YOLOv7과 YOLO11 비교

컴퓨터 비전은 지난 몇 년 동안 빠르게 발전했습니다. 객체 감지 프레임워크를 선택하는 개발자와 연구자에게는 모델 세대 간 아키텍처 및 실용성 차이를 이해하는 것이 중요합니다. 이 가이드에서는 학술 연구용 YOLOv7과 프로덕션에 바로 사용할 수 있는 Ultralytics YOLO11을 자세히 기술적으로 비교합니다.

모델의 기원과 아키텍처 철학#

YOLOv7은 2022년 7월 6일 Academia Sinica 정보과학연구소의 Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao가 발표했으며, 해당 분야에 몇 가지 새로운 개념을 도입했습니다. arXiv에 발표된 YOLOv7 연구 논문에 상세히 기술된 이 모델은 "학습 가능한 공짜 혜택 묶음" 접근 방식과 확장형 효율적 계층 집계 네트워크(E-ELAN)에 중점을 둡니다. 이러한 아키텍처 선택은 경사 경로 효율을 극대화하도록 특별히 설계되어 고성능 GPU에서 학술 벤치마킹을 수행하는 데 강력한 도구가 됩니다.

YOLOv7에 대해 자세히 알아보기

Ultralytics의 Glenn Jocher와 Jing Qiu가 개발한 YOLO11은 2024년 9월 27일에 출시되었습니다. YOLO11은 순수한 아키텍처 복잡성보다 개발자를 우선시하는 전체적인 생태계에 초점을 맞춥니다. Ultralytics GitHub 저장소에서 제공되는 YOLO11은 학습과 추론 중 메모리 사용량을 줄이는 최적화된 앵커 프리 설계를 갖추고 있습니다. Ultralytics Platform에 기본 통합되어 데이터셋 주석 작업부터 엣지 배포까지의 워크플로를 지원합니다.

생태계의 이점

독립형 리포지토리는 학술 논문 발표 후 방치되는 경우가 많지만, Ultralytics 모델은 지속적인 업데이트를 제공하여 최신 PyTorch 릴리스와 특수 하드웨어 가속기 등 최신 머신러닝 스택과의 장기적인 호환성을 보장합니다.

성능 지표 및 효율성#

실제 애플리케이션에 모델을 배포할 때는 순수 정확도와 추론 속도 및 계산 오버헤드 간의 균형을 맞춰야 합니다. 아래에서는 표준 COCO 데이터셋 벤치마크에서 평가한 YOLOv7 및 YOLO11 변형을 직접 비교합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

참고: YOLOv7의 CPU 속도 값이 없는 것은 ONNX CPU 벤치마크 표준화가 이루어지지 않은 레거시 테스트 환경을 나타냅니다. 비교 가능한 등급에서 가장 우수한 값은 강조 표시했습니다.

결과 분석#

데이터는 효율성이 뚜렷하게 발전했음을 보여줍니다. YOLO11l(Large) 모델은 YOLOv7l의 51.4%보다 높은 53.4%의 mAPval50-95를 달성하면서 훨씬 적은 파라미터(25.3M 대 36.9M)와 FLOPs(87.2B 대 104.7B)를 사용합니다. 이러한 연산 복잡도 감소로 YOLO11은 NVIDIA TensorRT 구현에서 더 빠르게 실행되고 VRAM도 덜 필요하므로 하드웨어 제약이 있는 환경에 훨씬 적합합니다.

사용 편의성 및 학습 워크플로#

두 프레임워크 간 주요 차이점은 개발자 경험입니다.

YOLOv7 학습#

기존 YOLOv7 오픈소스 코드베이스를 사용하려면 리포지토리를 복제하고 종속성을 수동으로 해결하며 상세한 명령줄 인수에 의존해야 하는 경우가 많습니다. 작업을 다르게 설정하거나 모바일 형식으로 내보낼 때는 소스 스크립트를 수정하거나 타사 포크를 사용하는 일이 잦습니다.

