Link to this sectionYOLOv5 대 YOLOv7#
컴퓨터 비전 분야는 지난 몇 년간 더 빠르고 정확한 실시간 객체 탐지에 대한 요구에 힘입어 빠르게 발전해 왔습니다. 컴퓨터 비전 프로젝트를 위한 적절한 아키텍처를 선택할 때, Ultralytics YOLOv5와 YOLOv7 같은 인기 모델 간의 미묘한 차이를 이해하는 것은 매우 중요합니다. 이 포괄적인 기술 비교에서는 정보에 입각한 의사결정을 내릴 수 있도록 두 모델의 아키텍처, 학습 방법론, 성능 지표 및 이상적인 배포 시나리오를 심층적으로 분석합니다.
Link to this section한눈에 보기: 모델의 기원#
이 모델들의 기원과 설계 철학을 이해하면 아키텍처 선택에 대한 배경 지식을 얻을 수 있습니다.
YOLOv5 상세 정보:
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: YOLOv5 저장소
- 문서: YOLOv5 문서
YOLOv7 상세 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 설명서
이 모델들이 다른 모델과 어떻게 비교되는지 궁금하신가요? YOLOv5 대 YOLO11 또는 YOLOv7 대 EfficientDet과 같은 비교 자료를 확인하여 객체 탐지 생태계에 대한 이해를 넓혀보십시오.
Link to this section아키텍처 혁신 및 차이점#
Link to this sectionYOLOv5: 접근성의 표준#
2020년 Ultralytics에서 선보인 YOLOv5는 PyTorch 프레임워크를 기본적으로 활용하여 연구자와 개발자의 진입 장벽을 크게 낮춤으로써 패러다임의 전환을 가져왔습니다. 이 아키텍처는 수정된 CSPDarknet53 백본에 의존하며, Cross Stage Partial(CSP) 네트워크를 통합하여 그래디언트 흐름을 유지하면서 파라미터 수를 줄였습니다.
가장 큰 강점 중 하나는 메모리 요구 사항입니다. 이전의 2단계 탐지기나 RT-DETR과 같은 무거운 Transformer 모델과 비교할 때, YOLOv5는 학습 중 훨씬 적은 CUDA 메모리를 사용하여 일반 소비자용 GPU에서도 더 큰 배치 크기를 처리할 수 있습니다. 또한, 기본적으로 통합된 범용성을 통해 이미지 분류, 객체 탐지 및 이미지 분할을 원활하게 지원합니다.
Link to this sectionYOLOv7: 실시간 정확도의 한계를 넘어#
2022년 중반에 출시된 YOLOv7은 MS COCO 벤치마크에서 실시간 탐지의 최첨단(SOTA) 경계를 확장하는 데 중점을 두었습니다. 개발자들은 원래의 그래디언트 경로를 훼손하지 않으면서 네트워크의 학습 능력을 향상시키는 E-ELAN(Extended Efficient Layer Aggregation Network)을 도입했습니다.
YOLOv7은 특히 학습 중에 여러 모듈을 추론을 위한 단일 컨볼루션 레이어로 변환하여 정확도를 희생하지 않고 속도를 높이는 재매개변수화 기술인 "학습 가능한 bag-of-freebies"로 유명합니다. 그러나 이러한 복잡한 학습 방법론은 종종 더 가파른 학습 곡선을 유발하며, 네이티브 Ultralytics 생태계에 비해 덜 직관적인 내보내기 파이프라인을 가집니다.
Link to this section성능 비교#
이 모델들을 평가할 때 속도, 정확도, 컴퓨팅 비용 간의 성능 균형은 매우 중요합니다. 다음은 MS COCO val2017 데이터셋을 기반으로 한 성능 지표의 상세 비교입니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
YOLOv7이 더 큰 모델 변형에서 더 높은 절대 mAP 점수를 달성하지만, YOLOv5는 극한의 엣지 장치를 위한 초경량 Nano(YOLOv5n)부터 클라우드 추론을 위한 초대형(YOLOv5x) 모델까지 비교할 수 없을 정도로 다양한 모델 제품군을 제공합니다.
Link to this sectionUltralytics 생태계의 이점#
모델의 유용성은 단순히 아키텍처를 넘어, 해당 모델을 둘러싼 생태계가 프로덕션 환경에 얼마나 빨리 배포할 수 있는지를 결정합니다. 이것이 바로 Ultralytics 모델이 빛을 발하는 지점입니다.
