YOLOv10과 YOLOv7#
지난 몇 년간 컴퓨터 비전의 빠른 발전으로 실시간 애플리케이션을 위한 아키텍처가 점점 더 효율적으로 개선되었습니다. YOLOv10과 YOLOv7을 비교하면 이러한 발전 과정에서 중요한 전환기를 확인할 수 있습니다. YOLOv7은 매우 효과적인 학습 전략과 아키텍처 스케일링을 도입한 반면, YOLOv10은 오랫동안 의존해 온 비최대 억제(NMS)를 제거하여 배포 방식을 혁신했습니다.
두 모델 모두 출시 당시 객체 감지의 한계를 확장했지만, 오늘날의 AI 실무자에게는 최신 Ultralytics 생태계와 YOLO26과 같은 차세대 모델이 훨씬 뛰어난 워크플로를 제공합니다.
모델 프로필 및 기원#
이러한 모델의 기원을 이해하면 아키텍처 설계 선택과 이를 뒷받침한 학술 연구에 대한 중요한 맥락을 파악할 수 있습니다.
YOLOv10 세부 정보#
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 기관: 칭화대학교
- 날짜: 2024-05-23
- Arxiv: YOLOv10: 실시간 end-to-end 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: 훈련 가능한 공짜 점수 패키지로 최고 수준 달성
- GitHub: WongKinYiu/yolov7
- 문서: Ultralytics YOLOv7 문서
아키텍처 혁신#
YOLOv7 접근 방식#
2022년에 출시된 YOLOv7은 그래디언트 경로 최적화에 중점을 두었습니다. YOLOv7은 확장 효율적 레이어 집계 네트워크(E-ELAN)를 도입하여 기존 그래디언트 경로를 손상시키지 않고 모델이 더욱 다양한 특징을 학습할 수 있도록 했습니다. 또한 저자들은 "학습 가능한 bag-of-freebies" 방법론을 구현하여 학습 중에 재매개변수화 기법을 활용하고, 추론 시에는 이를 융합해 제거함으로써 빠른 실행 속도를 유지했습니다. 이러한 인상적인 최적화에도 불구하고 YOLOv7은 후처리를 위해 여전히 NMS에 크게 의존했으며, 밀집 장면 분석에서 지연 시간이 가변적으로 발생했습니다.
YOLOv10의 획기적 발전#
YOLOv10은 NMS 병목 현상을 직접 해결했습니다. 칭화대학교 연구팀은 학습 중 일관된 이중 할당을 도입하여 NMS가 필요 없는 엔드투엔드 감지를 구현했습니다. 이중 헤드 방식은 학습 중 풍부한 지도 신호를 제공하기 위해 일대다 할당을 사용하는 한 브랜치와, NMS 없는 추론을 위해 일대일 할당을 사용하는 다른 브랜치로 구성됩니다. 이러한 아키텍처 변화는 고속 비디오 분석에 적합한 일관된 초저 추론 지연 시간을 보장합니다. 또한 YOLOv10은 효율성과 정확도를 중심으로 한 종합적인 모델 설계를 적용하여 이전 세대에서 발견된 계산 중복을 제거합니다.
NMS 후처리를 제거하면 추론 속도가 빨라질 뿐만 아니라, 사용자 지정 NMS 연산을 컴파일하기 매우 어려운 AI 가속기와 NPU 같은 엣지 AI 하드웨어에 대한 배포도 크게 간소화됩니다.
성능 비교#
MS COCO 데이터셋의 원시 지표를 비교하면 세대 간 격차가 분명하게 드러납니다. YOLOv10은 파라미터 수, 계산 요구량, 정확도 간에 훨씬 더 유리한 절충점을 달성합니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
위에서 확인할 수 있듯이 YOLOv10x는 YOLOv7x의 53.1%보다 높은 54.4%의 mAP를 달성하면서도 파라미터를 약 20% 적게 사용합니다. 또한 경량 YOLOv10 모델(Nano 및 Small)은 뛰어난 TensorRT 배포 속도를 제공하므로 모바일 배포에 매우 매력적입니다.
Ultralytics 생태계의 이점#
아키텍처 논문을 연구하는 것은 유익하지만, 현대 컴퓨터 비전 개발은 견고하고 지속적으로 유지 관리되는 프레임워크에 의존합니다. Ultralytics가 지원하는 모델을 선택하면 프로토타입에서 프로덕션으로 빠르게 전환하려는 개발자에게 상당한 이점이 있습니다.
간소화된 개발#
YOLOv10과 YOLOv7은 모두 표준 Ultralytics Python 패키지를 통해 사용할 수 있습니다. 이를 통해 탁월한 사용 편의성을 제공하며, 수천 줄의 상용구 코드를 간단하고 직관적인 API로 대체합니다. 또한 Ultralytics YOLO 모델은 무거운 Transformer 아키텍처에 비해 학습 중 훨씬 적은 CUDA 메모리를 사용하므로, 일반 소비자용 하드웨어에서도 더 큰 배치 크기를 사용할 수 있습니다.
탁월한 범용성#
기존 리포지토리는 대개 바운딩 박스 감지에만 엄격히 초점을 맞추지만, 통합된 Ultralytics 프레임워크는 매우 다양한 작업을 원활하게 지원합니다. 인스턴스 세그멘테이션, 포즈 추정, 회전 바운딩 박스(OBB) 감지 중 어떤 작업을 수행하더라도 워크플로는 동일하게 유지됩니다.
