객체 탐지의 진화: YOLOv5 YOLOv7

컴퓨터 비전 분야는 더 빠르고 정확한 실시간 객체 탐지 수요에 힘입어 지난 몇 년간 급속히 진화해 왔습니다. 컴퓨터 비전 프로젝트에 적합한 아키텍처를 선택할 때는 Ultralytics YOLOv5 와 YOLOv7 . 이 포괄적인 기술 비교는 각 모델의 아키텍처, 훈련 방법론, 성능 지표 및 이상적인 배포 시나리오를 심층적으로 분석하여 정보에 기반한 결정을 내리는 데 도움을 드립니다.

한눈에 보기: 모델의 기원

이러한 모델들의 기원과 설계 철학을 이해하는 것은 그들의 건축적 선택에 대한 맥락을 제공한다.

YOLOv5 :

• 작성자: Glenn Jocher
• 조직:Ultralytics
• 날짜:26
• GitHub:5 저장소
• 문서:5 문서

5에 대해 자세히 알아보기

YOLOv7 :

• 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
• 조직:기관: 대만 학술원 정보 과학 연구소
• 날짜:06
• Arxiv:YOLOv7
• GitHub:7 저장소
• 문서:7 문서

7에 대해 자세히 알아보기

건축적 혁신과 차이점

YOLOv5: 접근성의 표준

Ultralytics 소개한 YOLOv5 PyTorch 프레임워크를 기본적으로 활용함으로써 연구자와 개발자의 진입 장벽을 크게 낮췄습니다. 이 아키텍처는 수정된 CSPDarknet53 백본을 기반으로 하며, 경사 흐름을 유지하면서 매개변수 수를 줄이기 위해 Cross Stage Partial(CSP) 네트워크를 통합합니다.

가장 큰 장점 중 하나는 메모리 요구 사항입니다. 구형 2단계 감지기나 RT-DETR과 같은 무거운 CUDA 모델에 비해 YOLOv5 훈련 중 CUDA 현저히 적어, 일반 소비자용 GPU에서도 더 큰 배치 크기를 사용할 수 있습니다. 또한, 기본적으로 통합된 다목적성(Versatility) 덕분에 이미지 분류, 객체 탐지, 이미지 분할을 원활하게 지원합니다.

YOLOv7: 실시간 정확도의 한계를 넘어서다

2022년 중반에 공개된 YOLOv7 MS COCO 실시간 탐지 분야의 최신 기술 경계를 확장하는 데 YOLOv7 . 저자들은 기존 기울기 경로를 파괴하지 않으면서 네트워크의 학습 능력을 향상시키는 확장 효율적 레이어 집계 네트워크(E-ELAN)를 도입했습니다.

YOLOv7 또한 "훈련 가능한 프리비즈 백(trainable bag-of-freebies)"으로 YOLOv7 , 특히 훈련 중 재매개변수화 기법을 통해 여러 모듈을 추론을 위한 단일 컨볼루션 레이어로 변환함으로써 정확도를 희생하지 않고 속도를 높입니다. 그러나 이 복잡한 훈련 방법론은 종종 Ultralytics 네이티브 Ultralytics 비해 가파른 학습 곡선과 덜 직관적인 내보내기 파이프라인을 초래합니다.

성능 비교

이러한 모델을 평가할 때 속도, 정확도, 계산 비용 간의 성능 균형이 가장 중요합니다. 아래는 MS COCO 데이터셋을 기반으로 한 성능 지표의 상세 비교입니다.

YOLOv7 더 큰 변종에서 더 높은 절대 mAP YOLOv7 반면, YOLOv5 극한의 에지 디바이스용 초경량 Nano(YOLOv5n)부터 클라우드 추론을 위한 초대형(YOLOv5x)에 이르기까지 비교할 수 없는 모델 스펙트럼을 YOLOv5 .

Ultralytics 에코시스템의 이점

모델의 유용성은 단순한 아키텍처 그 이상입니다. 모델을 둘러싼 생태계가 실제 운영 환경으로의 신속한 배포 가능성을 좌우합니다. 바로 이 점에서 Ultralytics 빛을 발합니다.

