YOLOv7과 YOLO26 비교
컴퓨터 비전의 발전은 여러 중요한 이정표를 거쳐 왔으며, 기존 아키텍처와 최신 모델을 비교하면 ML 엔지니어에게 유용한 통찰을 제공합니다. 이 기술 비교에서는 영향력 있는 YOLOv7과 Ultralytics YOLO26의 차이를 살펴보고, 아키텍처, 학습 방법론 및 배포 효율성의 발전을 설명합니다.
YOLOv7: "Bag-of-Freebies"의 선구자#
2022년 중반에 도입된 YOLOv7은 추론 비용을 늘리지 않고 정확도를 높이는 여러 아키텍처 최적화를 통해 GPU 하드웨어에서 실시간 감지 성능을 발전시켰습니다.
모델 세부 정보
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 조직: 정보과학연구소, Academia Sinica
- 날짜: 2022-07-06
- arXiv: 2207.02696
- GitHub: WongKinYiu/yolov7
- 문서: Ultralytics YOLOv7 문서
YOLOv7은 재매개변수화 기법과 확장형 효율적 계층 집계 네트워크(E-ELAN)를 적극적으로 활용하는 학습 가능한 'bag-of-freebies' 개념을 도입했습니다. 이를 통해 모델은 더욱 다양한 특징을 학습하고 원래의 그래디언트 경로를 손상하지 않으면서 네트워크의 학습 능력을 지속적으로 향상할 수 있었습니다. 당시 COCO에서 최첨단 성능을 달성했지만, 앵커 기반 출력을 사용하고 배포 과정에서 지연 시간 병목을 유발할 수 있는 Non-Maximum Suppression(NMS) 후처리가 필요합니다.
YOLO26: 엣지 우선 비전 AI 표준#
2026년 1월에 출시된 Ultralytics YOLO26은 배포 편의성, 학습 안정성 및 하드웨어 효율성을 우선시하도록 감지 파이프라인을 재설계했습니다.
모델 세부 정보
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2026-01-14
- GitHub: ultralytics/ultralytics
- 플랫폼: 플랫폼의 Ultralytics YOLO26
YOLO26은 최신 배포 요구 사항에 맞게 설계되었습니다. 아키텍처에는 다음과 같은 주요 혁신이 적용되었습니다.
- 엔드 투 엔드 NMS 없는 설계: YOLO26은 선택 사항인 일대일 헤드(
nms=False)를 제공하여 YOLOv10에서 처음 도입된 방식으로 NMS 후처리를 생략합니다. 이를 통해 혼잡한 장면에서 흔히 발생하는 가변 지연 시간을 방지하고 더 빠르고 간단한 배포 파이프라인을 구현할 수 있습니다. - DFL 제거: Distribution Focal Loss(DFL)를 제거하여 모델을 간소화하고 내보내기를 개선함으로써 엣지 디바이스 및 저전력 IoT 하드웨어와의 호환성을 높입니다.
- CPU 추론 속도 최대 43% 향상: 아키텍처를 간소화한 YOLO26은 엣지 컴퓨팅과 전용 GPU가 없는 디바이스에 최적화되어 있으며, YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행됩니다.
- MuSGD 옵티마이저: 대규모 언어 모델 학습 기법, 특히 Moonshot AI의 Kimi K2에서 영감을 받은 YOLO26은 확률적 경사 하강법과 Muon을 결합한 하이브리드 MuSGD 옵티마이저를 사용합니다. 이를 통해 컴퓨터 비전 작업의 학습 안정성과 수렴 속도를 높입니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식 라벨 할당 전략은 작은 객체 인식 성능을 향상하며, 항공 이미지, 로보틱스, 자동화된 품질 검사에서 중요한 역할을 합니다.
- 작업별 개선 사항: 표준 객체 감지 외에도 YOLO26은 세그멘테이션 작업을 위한 다중 스케일 프로토와 특수 시맨틱 세그멘테이션 손실, 포즈 추정을 위한 잔차 로그 가능도 추정(RLE), 방향성 바운딩 박스(OBB)의 경계 문제를 해결하기 위한 특수 각도 손실 알고리즘을 도입합니다.
이미 ultralytics 패키지를 사용하는 프로젝트에서는 Python 코드의 모델 문자열을 yolo26n.pt로 변경하기만 하면 YOLO26으로 간편하게 업그레이드할 수 있으며, 가중치는 자동으로 다운로드됩니다. 기존 저장소의 YOLOv7 프로젝트는 YOLO 형식 데이터셋을 재사용하고 Ultralytics API로 다시 학습할 수 있습니다.
