YOLOv7과 YOLO26 비교#
컴퓨터 비전의 발전 과정에는 중요한 이정표가 많았으며, 레거시 아키텍처와 최신 최첨단 모델을 비교하면 ML 엔지니어에게 유용한 인사이트를 제공합니다. 이 기술 비교에서는 큰 영향을 미친 YOLOv7과 혁신적인 Ultralytics YOLO26의 차이를 살펴보고 아키텍처, 학습 방법론, 배포 효율성의 발전을 조명합니다.
YOLOv7: "Bag-of-Freebies"의 선구자#
2022년 중반에 공개된 YOLOv7은 추론 비용을 늘리지 않으면서 정확도를 개선하는 여러 아키텍처 최적화를 도입해 GPU 하드웨어의 가능성을 확장했습니다.
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 학습 가능한 "bag-of-freebies" 개념을 도입했으며, 재매개변수화 기법과 확장된 효율적 계층 집계 네트워크(E-ELAN)를 적극적으로 활용했습니다. 이를 통해 원래의 기울기 경로를 손상하지 않고도 모델이 더욱 다양한 특징을 학습하고 네트워크의 학습 능력을 지속적으로 개선할 수 있었습니다. 당시 COCO에서 인상적인 최첨단 벤치마크 성능을 달성했지만, 아키텍처는 앵커 기반 출력에 크게 의존하며 복잡한 Non-Maximum Suppression (NMS) 후처리가 필요합니다. 이 과정은 배포 중 지연 시간 병목을 일으킬 수 있습니다.
YOLO26: 엣지 우선 비전 AI 표준#
2026년 1월에 출시된 Ultralytics YOLO26은 배포 편의성, 학습 안정성, 하드웨어 효율성을 우선시하도록 감지 파이프라인을 전면 재고한 패러다임 전환을 보여줍니다.
모델 세부 정보
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2026-01-14
- GitHub: ultralytics/ultralytics
- 플랫폼: 플랫폼의 Ultralytics YOLO26
YOLO26은 최신 엔지니어링 과제를 해결하기 위해 처음부터 개발되었습니다. 아키텍처에는 이전 모델을 크게 앞서는 몇 가지 핵심 혁신이 포함되어 있습니다.
- 엔드투엔드 NMS 프리 설계: YOLO26은 NMS 후처리를 생략하는 선택 사항인 일대일 헤드(
nms=False)를 제공합니다. 이는 YOLOv10이 처음 선보인 획기적인 접근 방식입니다. 그 결과 더 빠르고 훨씬 간단한 배포 파이프라인이 구현되어, 장면이 혼잡할 때 일반적으로 발생하는 지연 시간 변동을 피할 수 있습니다. - DFL 제거: Distribution Focal Loss (DFL)를 제거해 모델을 내보내기 쉽게 대폭 단순화하고, 엣지 장치 및 저전력 IoT 하드웨어와의 호환성을 크게 향상합니다.
- CPU 추론 속도 최대 43% 향상: 아키텍처를 단순화한 덕분에 YOLO26은 엣지 컴퓨팅과 전용 GPU가 없는 장치에 맞게 특별히 최적화되어 일반 프로세서에서 이전 아키텍처보다 훨씬 뛰어난 성능을 발휘합니다.
- MuSGD Optimizer: 대규모 언어 모델 학습 기법, 특히 Moonshot AI의 Kimi K2에서 영감을 받은 YOLO26은 확률적 경사 하강법과 Muon의 하이브리드인 MuSGD 옵티마이저를 사용합니다. 이로써 컴퓨터 비전 작업에서 탁월한 학습 안정성과 훨씬 빠른 수렴을 실현합니다.
- ProgLoss + STAL: 이러한 고급 손실 함수를 도입해 소형 객체 인식 성능이 크게 향상됩니다. 이는 항공 이미지, 로보틱스, 자동화된 품질 검사에 매우 중요합니다.
- 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.
Python 코드에서 모델 문자열을 yolo26n.pt으로 바꾸기만 하면 이전 아키텍처에서 YOLO26으로 간단히 업그레이드할 수 있습니다. Ultralytics 패키지가 자동 가중치 다운로드와 구성 스케일링을 포함한 전환 과정을 모두 처리합니다.
