, 포즈 추정, 회전 바운딩 박스(OBB) 검출 중 어떤 작업을 수행하든 워크플로는 동일합니다.
코드 예제: 일관된 학습 워크플로#
다음 코드 예제에서는 데이터 증강과 학습률 스케줄링을 자동으로 처리하는 원활한 학습 과정을 보여 줍니다.
from ultralytics import YOLO
# 원하는 모델을 불러옵니다(예: YOLOv10 또는 권장 모델인 YOLO26).
model = YOLO("yolo26n.pt")
# 데이터셋에서 간편하게 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 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
새로운 표준: YOLO26 소개#
YOLOv10은 2024년에 크게 도약했지만, 컴퓨터 비전 분야는 매우 빠르게 발전하고 있습니다. 모든 신규 개발에는 최신 세대 모델인 Ultralytics YOLO26을 강력히 권장합니다. 2026년 1월에 출시된 YOLO26은 실시간 비전 AI의 정점으로, YOLOv7과 YOLOv10을 모두 크게 뛰어넘습니다.
YOLO26은 현대적인 배포 환경에 맞춰 설계된 전례 없는 혁신을 제공합니다.
- 엔드투엔드 NMS 없는 설계: YOLOv10이 마련한 기반을 바탕으로, YOLO26의 선택적 일대일 헤드(
nms=False)는 NMS 후처리를 제거하여 배포 파이프라인을 간소화하고 일관된 고속 추론을 지원합니다. - 최대 43% 빠른 CPU 추론: 엣지 컴퓨팅과 전용 GPU가 없는 디바이스에 맞춰 대폭 최적화되어 하드웨어 비용을 크게 절감합니다.
- DFL 제거: Distribution Focal Loss를 완전히 제거해 내보내기 로직을 크게 간소화하고 저전력 엣지 디바이스 및 마이크로컨트롤러와의 호환성을 대폭 향상합니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2에서 영감을 얻은 SGD와 Muon의 하이브리드 옵티마이저로, 대규모 언어 모델(LLM) 학습의 혁신을 컴퓨터 비전에 직접 적용해 매우 안정적인 학습 동역학과 빠른 수렴을 실현합니다.
- ProgLoss + STAL: 이러한 고급 손실 함수는 드론, 로보틱스 및 스마트시티 모니터링에 중요한 분야이자 역사적으로 어려운 소형 객체 인식 성능을 눈에 띄게 향상합니다.
- 작업별 개선 사항: YOLO26은 단순한 검출기가 아닙니다. 전용 시맨틱 분할 손실, 초정밀 포즈 추정을 위한 Residual Log-Likelihood Estimation(RLE), OBB 경계 문제를 해결하는 전용 각도 손실 알고리즘을 포함합니다.
데이터셋 관리, YOLO26 학습, 클라우드 모델 배포를 위한 최상의 경험을 원한다면 Ultralytics Platform을 살펴보세요. Python SDK를 완벽하게 보완하는 노코드 인터페이스를 제공합니다.
실제 활용 사례#
적합한 아키텍처를 선택하려면 하드웨어와 애플리케이션의 제약 조건을 충분히 고려해야 합니다.
YOLOv7을 사용할 경우#
YOLOv7은 특정 텐서 구조와 깊이 통합된 기존 파이프라인을 유지하거나 2022년 및 2023년의 학술 벤치마크를 재현할 때 여전히 신뢰할 수 있는 선택입니다. 고성능 서버 GPU에서도 우수한 성능을 발휘합니다.
YOLOv10을 사용할 경우#
YOLOv10은 엄격하고 일정한 지연 시간이 필요한 시나리오에서 강점을 발휘합니다. NMS가 없으므로 객체 수가 크게 변동하더라도 프레임당 처리 시간을 일정하게 유지해야 하는 밀집 군중 계수나 제조 결함 검출에 적합합니다.
YOLO26을 사용해야 하는 경우#
YOLO26은 모든 신규 프로젝트에서 확실한 선택입니다. 기본 Raspberry Pi에 정교한 보안 경보 시스템을 배포하는 것부터 대규모 클라우드 기반 비디오 분석을 실행하는 것까지, 우수한 CPU 속도와 고급 소형 객체 검출 기능으로 이전 세대 모델보다 훨씬 뛰어난 성능을 제공합니다.
다른 최신 아키텍처를 살펴보려는 개발자를 위해 RT-DETR과 같은 트랜스포머 기반 검출기와 이전 세대의 대표 모델인 Ultralytics YOLO11도 폭넓게 지원합니다.