YOLOv7 YOLO26: 실시간 객체 탐지의 진화

컴퓨터 비전 분야는 빠르게 진화하며, 새로운 모델 세대가 등장할 때마다 실시간 분석의 가능성을 확장하고 있습니다. 본 포괄적 비교는 기존 모델인 YOLOv7 과 최신 기술인 YOLO26의 차이점을 분석합니다. 두 모델의 아키텍처, 성능 지표, 그리고 이상적인 배포 시나리오를 비교합니다. YOLOv7 2022년 중요한 YOLOv7 , YOLO26은 대규모 언어 모델(LLM) 훈련에서 파생된 엔드투엔드 처리 및 최적화 전략과 같은 획기적인 혁신을 도입했습니다.

모델 개요

7

2022년 7월 출시된 YOLOv7 "훈련 가능한 프리비즈 백(trainable bag-of-freebies)" 개념을 YOLOv7 추론 비용을 증가시키지 않으면서 정확도를 향상시키기 위해 훈련 과정을 최적화했습니다. 이 모델은 확장 효율적 레이어 집계 네트워크(E-ELAN)와 같은 아키텍처 개혁 및 모델 스케일링 기법에 중점을 두었습니다.

저자: 왕천야오(Chien-Yao Wang), 알렉세이 보치코프스키(Alexey Bochkovskiy), 리아오홍위안(Hong-Yuan Mark Liao)
소속기관:대만 중앙연구원 정보과학연구원
날짜: 2022-07-06
Arxiv:2207.02696
GitHub:WongKinYiu/yolov7

Ultralytics YOLO26

2026년 초 출시된 YOLO26은 YOLO 패러다임 전환을 상징합니다. 이 모델은 에지 디바이스에서의 최대 효율성과 간소화된 배포를 위해 설계되었습니다. 주요 혁신 사항으로는 복잡한 후처리 과정이 불필요하도록 설계된 네이티브 엔드투엔드 NMS( NMS) 구조와, 수출 가능성을 단순화하기 위해 분포 초점 손실(DFL)을 제거한 점이 포함됩니다.

저자: 글렌 조커(Glenn Jocher)와 징 치우(Jing Qiu)
소속:Ultralytics
날짜: 2026-01-14
문서:Ultralytics
GitHub:ultralytics

YOLO26에 대해 더 알아보기

기술적 비교

다음 표는 YOLOv7 성능 도약을 보여줍니다. YOLOv7 당시 기준을 YOLOv7 , YOLO26은 특히 CPU 기반 추론에서 더 뛰어난 속도와 효율성을 제공합니다.

아키텍처의 차이점

YOLOv7

YOLOv7 아키텍처는 E-ELAN(확장 효율적 레이어 집계 네트워크)에 기반하며, 이는 네트워크가 가장 짧고 긴 기울기 경로를 제어함으로써 더 다양한 특징을 학습할 수 있게 합니다. 또한 연결 기반 모델에 대한 모델 스케일링을 활용하여 네트워크의 깊이와 너비를 동시에 조정합니다. 그러나 YOLOv7 앵커 기반 탐지 헤드를 사용하며, 중복 경계 상자를 필터링하기 위해 후처리 단계에서 비최대 억제(NMS) 가 필요합니다. 이 NMS 배포 시 병목 현상이 될 수 있으며, TensorRT CoreML 같은 다양한 하드웨어 백엔드에 맞춰 맞춤형 구현이 필요한 경우가 많습니다.

YOLO26 아키텍처

YOLO26은 사용자 경험을 단순화하고 성능을 향상시키기 위해 고안된 몇 가지 근본적인 변화를 도입합니다:

• 엔드투엔드 NMS: 네이티브 엔드투엔드 아키텍처(선구적으로 도입된)를 채택함으로써 YOLOv10에서 최초로 도입됨), YOLO26은 NMS 필요성을 제거합니다. 모델은 최종 탐지 결과를 직접 출력하여 지연 시간을 줄이고 배포 파이프라인을 크게 단순화합니다.
• DFL 제거: 분포 초점 손실(Distribution Focal Loss )을 제거함으로써 출력 헤드를 간소화하여 모델이 INT8과 같은 저정밀 형식 및 에지 디바이스와의 호환성을 높입니다.
• MuSGD 최적화기: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델(LLM) 훈련 분야의 혁신에서 영감을 받아, YOLO26은 하이브리드 MuSGD 최적화기를 활용합니다. 이는 SGD Muon 최적화기의 적응적 특성을 결합하여 보다 안정적인 훈련과 빠른 수렴을 가능하게 합니다.
• 소형 물체 최적화: 점진적 손실 균형(ProgLoss) 과 소형 대상 인식 라벨 할당(STAL) 의 통합은 소형 물체 탐지의 일반적인 과제를 직접 해결하여, YOLO26이 항공 영상 및 IoT 애플리케이션에 특히 효과적입니다.

