Ultralytics YOLO27:

YOLOv7 vs YOLO26#

컴퓨터 비전의 발전은 중요한 이정표들로 이어져 왔으며, 레거시 아키텍처와 최신 최첨단 모델을 비교하면 ML 엔지니어에게 귀중한 인사이트를 제공합니다. 이 기술 비교에서는 높은 영향력을 가진 YOLOv7과 혁신적인 Ultralytics YOLO26의 차이를 심층적으로 살펴보고, 아키텍처, 학습 방법론, 배포 효율성의 발전을 강조합니다.

YOLOv7: "Bag-of-Freebies"의 선구자#

2022년 중반에 소개된 YOLOv7은 추론 비용을 늘리지 않고 정확도를 향상하는 여러 아키텍처 최적화를 도입하여 GPU 하드웨어에서 가능한 성능의 한계를 확장했습니다.

모델 세부 정보

YOLOv7은 학습 가능한 "bag-of-freebies" 개념을 도입했으며, 재매개변수화 기법과 효율적인 레이어 집계 네트워크(E-ELAN)를 광범위하게 활용했습니다. 이를 통해 모델은 더욱 다양한 특징을 학습하고 원래의 그래디언트 경로를 손상시키지 않으면서 네트워크의 학습 능력을 지속적으로 향상할 수 있었습니다. 당시 COCO에서 인상적인 최첨단 벤치마크 성능을 달성했지만, 이 아키텍처는 여전히 앵커 기반 출력에 크게 의존하며 복잡한 비최대 억제(NMS) 후처리가 필요합니다. 이로 인해 배포 중 지연 시간 병목이 발생할 수 있습니다.

YOLOv7에 대해 자세히 알아보세요

YOLO26: 엣지 우선 비전 AI 표준#

2026년 1월에 출시된 Ultralytics YOLO26은 배포 편의성, 학습 안정성, 하드웨어 효율성을 우선시하도록 탐지 파이프라인을 전면적으로 재구상한 패러다임 전환을 나타냅니다.

모델 세부 정보

YOLO26은 최신 엔지니어링 과제를 해결하도록 처음부터 구축되었습니다. 이 아키텍처에는 이전 모델을 크게 앞서는 몇 가지 핵심 혁신이 적용되었습니다.

  • 엔드투엔드 NMS 없는 설계: YOLO26은 NMS 후처리를 기본적으로 제거합니다. 이는 YOLOv10이 처음 개척한 획기적인 접근 방식입니다. 그 결과 훨씬 더 빠르고 간단한 배포 파이프라인을 구현하며, 복잡한 장면에서 일반적으로 발생하는 가변적인 지연 시간을 방지합니다.
  • DFL 제거: 분포 초점 손실(DFL)을 제거하여 모델을 내보내기에 맞게 획기적으로 단순화했으며, 엣지 디바이스와 저전력 IoT 하드웨어에서 훨씬 뛰어난 호환성을 제공합니다.
  • 최대 43% 더 빠른 CPU 추론: 아키텍처 단순화와 구조적 가지치기 덕분에 YOLO26은 엣지 컴퓨팅과 전용 GPU가 없는 디바이스에 맞게 특별히 최적화되었으며, 표준 프로세서에서 이전 아키텍처를 쉽게 능가합니다.
  • MuSGD 옵티마이저: 대규모 언어 모델 학습 기법, 특히 Moonshot AI의 Kimi K2에서 영감을 받은 YOLO26은 확률적 경사 하강법과 Muon의 하이브리드인 MuSGD 옵티마이저를 사용합니다. 이를 통해 컴퓨터 비전 작업에서 전례 없는 학습 안정성과 훨씬 빠른 수렴을 제공합니다.
  • ProgLoss + STAL: 이러한 고급 손실 함수의 도입으로 작은 객체 인식 성능이 크게 향상됩니다. 이는 항공 이미지, 로보틱스, 자동 품질 검사에 매우 중요합니다.
  • 작업별 개선: 표준 객체 탐지를 넘어 YOLO26은 세그멘테이션 작업을 위한 멀티스케일 프로토와 특화된 시맨틱 세그멘테이션 손실, 포즈 추정을 위한 잔차 로그 가능도 추정(RLE), 방향성 바운딩 박스(OBB)의 경계 문제를 해결하는 특화된 각도 손실 알고리즘을 도입합니다.
YOLO26으로 마이그레이션

이전 아키텍처에서 YOLO26으로 업그레이드하는 작업은 Python 코드에서 모델 문자열을 yolo26n.pt으로 변경하는 것만큼 간단합니다. Ultralytics 패키지는 가중치 자동 다운로드와 구성 스케일링을 포함한 전체 전환을 처리합니다.