코드 예제: 일관된 학습 워크플로#
다음 코드 스니펫은 데이터 증강과 학습률 스케줄링을 자동으로 처리하는 원활한 학습 프로세스를 보여줍니다.
from ultralytics import YOLO
# Load the desired model (YOLOv10, YOLOv7, or the recommended YOLO26)
model = YOLO("yolo26n.pt")
# Train the model effortlessly on your dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)
# Export to ONNX format for rapid deployment
model.export(format="onnx")사용 사례 및 권장 사항#
YOLOv10과 YOLOv7 중 어느 것을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
YOLOv10을 선택해야 하는 경우#
YOLOv10은 다음과 같은 경우에 적합합니다:
- NMS-Free 실시간 탐지: 비최대 억제 없이 엔드투엔드 탐지의 이점을 활용하여 배포 복잡성을 줄이는 애플리케이션입니다.
- 균형 잡힌 속도-정확도 절충: 다양한 모델 규모에서 추론 속도와 탐지 정확도 사이의 뛰어난 균형이 필요한 프로젝트입니다.
- 일관된 지연 시간이 필요한 애플리케이션: 로보틱스 또는 자율 시스템과 같이 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.
YOLOv7을 선택해야 하는 경우#
다음과 같은 경우 YOLOv7을 권장합니다:
- 학술 벤치마킹: 2022년 당시의 state-of-the-art 결과를 재현하거나 E-ELAN 및 학습 가능한 bag-of-freebies 기법의 효과를 연구하는 경우입니다.
- 재매개변수화 연구: 계획된 재매개변화 컨볼루션과 복합 모델 스케일링 전략을 조사하는 경우입니다.
- 기존 사용자 지정 파이프라인: YOLOv7의 특정 아키텍처를 기반으로 구축되어 쉽게 리팩터링할 수 없는 고도로 사용자 지정된 파이프라인을 사용하는 프로젝트입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
- 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 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 정점에 해당하며 YOLOv7과 YOLOv10을 모두 크게 앞섭니다.
YOLO26은 최신 배포 환경을 위해 특별히 설계된 전례 없는 혁신을 제공합니다.
- 엔드투엔드 NMS 없는 설계: YOLOv10이 마련한 기반을 바탕으로 YOLO26은 NMS 후처리를 기본적으로 제거하여 배포 파이프라인을 간소화하고 일관된 고속 추론을 제공합니다.
- 최대 43% 더 빠른 CPU 추론: 엣지 컴퓨팅과 전용 GPU가 없는 디바이스에 맞춰 고도로 최적화되어 하드웨어 비용을 크게 절감합니다.
- DFL 제거: Distribution Focal Loss를 완전히 제거하여 내보내기 로직을 획기적으로 간소화하고 저전력 엣지 디바이스 및 마이크로컨트롤러와의 호환성을 크게 향상합니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2에서 영감을 받은 SGD와 Muon의 하이브리드로, 대규모 언어 모델(LLM) 학습 혁신을 컴퓨터 비전에 직접 적용하여 매우 안정적인 학습 동역학과 빠른 수렴을 제공합니다.
- ProgLoss + STAL: 이러한 고급 손실 함수는 소형 객체 인식 성능을 크게 향상합니다. 소형 객체 인식은 역사적으로 어려운 영역이지만 드론, 로보틱스, 스마트 시티 모니터링에 매우 중요합니다.
- 작업별 개선: YOLO26은 단순한 감지기가 아닙니다. 특화된 시맨틱 세그멘테이션 손실, 초정밀 포즈 추적을 위한 잔차 로그 우도 추정(RLE), OBB 경계 문제를 제거하는 특화된 각도 손실 알고리즘을 포함합니다.
데이터셋 관리, YOLO26 학습, 클라우드 모델 배포를 위한 최상의 경험을 원한다면 Ultralytics Platform을 살펴보십시오. Python SDK를 완벽하게 보완하는 노코드 인터페이스를 제공합니다.
실제 사용 사례#
적합한 아키텍처를 선택하는 일은 하드웨어와 애플리케이션의 제약 조건에 크게 좌우됩니다.
YOLOv7을 사용해야 하는 경우#
YOLOv7은 특정 텐서 구조와 깊이 통합된 레거시 파이프라인을 유지 관리하거나 2022년 및 2023년의 학술 벤치마크를 재현할 때 여전히 신뢰할 수 있는 선택입니다. 고급 서버 GPU에서 뛰어난 성능을 발휘합니다.
YOLOv10을 사용해야 하는 경우#
YOLOv10은 엄격하고 변하지 않는 지연 시간이 필요한 시나리오에서 강점을 보입니다. NMS가 필요 없기 때문에 객체 수는 크게 변동하더라도 프레임당 처리 시간은 일정하게 유지되어야 하는 고밀도 군중 수 계산이나 제조 결함 감지에 적합합니다.
YOLO26을 사용해야 하는 경우#
YOLO26은 모든 그린필드 프로젝트를 위한 확실한 선택입니다. 기본적인 Raspberry Pi에 정교한 보안 경보 시스템을 배포하는 작업부터 대규모 클라우드 기반 비디오 분석까지, 뛰어난 CPU 속도와 고급 소형 객체 감지 기능을 통해 이전 세대보다 월등한 성능을 제공합니다.
대체 현대적 아키텍처를 살펴보려는 개발자를 위해 RT-DETR과 같은 Transformer 기반 감지기 및 이전 세대의 대표 모델인 Ultralytics YOLO11에 대한 광범위한 지원도 제공합니다.