• 사용 편의성: Ultralytics 통합된 Python 간소화된 사용자 경험, 간단한 구문, 그리고 방대한 문서를 제공합니다. 맞춤형 데이터셋 훈련에는 일체 보일러플레이트 코드가 필요하지 않습니다.
• 잘 관리된 생태계: Ultralytics 활발한 개발, 빈번한 업데이트, 강력한 커뮤니티 지원의 Ultralytics . Comet 및 Weights & Biases 과의 통합 기능이 기본으로 제공됩니다.
• 훈련 효율성: 데이터 로더, 스마트 캐싱, 멀티GPU Ultralytics 훈련 효율성이 매우 뛰어납니다. 즉시 사용 가능한 사전 훈련된 가중치는 전이 학습을 획기적으로 가속화합니다.

코드 예시: 시작하기

Ultralytics 사용하면 모델 배포에 단 몇 줄의 코드만 필요합니다. 다음 Python 권장되는 방식으로 모델을 로드하고, 훈련하고, 추론을 실행하는 것이 얼마나 간단한지 보여줍니다. ultralytics 패키지를 참조하십시오.

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()

반면, 기존 YOLOv7 활용하는 것은 일반적으로 복잡한 저장소를 복제하고, 종속성을 수동으로 관리하며, 긴 명령줄 인수를 사용하는 과정을 수반합니다.

실제 적용 사례와 이상적인 사용 사례

7 선택해야 할 때

YOLOv7 최대 mAP 유일한 mAP 시스템이 이미 앵커 기반 출력 텐서에 맞춤화된 학술 벤치마킹이나 특정 레거시 GPU mAP 강력한 후보로 YOLOv7 . 연구자들은 기울기 경로 분석을 탐구할 때 종종 YOLOv7 활용합니다.

5 선택해야 할 때

YOLOv5 탁월한 안정성으로 인해 생산 환경에서 매우 YOLOv5 . 다음을 위한 최적의 선택입니다:

• 모바일 및 엣지 컴퓨팅: iOS 에 YOLOv5n 배포하기 CoreMLAndroid 또는 TFLite.
• 애자일 스타트업: 신속한 반복 주기가 필요한 팀은 데이터셋 관리 및 클라우드 훈련을 위한 Ultralytics 원활한 통합으로 혜택을 얻습니다.
• 다중 작업 환경: 객체 탐지, 분류 및 분할을 동시에 수행해야 하는 시스템.

미래: YOLO26으로의 전환

YOLOv5 YOLOv7 비교하는 YOLOv7 비전 AI의 진화를 이해하는 훌륭한 YOLOv7 , 최첨단 기술은 계속 발전해 왔습니다. 2026년 1월에 출시된 Ultralytics 획기적인 도약을 의미하며, 새로운 프로젝트에서는 기존 아키텍처가 대부분 쓸모없게 되었습니다.

최고의 성능을 추구하는 개발자들을 위해, YOLO26은 YOLOv5 YOLOv7 모두에 비해 다음과 같은 획기적인 장점을 제공합니다:

• 엔드투엔드 NMS 설계: 비최대 억제(NMS) 후처리 과정을 제거함으로써 YOLO26은 획기적으로 간소화된 배포와 더 빠르고 일관된 지연 시간을 제공합니다.
• MuSGD 최적화기: Moonshot AI의 대규모 언어 모델 혁신에서 영감을 받은 이 하이브리드 최적화기는 매우 안정적인 훈련과 빠른 수렴을 제공합니다.
• 전례 없는 에지 속도: 에지 환경에 특화하여 최적화된 나노 변형은 분포 초점 손실(DFL)을 제거함으로써 최대 43% 더 빠른 CPU 자랑합니다.
• 탁월한 정확도: ProgLoss + STAL과 같은 새로운 손실 함수는 소형 물체 인식 성능을 크게 향상시켜 드론 영상 및 로봇 공학에 이상적입니다.

기존 YOLOv5 유지 관리하든, 최첨단 YOLOv26을 구현하려는 경우든, Ultralytics 현대 컴퓨터 비전 분야에서 성공하기 위해 필요한 모든 도구를 제공합니다.

댓글