GitHub에서 페이지 수정 (EN)

YOLOv7 vs YOLO26: 실시간 객체 탐지의 세대적 도약

컴퓨터 비전의 발전은 중요한 이정표로 기록되어 왔으며, 기존 아키텍처와 현대의 최첨단 모델을 비교하는 것은 ML 엔지니어에게 귀중한 통찰력을 제공합니다. 이 기술적 비교에서는 영향력 있는 YOLOv7과 혁신적인 Ultralytics YOLO26의 차이점을 살펴보고, 아키텍처와 학습 방법론, 그리고 배포 효율성 측면에서의 발전을 강조합니다.

YOLOv7: "Bag-of-Freebies"의 선구자

2022년 중반에 도입된 YOLOv7은 추론 비용을 증가시키지 않으면서 정확도를 향상시키는 여러 아키텍처 최적화를 도입하여 GPU 하드웨어에서 가능한 것의 한계를 넓혔습니다.

모델 세부 정보

YOLOv7은 재매개변수화(re-parameterization) 기법과 확장된 효율적 계층 집계 네트워크(E-ELAN)를 적극적으로 활용하는 학습 가능한 "bag-of-freebies" 개념을 도입했습니다. 이를 통해 모델은 원래의 그래디언트 경로를 파괴하지 않고도 더욱 다양한 특징을 학습하고 네트워크의 학습 능력을 지속적으로 향상시킬 수 있었습니다. 당시 COCO에서 인상적인 최첨단 벤치마크를 달성했으나, 그 아키텍처는 여전히 앵커 기반 출력에 크게 의존하며 복잡한 Non-Maximum Suppression (NMS) 후처리를 필요로 하여 배포 시 지연 시간 병목 현상을 유발할 수 있습니다.

YOLOv7에 대해 자세히 알아보기

YOLO26: 엣지 우선 비전 AI 표준

2026년 1월에 출시된 Ultralytics YOLO26은 패러다임의 전환을 의미하며, 배포 용이성, 학습 안정성 및 하드웨어 효율성을 우선시하도록 탐지 파이프라인을 완전히 재설계했습니다.

모델 세부 정보

YOLO26은 현대의 엔지니어링 문제를 해결하기 위해 처음부터 새롭게 구축되었습니다. 그 아키텍처는 이전 버전보다 훨씬 뛰어난 몇 가지 중요한 혁신을 가져왔습니다.

  • 종단간 NMS-Free 설계: YOLO26은 YOLOv10에서 처음 개척된 획기적인 접근 방식인 NMS 후처리를 기본적으로 제거했습니다. 이는 더 빠르고 훨씬 간단한 배포 파이프라인을 가능하게 하여, 복잡한 장면에서 일반적으로 발생하는 가변적인 지연 시간을 방지합니다.
  • DFL 제거: 분포 초점 손실(DFL)을 제거함으로써 모델이 내보내기에 훨씬 간편해졌으며, 엣지 디바이스 및 저전력 IoT 하드웨어와의 호환성이 크게 향상되었습니다.
  • 최대 43% 더 빠른 CPU 추론: 아키텍처 단순화와 구조적 가지치기 덕분에 YOLO26은 엣지 컴퓨팅 및 전용 GPU가 없는 디바이스에 최적화되어 표준 프로세서에서도 구형 아키텍처보다 훨씬 뛰어난 성능을 발휘합니다.
  • MuSGD 옵티마이저: 대규모 언어 모델 학습 기술(구체적으로는 Moonshot AI의 Kimi K2)에서 영감을 받은 YOLO26은 Stochastic Gradient Descent와 Muon의 하이브리드인 MuSGD 옵티마이저를 사용합니다. 이는 컴퓨터 비전 작업에 탁월한 학습 안정성과 훨씬 빠른 수렴 속도를 제공합니다.
  • ProgLoss + STAL: 이러한 고급 손실 함수 도입은 항공 이미지, 로봇 공학 및 자동화된 품질 검사에 필수적인 소형 객체 인식에서 괄목할만한 향상을 가져옵니다.
  • 작업별 개선 사항: 표준 객체 탐지를 넘어, YOLO26은 세그멘테이션 작업을 위한 다중 스케일 proto 및 특화된 의미론적 세그멘테이션 손실, 포즈 추정을 위한 RLE(Residual Log-Likelihood Estimation), 그리고 OBB(회전된 경계 상자)의 경계 문제를 해결하기 위한 특화된 각도 손실 알고리즘을 도입했습니다.