교육 및 사용성

사용 편의성

특징 중 하나는 Ultralytics 접근성입니다. YOLOv7 특정 저장소를 복제하고 복잡한 구성 파일을 관리해야 YOLOv7 반면, YOLO26은 직접 통합되어 있습니다. ultralytics Python . 이는 훈련, 검증 및 배포를 위한 통합된 API를 제공합니다.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

# Train on a custom dataset with a single line of code
results = model.train(data="coco8.yaml", epochs=100)

다용도성

YOLOv7 주로 객체 탐지 및 자세 추정에 YOLOv7 . 반면 YOLO26은 다음과 같은 더 광범위한 컴퓨터 비전 작업을 지원하는 통합 프레임워크를 제공합니다:

• 인스턴스 분할: 정밀한 마스킹을 위한 특수 손실 함수 적용
• 자세 추정: 정확한 키포인트 추정을 위한 잔차 로그우도 추정(RLE) 활용
• 방향성 바운딩 박스(OBB): 회전된 객체에 특화된 각도 손실 기능을 제공합니다.
• 분류: 효율적인 이미지 분류를 위한.

교육 효율성

YOLO26의 훈련 과정은 고도로 최적화되어 있습니다. MuSGD 최적화기는 더 빠른 수렴을 가능하게 하여, 사용자가 기존 최적화기에 비해 더 적은 에포크 수로 더 나은 결과를 얻을 수 있습니다. 또한 YOLO26 모델의 낮은 메모리 사용량은 동일한 하드웨어에서 더 큰 배치 크기를 허용하여 훈련 주기를 더욱 가속화합니다. 이는 일반적으로 상당한 CUDA 요구하는 트랜스포머 기반 모델에 비해 상당한 이점입니다.

실제 응용 분야

YOLOv7 점

YOLOv7 ELAN 네트워크의 특정 아키텍처 특성에 관심이 있는 연구자나 다크넷 스타일 아키텍처를 기반으로 구축된 레거시 시스템을 유지 관리하는 연구자들에게 YOLOv7 유용한 모델입니다. 학술적 비교를 위한 탁월한 벤치마크 역할을 합니다.

YOLO26이 뛰어난 점

YOLO26은 성능 균형 과 배포 용이성 덕분에 대부분의 현대적 애플리케이션에 권장되는 선택입니다:

• 엣지 컴퓨팅: 최대 43% 빠른 CPU 성능을 자랑하는 YOLO26은 전용 GPU 없이도 라즈베리 파이, 모바일 기기 또는 로컬 서버에서 실행하기에 완벽합니다.
• 로봇공학 및 자율 시스템: 종단 간 설계는 지연 시간 변동성을 줄여 로봇공학의 실시간 의사 결정에 핵심적입니다. 개선된 소형 물체 탐지(STAL 기반)는 항법 및 장애물 회피에 기여합니다.
• 상용 배포: NMS DFL 제거로 ONNX, TensorRT, CoreML 같은 형식으로의 내보내기 프로세스가 간소화되어 다양한 배포 환경에서 일관된 동작을 보장합니다.
• 농업 모니터링: 소형 물체 탐지의 높은 정밀도로 인해 YOLO26은 드론 영상에서 해충 식별이나 작물 계수 같은 작업에 탁월합니다.

결론

한편 YOLOv7 가 오픈소스 커뮤니티에 중요한 기여를 했다면, YOLO26은 효율적인 컴퓨터 비전의 미래를 대표합니다. NMS 같은 핵심 병목 현상을 해결하고 LLM 분야에서 현대적인 최적화 기법을 활용함으로써, YOLO26은 더 빠르고 가벼울 뿐만 아니라 훈련 및 배포가 훨씬 용이한 모델을 제공합니다.

개발자에게 안정적이고 관리가 용이하며 다용도로 활용 가능한 솔루션을 찾는다면 YOLO26이 탁월한 선택입니다. Ultralytics 통합을 통해 지속적인 업데이트, 방대한 문서, 그리고 활발한 지원 커뮤니티에 접근할 수 있습니다.

YOLO26에 대해 더 알아보기

댓글