- 사용 편의성: Ultralytics Platform과 통합된 Python API는 간소화된 사용자 경험, 간단한 문법 및 방대한 문서를 제공합니다. 커스텀 데이터셋을 학습하는 데 상용구 코드(boilerplate code)가 전혀 필요하지 않습니다.
- 잘 관리되는 생태계: Ultralytics는 활발한 개발, 잦은 업데이트 및 강력한 커뮤니티 지원의 이점을 누리고 있습니다. Comet ML 및 Weights & Biases와 같은 도구와의 통합이 기본적으로 내장되어 있습니다.
- 학습 효율성: 데이터 로더, 스마트 캐싱 및 다중 GPU 지원을 통해 Ultralytics 모델은 학습 효율이 매우 뛰어납니다. 즉시 사용 가능한 사전 학습 가중치는 전이 학습을 크게 가속화합니다.
Link to this section코드 예제: 시작하기#
Ultralytics를 사용하면 모델 배포에 몇 줄의 코드만 필요합니다. 다음 Python 코드 조각은 권장되는 ultralytics 패키지를 사용하여 모델을 로드, 학습 및 추론하는 것이 얼마나 간단한지 보여줍니다.
from ultralytics import YOLO
# Load a pretrained YOLOv5s model
model = YOLO("yolov5s.pt")
# Train the model on the COCO8 example dataset
# Ultralytics automatically handles data downloading and augmentation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference on a sample image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Display the predictions
predictions[0].show()이와 대조적으로, 원본 YOLOv7 저장소를 활용하는 것은 일반적으로 복잡한 저장소를 클론하고, 수동으로 의존성을 관리하며, 긴 명령줄 인수를 사용해야 합니다.
Link to this section실제 애플리케이션 및 이상적인 사용 사례#
Link to this sectionYOLOv7을 선택해야 하는 경우#
YOLOv7은 최대 mAP가 유일한 목표이고 시스템이 이미 앵커 기반 출력 텐서에 맞춰져 있는 학술 벤치마킹이나 특정 레거시 GPU 파이프라인에서 여전히 강력한 후보입니다. 그래디언트 경로 분석을 연구하는 연구자들은 종종 YOLOv7을 베이스라인으로 사용합니다.
Link to this sectionYOLOv5를 선택해야 하는 경우#
YOLOv5는 뛰어난 안정성으로 인해 프로덕션 환경에서 매우 선호됩니다. 다음과 같은 경우에 최고의 선택입니다:
- 모바일 및 엣지 컴퓨팅: CoreML을 통한 iOS 또는 TFLite를 통한 Android로의 YOLOv5n 배포.
- 민첩한 스타트업: 빠른 반복 주기가 필요한 팀은 데이터셋 관리 및 클라우드 학습을 위한 Ultralytics Platform과의 원활한 통합을 통해 이점을 얻을 수 있습니다.
- 멀티태스킹 환경: 객체 탐지, 분류 및 분할을 동시에 수행해야 하는 시스템.
Link to this section미래를 향해: YOLO26으로의 전환#
YOLOv5와 YOLOv7을 비교하는 것은 비전 AI의 발전을 이해하는 데 훌륭한 과정이지만, 최첨단 기술은 계속 발전하고 있습니다. 2026년 1월에 출시된 Ultralytics YOLO26은 획기적인 도약을 보여주며, 새로운 프로젝트에서 이전 아키텍처들을 사실상 쓸모없게 만들었습니다.
최고의 성능을 추구하는 개발자들에게 YOLO26은 YOLOv5와 YOLOv7 모두에 비해 몇 가지 획기적인 이점을 제공합니다:
- 엔드투엔드 NMS-Free 설계: NMS(Non-Maximum Suppression) 후처리를 제거함으로써 YOLO26은 훨씬 더 단순한 배포와 더 빠르고 일관된 지연 시간을 제공합니다.
- MuSGD 옵티마이저: Moonshot AI의 LLM 혁신에서 영감을 받은 이 하이브리드 옵티마이저는 매우 안정적인 학습과 빠른 수렴을 제공합니다.
- 전례 없는 엣지 속도: 엣지 환경에 최적화된 나노 변형은 DFL(Distribution Focal Loss)을 제거하여 최대 43% 더 빠른 CPU 추론을 자랑합니다.
- 우수한 정확도: ProgLoss + STAL과 같은 새로운 손실 함수는 작은 객체 인식 기능을 크게 향상시켜 드론 영상 및 로봇 공학에 이상적입니다.
기존 YOLOv5 파이프라인을 유지 관리하든 최첨단 YOLO26을 구현하든, Ultralytics Platform은 현대 컴퓨터 비전에서 성공하는 데 필요한 모든 도구를 제공합니다.