YOLO26에 대해 더 알아보기

YOLO26으로 마이그레이션

구형 아키텍처에서 YOLO26으로 업그레이드하는 것은 Python 코드의 모델 문자열을 yolo26n.pt로 변경하는 것만큼 간단합니다. Ultralytics 패키지는 자동 가중치 다운로드 및 구성 확장을 포함하여 전체 전환 과정을 처리합니다.

성능 및 메트릭 비교

계산 풋프린트를 비교할 때, YOLO26은 성능과 메모리 요구 사항 간의 균형을 맞추는 데 확실한 우위를 점하고 있습니다. Transformer 기반 모델이나 기존의 무거운 아키텍처는 종종 방대한 CUDA 메모리 할당을 요구하지만, YOLO26은 일반 소비자용 GPU에서도 효율적으로 학습됩니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9

위에서 보듯이 YOLO26m 모델은 대규모 YOLOv7x와 동일한 정확도(53.1 mAP)를 달성하면서도, 매개변수는 3분의 1 미만(20.4M 대 71.3M)이며 TensorRT를 통해 믿을 수 없을 정도로 빠른 추론 시간을 제공합니다.

Ultralytics 생태계의 이점

기존 모델을 배포하는 것은 종종 복잡한 타사 리포지토리, 의존성 지옥, 수동 내보내기 스크립트와 씨름하는 과정을 포함합니다. 반면 Ultralytics 플랫폼은 전체 머신 러닝 라이프사이클을 간소화하는 유지 관리가 잘 된 통합 생태계를 제공합니다.

  • 사용 편의성: 직관적인 Python API와 방대한 문서를 통해 몇 분 만에 모델을 주석 처리하고, 학습시키고, 배포할 수 있습니다. ONNX나 CoreML과 같은 형식으로 내보내는 데는 단 한 줄의 코드만 필요합니다.
  • 메모리 요구 사항: Ultralytics 모델은 낮은 메모리 사용량으로 유명합니다. 부피가 큰 비전 Transformer와 달리 YOLO26은 메모리 부족(OOM) 오류를 일으키지 않고 표준 하드웨어에서 쉽게 파인튜닝할 수 있습니다.
  • 범용성: YOLOv7은 주로 객체 탐지기(다른 작업을 위한 일부 실험적 분기 포함)였던 반면, YOLO26은 탐지, 분류, 추적, 포즈 및 OBB를 동일한 숙련도로 처리하는 기본적으로 통합된 프레임워크입니다.
기타 Ultralytics 모델

YOLO26이 권장되는 표준이지만, 기존 시스템을 마이그레이션하는 개발자는 장기 지원 프로젝트에 탁월한 안정성을 제공하는 Ultralytics 라인업의 또 다른 뛰어난 세대인 YOLO11도 살펴볼 수 있습니다.

코드 예제: 학습 및 배포

다음 예제는 ultralytics 패키지의 우아한 단순함을 보여줍니다. 이전 모델의 긴 명령줄 인수를 호출하는 것과 비교하여 인터페이스가 얼마나 깔끔한지 확인해 보십시오.

from ultralytics import YOLO

# Load the lightweight YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently on a dataset (e.g., COCO8)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # Efficient memory usage allows larger batch sizes
    device=0,
)

# Run an NMS-free, end-to-end inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export directly to ONNX for edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

실제 사용 사례

올바른 아키텍처를 선택하는 것은 전적으로 귀하의 프로덕션 제약 조건에 달려 있습니다.

YOLOv7을 고려해야 할 때: YOLOv7은 2022년 표준에 대한 학술적 벤치마킹을 위한 귀중한 도구로 남아 있습니다. 인프라가 YOLOv7의 특정 앵커 출력에 강력하게 하드코딩된 기존 CUDA 파이프라인을 사용하고 있고 리팩토링을 위한 리소스를 할당할 수 없는 경우, 견고한 기본 탐지기로 계속 작동할 것입니다.

YOLO26을 선택해야 할 때: 모든 신규 프로젝트에 대해 YOLO26은 확실한 선택입니다. NMS-free 아키텍처는 저지연 자율 주행 및 실시간 보안 시스템에 완벽합니다. DFL 제거와 대규모 CPU 속도 향상은 Raspberry Pi와 같은 엣지 디바이스나 가전제품에 배포하는 엣지 AI 배포 분야에서 독보적인 챔피언으로 만듭니다. 또한 ProgLoss + STAL 개선 사항은 제조 품질 보증이나 위성 이미지의 미세한 이상 징후를 감지하는 데 매우 능숙하게 만듭니다.

결국 YOLO26은 오픈 소스 커뮤니티의 포괄적인 지원을 바탕으로 개발자에게 정확도, 속도 및 단순함의 독보적인 조화를 제공합니다.

Contributors
GitHub에서 페이지 수정 (EN)
GLglenn-jocher5

댓글