YOLOv7 YOLO26: 실시간 객체 탐지의 세대적 도약

컴퓨터 비전의 진화는 중요한 이정표들로 특징지어져 왔으며, 기존 아키텍처와 현대적인 최첨단 모델을 비교하는 것은 머신러닝 엔지니어들에게 귀중한 통찰력을 제공합니다. 이 기술적 비교는 매우 영향력 있는 YOLOv7 과 혁신적인 Ultralytics 간의 차이점을 분석하며, 아키텍처, 훈련 방법론, 배포 효율성 측면에서의 발전을 조명합니다.

YOLOv7: "무료 선물 가방"의 선구자

2022년 중반에 소개된 YOLOv7 추론 비용을 증가시키지 않으면서 정확도를 향상시킨 여러 아키텍처 최적화를 도입함으로써 GPU 가능한 한계를 YOLOv7 .

모델 상세 정보

저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
조직:정보 과학 연구소, 아카데미아 시니카
날짜:06
Arxiv:2207.02696
GitHub:WongKinYiu/yolov7
문서:Ultralytics 7 문서

YOLOv7 재매개변수화 기법을 적극 활용하고 효율적 레이어 집계 네트워크(E-ELAN)를 확장한 훈련 가능한 "bag-of-freebies" 개념을 YOLOv7 . 이를 통해 모델은 더 다양한 특징을 학습할 수 있었으며, 원래의 기울기 경로를 파괴하지 않고도 네트워크의 학습 능력을 지속적으로 향상시킬 수 있었습니다. 당시 COCO 인상적인 최첨단 벤치마크를 달성했지만, 그 아키텍처는 여전히 앵커 기반 출력에 크게 의존하며 복잡한 비최대 억제(NMS) 후처리가 필요하여 배포 시 지연 병목 현상을 유발할 수 있습니다.

7에 대해 자세히 알아보기

YOLO26: 에지 우선 비전 AI 표준

2026년 1월 출시된 Ultralytics 패러다임 전환을 상징하며, 배포 용이성, 훈련 안정성 및 하드웨어 효율성을 최우선으로 삼기 위해 탐지 파이프라인을 완전히 재구상하였습니다.

모델 상세 정보

저자: 글렌 조커와 징 치우
조직:Ultralytics
날짜:14
GitHub:ultralyticsultralytics
플랫폼:플랫폼의Ultralytics

YOLO26은 현대적인 공학적 과제를 해결하기 위해 처음부터 새롭게 설계되었습니다. 이 아키텍처는 이전 모델들을 크게 앞서는 몇 가지 핵심적인 혁신을 가져왔습니다:

엔드투엔드 NMS 프리 설계: YOLO26은 NMS 과정을 기본적으로 제거하는 획기적인 접근법을 최초로 도입했습니다. YOLOv10에서 최초로 제시된 획기적인 접근법입니다. 이로 인해 더 빠르고 훨씬 단순한 배포 파이프라인이 가능해지며, 복잡한 장면에서 흔히 발생하는 가변 지연 시간을 피할 수 있습니다.
DFL 제거: 분포 초점 손실(DFL)을 제거함으로써 모델을 수출용으로 극적으로 단순화하여, 에지 디바이스 및 저전력 IoT 하드웨어와의 호환성을 크게 향상시킵니다.
최대 43% 빠른 CPU 성능: 아키텍처 단순화와 구조적 정리를 통해 YOLO26은 에지 컴퓨팅 및 전용 GPU가 없는 디바이스에 특화되어 최적화되었으며, 표준 프로세서에서 기존 아키텍처를 손쉽게 능가합니다.
MuSGD 최적화기: 대규모 언어 모델 훈련 기법(특히 Moonshot AI의 Kimi K2)에서 영감을 받은 YOLO26은 확률적 경사 하강법(SGD )과 뮤온(Muon)의 하이브리드인 MuSGD 최적화기를 사용합니다. 이는 컴퓨터 비전 작업에 비교할 수 없는 훈련 안정성과 훨씬 빠른 수렴 속도를 제공합니다.
ProgLoss + STAL: 이러한 고급 손실 함수의 도입은 항공 촬영, 로봇 공학 및 자동화된 품질 검사에 중요한 소형 물체 인식에서 현저한 개선을 가져왔다.
특정 작업 개선 사항: 표준 객체 탐지를 넘어, YOLO26은 분할 작업을 위한 다중 스케일 프로토 및 특화된 의미적 분할 손실, 자세 추정을 위한 잔차 로그 가능도 추정(RLE), 방향성 경계 상자(OBB)의 경계 문제를 해결하기 위한 특화된 각도 손실 알고리즘을 도입합니다.