YOLO11 학습#

YOLO11은 ultralytics Python 패키지에 긴밀하게 통합되어 머신러닝 라이프사이클을 간소화합니다. 객체 감지 모델을 학습하는 데는 몇 줄의 코드만 필요하며, 프레임워크가 데이터셋 다운로드, 증강 및 캐싱을 처리합니다.

from ultralytics import YOLO

# 최대 속도를 위해 사전 학습된 YOLO11 Nano 모델을 불러옵니다
model = YOLO("yolo11n.pt")

# COCO8 예제 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# 배포를 위해 학습된 모델을 ONNX 형식으로 내보내기
export_path = model.export(format="onnx")

YOLO11은 다재다능한 모델이기도 합니다. 모델 접미사를 변경하면 감지에서 인스턴스 분할, 이미지 분류, 자세 추정 또는 방향성 경계 상자(OBB) 감지로 전환할 수 있습니다. 이러한 네이티브 멀티태스크 지원은 YOLOv7에는 없습니다.

간소화된 내보내기

YOLO11을 Apple CoreML 또는 Intel OpenVINO와 같은 엣지 형식으로 내보내는 데는 .export() 명령 하나면 충분하므로, 구세대 모델에서 자주 필요했던 복잡한 그래프 수술을 피할 수 있습니다.

적합한 배포 시나리오#

각 모델의 강점을 이해하면 적합한 사용 사례를 정하는 데 도움이 됩니다.

  • 기존 벤치마크 재현: 특정 2022년 벤치마크를 재현하거나 앵커 기반 네트워크에서 재매개변수화 기법이 미치는 영향을 연구해야 하는 학술 연구자에게 YOLOv7은 여전히 유용합니다.
  • 상용 프로덕션 환경: YOLO11은 엔터프라이즈 시스템에 적합한 선택입니다. 안정성, 지속적인 유지 관리, 클라우드 기반 Ultralytics Platform과의 통합을 바탕으로 대규모 소매 분석, 보안 모니터링, 제조 품질 관리에 적합합니다.
  • 리소스 제약이 있는 엣지 컴퓨팅: 경량 YOLO11n 변형은 저전력 엣지 디바이스용으로 설계되었으며, Raspberry Pi 또는 NVIDIA Jetson 모듈에서 효율적으로 실행됩니다.

앞으로의 전망: YOLO26#

YOLO11은 성숙하고 지원이 잘되는 모델이지만, 분야는 계속 발전하고 있습니다. 새로운 비전 프로젝트에는 Ultralytics YOLO26을 권장합니다.

2026년 1월에 출시된 YOLO26은 YOLOv7과 YOLO11을 모두 개선하는 다음과 같은 기능을 도입합니다.

  • 선택 가능한 NMS 없는 아키텍처: YOLO26의 선택 사항인 일대일 헤드(nms=False)는 Non-Maximum Suppression 후처리의 필요성을 제거합니다. 이러한 엔드 투 엔드 설계는 배포 파이프라인을 간소화하고 지연 시간 변동을 줄입니다.
  • CPU 추론 속도 최대 43% 향상: Distribution Focal Loss(DFL) 모듈을 제거하여 YOLO26을 엣지 디바이스와 전용 GPU가 없는 환경에 최적화했습니다. YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행됩니다.
  • MuSGD 옵티마이저 통합: Moonshot AI의 고급 LLM 학습 기법에서 영감을 받은 이 하이브리드 옵티마이저는 학습 안정성과 수렴 속도를 향상합니다.
  • 작은 객체 감지 성능 향상: 점진적 손실(ProgLoss)과 소형 객체 인식 라벨 할당(STAL)은 작은 객체의 정확도를 높여 드론 항공 이미지와 복잡한 IoT 센서 데이터를 분석하는 데 도움이 됩니다.

Transformer 기반 아키텍처나 대안적 패러다임에 관심 있는 사용자를 위해 Ultralytics 문서에서는 RT-DETR Transformer 탐지기와 YOLO-World 오픈 어휘 모델 등의 모델도 다룹니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.