성능 및 지표 비교#
연산 리소스 사용량을 비교하면 YOLO26은 정확도, 속도, 메모리 요구 사항 사이에서 더 나은 균형을 보여줍니다. Transformer 기반 모델이나 오래된 대형 아키텍처는 대량의 CUDA 메모리를 할당해야 하는 경우가 많지만, YOLO26은 소비자용 GPU에서도 효율적으로 학습됩니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
위에서 확인할 수 있듯이 YOLO26m 모델은 훨씬 큰 YOLOv7x 모델과 동일한 정확도(53.1 mAP)를 달성하면서 파라미터 수는 3분의 1 미만(20.4M 대 71.3M)이며, TensorRT를 통한 추론 속도도 더 빠릅니다(4.7ms 대 11.57ms).
Ultralytics 생태계의 이점#
기존 모델을 배포하려면 복잡한 서드파티 저장소, 종속성 충돌, 수동 내보내기 스크립트가 필요한 경우가 많습니다. 반면 Ultralytics Platform은 잘 관리되는 통합 생태계를 제공하여 전체 머신러닝 라이프사이클을 간소화합니다.
- 사용 편의성: 직관적인 Python API와 방대한 문서를 활용하면 몇 분 만에 모델에 주석을 추가하고, 학습하고, 배포할 수 있습니다. ONNX 또는 CoreML과 같은 형식으로 내보내는 데는 코드 한 줄이면 충분합니다.
- 메모리 요구 사항: Ultralytics 모델은 메모리 사용량이 적은 것으로 알려져 있습니다. 일부 대규모 비전 Transformer와 달리 YOLO26은 메모리 부족(OOM) 오류 없이 일반 하드웨어에서 미세 조정할 수 있습니다.
- 다재다능함: YOLOv7은 주로 객체 감지 모델이었으며 다른 작업을 위한 실험적 분기도 일부 있었지만, YOLO26은 감지, 인스턴스 분할, 의미론적 분할, 깊이 추정, 분류, 자세 추정, OBB, 다중 객체 추적을 처리하는 통합 프레임워크입니다.
YOLO26이 권장 표준이지만 기존 시스템을 마이그레이션하는 개발자는 장기 지원 프로젝트에 검증된 안정성을 제공하는 Ultralytics 제품군의 이전 세대 모델인 YOLO11도 고려할 수 있습니다.
코드 예제: 학습 및 배포#
다음 예제는 이전 저장소에서 사용하던 긴 명령줄 인수를 대체하는 ultralytics 워크플로를 보여줍니다.
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", nms=False)
# Export directly to ONNX for edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")실제 활용 사례#
적합한 아키텍처는 프로덕션 환경의 제약 조건에 따라 달라집니다.
YOLOv7을 고려할 시점: YOLOv7은 2022년 기준으로 학술 벤치마크를 수행하는 데 여전히 유용합니다. 인프라에서 YOLOv7의 특정 앵커 출력을 하드코딩한 기존 CUDA 파이프라인을 사용하고 있으며 리팩터링에 필요한 리소스를 할당할 수 없다면, YOLOv7은 신뢰할 수 있는 기준 감지 모델로 계속 사용할 수 있습니다.
YOLO26을 선택할 시점: 신규 프로젝트에는 YOLO26을 권장합니다. 선택 사항인 NMS 없는 헤드는 지연 시간이 짧은 자율 주행과 실시간 보안 시스템에 적합합니다. DFL 제거와 더 빠른 CPU 추론 덕분에 Raspberry Pi에서 실행하거나 소비자 가전 내부에 탑재하는 등 엣지 AI 배포에 적합합니다. 또한 ProgLoss + STAL 개선 사항은 제조 품질 관리나 위성 이미지에서 미세한 이상 징후를 감지하는 데 도움이 됩니다.
궁극적으로 YOLO26은 활발한 오픈 소스 커뮤니티의 지원을 바탕으로 정확도, 속도, 단순성을 균형 있게 제공하여 개발자에게 유용합니다.
댓글2
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.
Murat Raimbekov(수정됨)hey @bit-scientist, you're right - the YOLOv7 vs YOLO26 comparison tables only included
YOLOv7l(51.4 mAP, 36.9M params) andYOLOv7x(53.1 mAP, 71.3M params) at 640px. they didn't includeYOLOv7-tinyor the higher-resolution variants (W6, E6, D6, E6E at 1280px).these variants do exist in the yolov7 model docs with the numbers from the original paper:
variant imgsz mAP params (M) flops (B) YOLOv7-tiny-SiLU 640 38.7 6.2 13.8 YOLOv7 640 51.4 36.9 104.7 YOLOv7-X 640 53.1 71.3 189.9 YOLOv7-W6 1280 54.9 70.4 360.0 YOLOv7-E6 1280 56.0 97.2 515.2 YOLOv7-D6 1280 56.6 154.7 806.8 YOLOv7-E6E 1280 56.8 151.7 843.2 the comparison focused on the two 640-resolution scales that line up most directly with the modern yolo26 sizes (n/s/m/l/x @ 640).
worth noting: yolov7 is a third-party model from wang et al. and is not natively supported in the ultralytics package. we publish docs for reference, but training/inference uses the original WongKinYiu/yolov7 repo.
1
bit-scientistwhy were the smaller yolov7 models not included in comparison tables and graphs?