성능 및 지표 비교#
연산 리소스 사용량을 비교하면 YOLO26이 성능과 메모리 요구 사항 간의 균형에서 확실한 우위를 보입니다. Transformer 기반 모델이나 기존의 대규모 아키텍처는 막대한 CUDA 메모리를 할당해야 하는 경우가 많지만, YOLO26은 일반 소비자용 GPU에서 효율적으로 학습됩니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 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 볼 수 있듯이 YOLO26m 모델은 대형 YOLOv7x과 동등한 정확도(53.1 mAP)를 달성하면서 파라미터는 3분의 1 미만(20.4M 대 71.3M)만 사용하고 TensorRT를 통해 매우 빠르게 추론합니다.
Ultralytics 생태계의 이점#
레거시 모델을 배포하려면 복잡한 타사 저장소, 의존성 문제, 수동 내보내기 스크립트를 다뤄야 하는 경우가 많습니다. 반면 Ultralytics Platform은 잘 관리되는 통합 생태계를 제공해 전체 머신러닝 수명 주기를 간소화합니다.
- 사용 편의성: 직관적인 Python API와 상세한 문서를 활용하면 몇 분 안에 모델에 어노테이션을 추가하고 학습 및 배포할 수 있습니다. ONNX나 CoreML과 같은 형식으로 내보내는 데는 코드 한 줄이면 충분합니다.
- 메모리 요구 사항: Ultralytics 모델은 메모리 사용량이 적은 것으로 잘 알려져 있습니다. 일부 대형 비전 Transformer와 달리 YOLO26은 메모리 부족(OOM) 오류 없이 일반 하드웨어에서 쉽게 파인튜닝할 수 있습니다.
- 다용성: YOLOv7은 주로 객체 탐지기였으며(다른 작업을 위한 실험적 브랜치도 일부 존재), YOLO26은 탐지, 세그멘테이션, 분류, 포즈, OBB는 물론 다중 객체 추적까지 처리하는 네이티브 통합 프레임워크입니다.
YOLO26이 권장 표준이지만, 레거시 시스템을 마이그레이션하는 개발자는 Ultralytics 제품군의 또 다른 강력한 세대 모델인 YOLO11도 살펴볼 수 있습니다. YOLO11은 장기 지원 프로젝트에 탁월한 안정성을 제공합니다.
코드 예제: 학습 및 배포#
다음 예제에서는 ultralytics 패키지의 간결한 사용 방식을 보여 줍니다. 이전 모델에서 긴 명령줄 인수를 입력하는 방식과 비교했을 때 인터페이스가 얼마나 깔끔한지 확인해 보세요.
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 아키텍처의 선택은 전적으로 프로덕션 제약 조건에 따라 달라집니다.
YOLOv7을 고려해야 하는 경우: YOLOv7은 2022년 표준을 기준으로 학술 벤치마킹을 수행할 때 여전히 유용한 도구입니다. 인프라에서 YOLOv7 고유의 앵커 출력에 맞춰 하드코딩된 심층 레거시 CUDA 파이프라인을 많이 사용하고, 리팩터링에 필요한 리소스를 할당할 수 없다면 YOLOv7은 계속해서 견고한 기준 탐지기로 기능합니다.
YOLO26을 선택해야 하는 경우: 새 프로젝트라면 무엇이든 YOLO26이 확실한 선택입니다. NMS가 필요 없는 아키텍처는 저지연 자율 내비게이션 및 실시간 보안 시스템에 적합합니다. DFL을 제거하고 CPU 속도를 크게 향상한 덕분에 Raspberry Pi나 가전제품에 배포하는 것과 같은 엣지 AI 배포에서 독보적인 성능을 발휘합니다. 또한 ProgLoss와 STAL 개선 사항을 통해 제조 품질 보증이나 위성 이미지에서 미세한 이상 징후를 효과적으로 탐지할 수 있습니다.
궁극적으로 YOLO26은 정확도, 속도, 간편성을 독보적으로 조합해 개발자에게 제공하며, 오픈소스 커뮤니티의 폭넓은 지원을 기반으로 합니다.