성능 및 지표 비교#

계산 리소스 사용량을 비교하면 YOLO26은 성능과 메모리 요구 사항의 균형에서 뚜렷한 우위를 보여 줍니다. Transformer 기반 모델이나 이전의 대형 아키텍처는 막대한 CUDA 메모리 할당이 필요한 경우가 많지만, YOLO26은 소비자용 GPU에서 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 확인할 수 있듯이 YOLO26m 모델은 대형 YOLOv7x과 동일한 정확도(53.1 mAP)를 달성하면서도 파라미터 수는 3분의 1 미만(20.4M 대 71.3M)이며, TensorRT를 통한 추론 시간도 매우 빠릅니다.

Ultralytics 생태계의 이점#

레거시 모델을 배포하려면 복잡한 서드파티 리포지토리, 의존성 지옥, 수동 내보내기 스크립트를 처리해야 하는 경우가 많습니다. 반면 Ultralytics Platform은 전체 머신 러닝 수명 주기를 간소화하는 잘 유지 관리되는 통합 생태계를 제공합니다.

  • 사용 편의성: 직관적인 Python API와 포괄적인 문서를 사용하면 몇 분 안에 모델에 주석을 추가하고, 학습하고, 배포할 수 있습니다. ONNX 또는 CoreML과 같은 형식으로 내보내는 작업도 코드 한 줄이면 됩니다.
  • 메모리 요구 사항: Ultralytics 모델은 낮은 메모리 사용량으로 잘 알려져 있습니다. 일부 대형 비전 Transformer와 달리 YOLO26은 메모리 부족(OOM) 오류가 발생하지 않고도 표준 하드웨어에서 쉽게 파인튜닝할 수 있습니다.
  • 다목적성: YOLOv7은 주로 객체 탐지기였으며 다른 작업을 위한 일부 실험적 브랜치가 있었던 반면, YOLO26은 탐지, 분류, 트래킹, 포즈, OBB를 동일한 수준의 성능으로 처리하는 네이티브 통합 프레임워크입니다.
기타 Ultralytics 모델

YOLO26이 권장 표준이지만, 레거시 시스템을 마이그레이션하는 개발자는 장기 지원 프로젝트에 뛰어난 안정성을 제공하는 Ultralytics 제품군의 또 다른 고성능 세대인 YOLO11도 검토할 수 있습니다.

코드 예제: 학습 및 배포#

다음 예제에서는 ultralytics 패키지의 우아하고 간결한 사용성을 보여 줍니다. 이전 모델에서 긴 명령줄 인수를 호출하는 방식과 비교하면 인터페이스가 얼마나 깔끔한지 확인할 수 있습니다.

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 아키텍처의 선택은 전적으로 프로덕션 제약 조건에 따라 달라집니다.

YOLOv7을 고려할 시기: YOLOv7은 2022년 표준을 기준으로 한 학술 벤치마킹에 여전히 유용한 도구입니다. 인프라가 YOLOv7의 특정 앵커 출력에 깊이 하드코딩된 레거시 CUDA 파이프라인을 많이 사용하고 리팩터링에 필요한 리소스를 할당할 수 없다면, YOLOv7은 계속해서 견고한 기준선 탐지기로 작동합니다.

YOLO26을 선택할 시기: 새로운 프로젝트라면 YOLO26이 확실한 선택입니다. NMS 없는 아키텍처는 저지연 자율 주행과 실시간 보안 시스템에 적합합니다. DFL 제거와 대폭 향상된 CPU 속도 덕분에 Raspberry Pi에 배포하거나 소비자 전자 제품 내부에 탑재하는 등 엣지 AI 배포에서 독보적인 성능을 발휘합니다. 또한 ProgLoss + STAL 개선 사항은 제조 품질 보증이나 위성 영상에서 미세한 이상을 탐지하는 데 매우 뛰어납니다.

궁극적으로 YOLO26은 오픈 소스 커뮤니티의 포괄적인 지원을 바탕으로 정확도, 속도, 단순성을 모두 갖춘 탁월한 조합을 개발자에게 제공합니다.

기여자
GLglenn-jocher10

댓글