YOLOv5와 YOLOv7
더 빠르고 정확한 실시간 객체 탐지에 대한 요구로 인해 컴퓨터 비전 분야는 지난 몇 년 동안 빠르게 발전했습니다. 프로젝트에 적합한 아키텍처를 선택하려면 Ultralytics YOLOv5와 YOLOv7 같은 인기 모델의 차이를 이해하는 것이 중요합니다. 이 기술 비교에서는 아키텍처, 학습 방법론, 성능 지표, 이상적인 배포 시나리오를 다루어 정보에 기반한 결정을 내릴 수 있도록 돕습니다.
한눈에 보기: 모델의 기원#
이 모델들의 기원과 설계 철학을 이해하면 각 아키텍처가 선택된 배경을 파악할 수 있습니다.
YOLOv5 세부 정보:
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: YOLOv5 저장소
- 문서: YOLOv5 문서
YOLOv7 세부 정보:
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2022-07-06
- arXiv: YOLOv7 논문
- GitHub: YOLOv7 저장소
- 문서: YOLOv7 문서
이 모델들이 다른 모델과 어떻게 비교되는지 궁금하신가요? YOLOv5와 YOLO11 비교 또는 YOLOv7과 EfficientDet 비교 등을 살펴보고 객체 탐지 생태계에 대한 이해를 넓혀 보세요.
아키텍처 혁신과 차이점#
YOLOv5: 접근성의 기준#
2020년 Ultralytics가 공개한 YOLOv5는 PyTorch 프레임워크를 네이티브하게 기반으로 구축되어 연구자와 개발자의 진입 장벽을 크게 낮췄습니다. 아키텍처는 수정된 CSPDarknet53 백본을 사용하며, Cross Stage Partial (CSP) 네트워크를 통합해 그래디언트 흐름을 유지하면서 매개변수 수를 줄입니다.
가장 큰 강점 중 하나는 낮은 메모리 요구 사항입니다. YOLOv5는 기존 2단계 탐지기나 RT-DETR 같은 대형 Transformer 모델보다 학습 중 CUDA 메모리를 훨씬 적게 사용하므로, 표준 소비자용 GPU에서 더 큰 배치 크기를 사용할 수 있습니다. 또한 범용성도 제공합니다. 원본 YOLOv5 리포지토리는 객체 탐지, 인스턴스 세그멘테이션, 이미지 분류를 지원합니다.
YOLOv7: 실시간 정확도의 한계를 뛰어넘다#
2022년 중반에 공개된 YOLOv7은 MS COCO 벤치마크에서 실시간 탐지의 최첨단 정확도를 높이는 데 집중했습니다. 저자들은 기존 그래디언트 경로를 손상시키지 않으면서 네트워크의 학습 능력을 향상하는 Extended Efficient Layer Aggregation Network (E-ELAN)을 도입했습니다.
YOLOv7은 특히 학습 중 여러 모듈을 추론용 단일 합성곱 레이어로 변환해 정확도 저하 없이 속도를 높이는 재매개변수화 기법인 '학습 가능한 공짜 혜택 묶음'으로도 잘 알려져 있습니다. 그러나 이러한 복잡한 학습 방법론은 네이티브 Ultralytics 생태계와 비교해 학습 곡선을 가파르게 하고 내보내기 파이프라인을 덜 직관적으로 만드는 경우가 많습니다.
성능 비교#
이러한 모델을 평가할 때는 속도, 정확도, 계산 비용 간의 성능 균형이 핵심입니다. 아래에서는 MS COCO val2017 데이터셋을 기준으로 성능 지표를 자세히 비교합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
YOLOv7은 대형 모델에서 절대 mAP 점수가 더 높지만, YOLOv5는 엣지 디바이스용 경량 Nano(YOLOv5n)부터 클라우드 추론용 Extra-Large(YOLOv5x)까지 더 다양한 모델 크기를 제공합니다.
Ultralytics 생태계의 이점#
모델의 유용성은 아키텍처 자체에만 좌우되지 않습니다. 모델을 둘러싼 생태계에 따라 프로덕션 배포 속도가 결정됩니다. Ultralytics 모델이 강점을 발휘하는 부분이 바로 여기에 있습니다.
- 사용 편의성: Ultralytics Platform과 통합 Python API는 간소화된 사용자 경험, 단순한 구문, 풍부한 문서를 제공합니다. 맞춤형 데이터셋 학습에는 최소한의 상용구 코드만 필요합니다.
