YOLOv5와 YOLOv7#

더 빠르고 정확한 실시간 객체 탐지에 대한 요구로 인해 지난 몇 년 동안 컴퓨터 비전 분야는 빠르게 발전했습니다. 컴퓨터 비전 프로젝트에 적합한 아키텍처를 선택할 때 Ultralytics YOLOv5와 YOLOv7 같은 인기 모델 간의 차이를 이해하는 것이 중요합니다. 이 포괄적인 기술 비교에서는 두 모델의 아키텍처, 학습 방법론, 성능 지표, 이상적인 배포 시나리오를 자세히 살펴보고 정보에 입각한 결정을 내릴 수 있도록 지원합니다.

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

YOLOv7에 대해 자세히 알아보기

아키텍처 혁신과 차이점#

YOLOv5: 접근성의 기준#

2020년 Ultralytics가 선보인 YOLOv5는 PyTorch 프레임워크를 기본적으로 활용하여 패러다임의 변화를 가져왔으며, 연구자와 개발자의 진입 장벽을 크게 낮췄습니다. YOLOv5 아키텍처는 Modified CSPDarknet53 백본을 기반으로 하며, Cross Stage Partial (CSP) 네트워크를 통합하여 그래디언트 흐름을 유지하면서 파라미터 수를 줄입니다.

가장 큰 장점 중 하나는 메모리 요구 사항입니다. 구형 2단계 검출기나 RT-DETR 같은 대규모 Transformer 모델에 비해 YOLOv5는 학습 중 CUDA 메모리를 훨씬 적게 사용하므로 일반 소비자용 GPU에서도 배치 크기를 더 크게 설정할 수 있습니다. 또한 기본 제공되는 다용성을 통해 이미지 분류, 객체 탐지, 이미지 분할을 원활하게 지원합니다.

YOLOv7: 실시간 정확도의 한계를 뛰어넘다#

2022년 중반에 출시된 YOLOv7은 MS COCO 벤치마크에서 실시간 탐지의 최신 기술 수준을 끌어올리는 데 초점을 맞췄습니다. 저자들은 원래의 그래디언트 경로를 훼손하지 않으면서 네트워크의 학습 능력을 향상하는 Extended Efficient Layer Aggregation Network (E-ELAN)을 도입했습니다.

YOLOv7은 "학습 가능한 공짜 혜택"으로도 잘 알려져 있습니다. 특히 학습 중 여러 모듈을 추론용 단일 합성곱 레이어로 변환하는 재매개변수화 기법을 사용해 정확도를 떨어뜨리지 않고 속도를 높입니다. 그러나 복잡한 학습 방법론으로 인해 Ultralytics 생태계의 기본 워크플로에 비해 학습 곡선이 가파르고 내보내기 파이프라인이 덜 간결한 경우가 많습니다.

성능 비교#

이 모델들을 평가할 때는 속도, 정확도, 연산 비용 간의 성능 균형이 무엇보다 중요합니다. 아래는 MS COCO val2017 데이터셋을 기준으로 성능 지표를 상세히 비교한 내용입니다.

YOLOv7은 대형 모델 변형에서 더 높은 절대 mAP 점수를 달성하지만, YOLOv5는 극한의 엣지 기기용 초경량 Nano (YOLOv5n)부터 클라우드 추론용 Extra-Large (YOLOv5x)까지 비교할 수 없이 폭넓은 모델을 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, 간단한 구문, 풍부한 문서를 제공합니다. 커스텀 데이터셋을 학습할 때 보일러플레이트 코드는 전혀 필요하지 않습니다.
• 잘 관리되는 생태계: Ultralytics는 활발한 개발, 잦은 업데이트, 강력한 커뮤니티 지원을 바탕으로 합니다. Comet ML 및 Weights & Biases와 같은 도구와의 통합 기능이 기본으로 제공됩니다.
• 학습 효율성: 데이터 로더, 스마트 캐싱, 멀티 GPU 지원을 통해 Ultralytics 모델을 매우 효율적으로 학습할 수 있습니다. 사전 학습된 가중치를 바로 사용할 수 있어 전이 학습 속도가 크게 향상됩니다.

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 탁월한 안정성 덕분에 프로덕션 환경에서 높은 선호를 얻고 있습니다. 다음과 같은 경우에 가장 적합한 선택입니다:

• 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 원활한 Ultralytics Platform 통합의 이점을 누릴 수 있습니다.
• 멀티태스크 환경: 객체 탐지, 분류, 분할을 동시에 수행해야 하는 시스템에 적합합니다.

미래: YOLO26으로 전환하기#

YOLOv5와 YOLOv7을 비교하는 것은 비전 AI의 발전을 이해하는 데 매우 유용하지만, 최신 기술은 계속 발전해 왔습니다. 2026년 1월에 출시된 Ultralytics YOLO26은 괄목할 만한 도약을 보여 주며, 새로운 프로젝트에서는 구형 아키텍처를 대부분 대체할 수 있습니다.

최고의 성능을 추구하는 개발자에게 YOLO26은 YOLOv5와 YOLOv7을 모두 능가하는 몇 가지 획기적인 이점을 제공합니다:

• 종단 간 NMS-Free 설계: Non-Maximum Suppression 후처리(nms=False)를 선택적으로 생략하여 YOLO26은 배포를 훨씬 간소화하고 더 빠르고 일관된 지연 시간을 제공합니다.
• MuSGD 옵티마이저: Moonshot AI의 LLM 혁신에서 영감을 얻은 이 하이브리드 옵티마이저는 매우 안정적인 학습과 빠른 수렴을 지원합니다.
• 탁월한 엣지 속도: 엣지 환경에 특화해 최적화된 나노 모델은 Distribution Focal Loss (DFL)를 제거하여 CPU 추론 속도를 최대 43% 높였습니다.
• 뛰어난 정확도: ProgLoss + STAL과 같은 새로운 손실 함수는 소형 객체 인식 성능을 크게 향상하여 드론 영상과 로보틱스에 이상적인 모델로 만듭니다.

기존 YOLOv5 파이프라인을 유지 관리하거나 최첨단 YOLO26을 도입하려는 경우, Ultralytics Platform은 최신 컴퓨터 비전 분야에서 성공하는 데 필요한 모든 도구를 제공합니다.