YOLO26에 대해 더 알아보기

YOLO26으로 마이그레이션

구형 아키텍처에서 YOLO26으로 업그레이드하는 것은 Python 에서 모델 문자열을 다음과 같이 변경하는 것만큼 간단합니다. yolo26n.ptUltralytics 자동 가중치 다운로드 및 구성 확장 포함 전체 전환을 처리합니다.

성능 및 지표 비교

계산적 발자국을 비교할 때, YOLO26은 성능과 메모리 요구 사항의 균형 측면에서 뚜렷한 우위를 보여줍니다. 트랜스포머 기반 모델이나 기존의 무거운 아키텍처는 대개 방대한 CUDA 할당을 필요로 하지만, YOLO26은 소비자용 GPU에서도 효율적으로 훈련됩니다.

모델	크기 ^(픽셀)	mAP^val 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	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

위에서 보듯이, YOLO26m 모델은 대규모 모델과 동등한 정확도(53.1 mAP)를 달성한다 YOLOv7x그러나 매개변수의 3분의 1 미만(20.4M vs 71.3M)으로 이를 수행하며, 놀라울 정도로 빠른 추론 시간을 통해 TensorRT.

Ultralytics 에코시스템의 이점

레거시 모델 배포는 종종 복잡한 타사 저장소, 의존성 지옥, 수동 내보내기 스크립트와의 씨름을 수반합니다. 반면 Ultralytics 기계 학습 라이프사이클 전체를 간소화하는 잘 관리되고 일관된 생태계를 제공합니다.

사용 편의성: 직관적인 Python 포괄적인 문서를 통해 모델을 몇 분 만에 주석 처리, 훈련 및 배포할 수 있습니다. ONNX 이나 CoreML 로 내보내는 데는 단 한 줄의 코드만 필요합니다.
메모리 요구 사항: Ultralytics 낮은 메모리 사용량으로 유명합니다. 일부 부피가 큰 비전 트랜스포머와 달리, YOLO26은 메모리 부족(OOM) 오류 없이 표준 하드웨어에서 손쉽게 미세 조정할 수 있습니다.
다용도성: YOLOv7 주로 객체 탐지기(다른 작업을 위한 실험적 분기 포함) YOLOv7 반면, YOLOv26은 탐지, 분류, 추적, 자세 추정, OBB를 동등한 숙련도로 처리하는 본질적으로 통합된 프레임워크입니다.

기타 Ultralytics

YOLO26이 권장 표준이지만, 레거시 시스템을 마이그레이션하는 개발자는 YOLO11를 검토할 수 있습니다. 이는 Ultralytics 내 또 다른 고성능 세대로, 장기 지원 프로젝트에 탁월한 안정성을 제공합니다.

코드 예시: 훈련 및 배포

다음 예시는 우아한 단순성을 보여줍니다. ultralytics 패키지. 기존 모델에서 긴 명령줄 인수를 호출하는 것과 비교해 인터페이스가 얼마나 깔끔한지 주목하세요.

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

적합한 아키텍처 선택은 전적으로 생산 제약 조건에 달려 있습니다.

YOLOv7 고려해야 할 시점: YOLOv7 2022년 기준에 따른 학술적 벤치마킹을 위한 유용한 도구로YOLOv7 . 인프라가 YOLOv7 특정 앵커 출력에 강하게 하드코딩된 레거시 CUDA 중점적으로 활용하고 있으며, 리팩토링을 위한 자원 할당이 불가능한 경우, 이는 여전히 견고한 기준선 탐지기로 기능할 것입니다.

YOLO26 선택 시점: 모든 신규 프로젝트에는 YOLO26이 최적의 선택입니다. NMS 아키텍처로 저지연 자율 주행 및 실시간 보안 시스템에 완벽합니다. DFL 제거와 CPU 대폭 향상으로 라즈베리 파이 ( Raspberry Pi )나 가전제품 내부에 배포하는 등 엣지 AI 적용 분야에서 확실한 우위를 점합니다. 또한 ProgLoss + STAL 개선으로 제조 품질 관리나 위성 영상 분석 시 미세한 이상 감지에 탁월한 성능을 발휘합니다.

궁극적으로 YOLO26은 오픈소스 커뮤니티의 포괄적인 지원을 바탕으로 개발자들에게 정확성, 속도, 단순성이 조화를 이룬 탁월한 조합을 제공합니다.