- 잘 관리되는 생태계: Ultralytics는 활발한 개발, 잦은 업데이트, 강력한 커뮤니티 지원의 이점을 누립니다. Comet과 Weights & Biases 같은 도구와의 통합도 기본 제공됩니다.
- 학습 효율: 데이터 로더, 스마트 캐싱, 멀티 GPU 지원을 통해 Ultralytics 모델을 효율적으로 학습할 수 있습니다. 바로 사용할 수 있는 사전 학습 가중치는 전이 학습을 가속합니다.
코드 예제: 시작하기#
Ultralytics를 사용하면 몇 줄의 코드만으로 모델을 배포할 수 있습니다. 다음 Python 코드 예제는 권장 ultralytics 패키지를 사용해 모델을 로드하고 학습한 후 추론을 실행하는 과정이 얼마나 간단한지 보여 줍니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv5s 모델 로드
model = YOLO("yolov5su.pt") # YOLOv5u: ultralytics 패키지용 앵커 프리 YOLOv5 가중치
# COCO8 예제 데이터셋으로 모델 학습
# Ultralytics에서 데이터 다운로드와 증강을 자동으로 처리합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 샘플 이미지에서 추론 실행
predictions = model("https://ultralytics.com/images/bus.jpg")
# 예측 결과 표시
predictions[0].show()반면, 원본 YOLOv7 저장소를 사용하려면 일반적으로 복잡한 저장소를 복제하고, 종속성을 수동으로 관리하며, 긴 명령줄 인수를 사용해야 합니다.
실제 애플리케이션과 적합한 사용 사례#
YOLOv7을 선택할 경우#
YOLOv7은 최대 mAP가 유일한 목표이고 시스템이 앵커 기반 출력 텐서에 맞춰 이미 구성된 경우, 학술 벤치마킹이나 특정 레거시 GPU 파이프라인에 여전히 적합한 후보입니다. 그래디언트 경로 분석을 수행하는 연구자들은 YOLOv7을 기준 모델로 활용하는 경우가 많습니다.
YOLOv5를 선택할 경우#
YOLOv5는 안정성 덕분에 프로덕션 환경에서 널리 사용됩니다. 다음과 같은 경우에 가장 먼저 고려할 모델입니다.
- 모바일 및 엣지 컴퓨팅: CoreML을 통해 iOS에, LiteRT를 통해 Android에 YOLOv5n을 배포할 수 있습니다.
- 민첩한 스타트업: 빠른 반복 주기가 필요한 팀은 데이터셋 관리와 클라우드 학습을 위한 Ultralytics Platform 통합의 이점을 누릴 수 있습니다.
- 멀티태스크 환경: 객체 탐지, 세그멘테이션, 분류를 결합하는 시스템입니다.
미래: YOLO26으로 전환하기#
YOLOv5와 YOLOv7을 비교하면 비전 AI의 발전 과정을 이해하는 데 큰 도움이 되지만, 기술 수준은 계속 발전해 왔습니다. 2026년 1월에 공개된 Ultralytics YOLO26은 새 프로젝트를 시작할 때 권장되는 모델입니다.
YOLO26은 YOLOv5와 YOLOv7에 비해 다음과 같은 여러 장점을 제공합니다.
- 엔드투엔드 NMS 없는 설계: Non-Maximum Suppression 후처리(
nms=False)를 선택적으로 생략하여 YOLO26은 배포를 간소화하고 지연 시간의 일관성을 높입니다. - MuSGD 옵티마이저: Moonshot AI의 LLM 혁신에서 영감을 얻은 이 하이브리드 옵티마이저는 안정적인 학습과 빠른 수렴을 지원합니다.
- 더 빠른 엣지 추론: 엣지 환경에 최적화된 YOLO26n은 Distribution Focal Loss (DFL)를 제거한 덕분에 CPU에서 YOLO11n보다 최대 43% 빠르게 실행됩니다.
- 더 높은 정확도: ProgLoss + STAL 같은 새로운 학습 기법은 소형 객체 인식 성능을 향상해 드론 영상과 로보틱스에 유용합니다.
기존 YOLOv5 파이프라인을 유지 관리하거나 YOLO26을 도입하는 경우, Ultralytics Platform은 어노테이션, 학습, 배포 도구를 제공합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.