Ultralytics YOLO27:
Get Started

YOLOv7과 YOLOv10#

지난 몇 년간 컴퓨터 비전 분야는 눈에 띄게 발전했으며, YOLO(You Only Look Once) 모델 제품군이 실시간 객체 탐지를 선도하고 있습니다. 컴퓨터 비전 프로젝트에 적합한 아키텍처를 선택하려면 사용 가능한 옵션을 깊이 이해해야 합니다. 이 종합적인 기술 비교에서는 획기적인 두 아키텍처인 YOLOv7과 YOLOv10의 주요 차이점을 살펴봅니다.

모델 소개#

두 모델 모두 인공지능 역사에서 중요한 이정표를 나타내지만 객체 탐지 문제를 해결하는 접근 방식은 근본적으로 다릅니다.

YOLOv7: 백 오브 프리 기능의 선구자#

2022년 7월 6일 Academia Sinica 정보과학연구소의 연구자 Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao가 발표한 YOLOv7은 신경망 최적화 방식에 패러다임 전환을 가져왔습니다. 학술 논문에 자세히 설명되고 공식 GitHub 리포지토리에 게시된 원본 연구는 아키텍처 재매개변수화와 학습 가능한 "공짜 혜택 묶음"에 중점을 두었습니다.

YOLOv7은 확장형 효율적 계층 집계 네트워크(E-ELAN)를 활용해 원래 경사 경로를 손상시키지 않으면서 네트워크가 다양한 특징을 학습하도록 합니다. 따라서 학술 연구 벤치마크 및 표준 고성능 GPU에 크게 의존하는 시스템에 적합한 견고한 선택입니다.

YOLOv7에 대해 자세히 알아보기

YOLOv10: 실시간 엔드투엔드 탐지#

칭화대학교의 Ao Wang과 연구팀이 개발한 YOLOv10은 2024년 5월 23일에 출시되었습니다. arXiv 논문과 칭화대학교 GitHub 리포지토리에 자세히 설명된 이 모델은 객체 탐지의 오랜 병목인 비최대 억제(NMS)를 제거합니다.

YOLOv10은 NMS 프리 학습을 위한 일관된 이중 할당 방식을 도입해 후처리 파이프라인을 근본적으로 바꿨습니다. 효율성과 정확도를 함께 고려하는 전체적인 모델 설계 전략을 적용해 계산 중복을 줄입니다. 그 결과 극히 낮은 지연 시간이 필요한 엣지 장치에 특화된 아키텍처를 제공합니다.

YOLOv10 자세히 알아보기

NMS 프리 아키텍처

YOLOv10에서 비최대 억제(NMS)를 제거하면 전체 모델을 하나의 계산 그래프로 내보낼 수 있습니다. 따라서 TensorRT나 OpenVINO와 같은 런타임을 사용한 배포가 크게 간소화됩니다.

성능 및 지표 비교#

모델 성능을 분석할 때는 정밀도, 속도, 계산 비용 간의 상충 관계를 평가하는 것이 중요합니다. 다음 표에서는 모델의 여러 크기가 서로 어떤 성능을 보이는지 보여 줍니다.

모델크기
(픽셀)		mAP검증
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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

상충 관계 분석#

위의 지표에서 세대 간 성능 차이가 뚜렷하게 드러납니다. YOLOv7x는 53.1%의 mAPval로 매우 높은 성능을 내지만, 71.3M개의 매개변수와 189.9B FLOPs가 필요합니다. 반면 YOLOv10l은 약 3분의 1에 불과한 매개변수(24.4M)와 훨씬 적은 FLOPs(120.3B)를 사용하면서 더 높은 정확도(53.2% mAP)를 달성합니다. 또한 고도로 최적화된 YOLOv10n은 놀라운 1.84ms의 추론 속도를 제공하므로 실시간 비디오 분석 및 모바일 애플리케이션에 적합합니다.

실제 활용 사례#

이 모델들의 아키텍처 차이가 최적의 사용 사례를 결정합니다.

YOLOv7을 활용해야 하는 경우#

풍부한 특징 표현을 제공하는 YOLOv7은 매우 복잡한 환경에서 뛰어난 성능을 발휘합니다. 인구 밀집 도시 지역의 교통 흐름 모니터링, 위성 이미지 분석, 중공업 제조 자동화의 결함 식별과 같은 사용 사례는 견고한 구조적 재매개변수화의 이점을 누릴 수 있습니다. 또한 특정 PyTorch 1.12 파이프라인과 긴밀하게 통합된 레거시 환경에서도 널리 사용됩니다.

YOLOv10을 활용해야 하는 경우#

YOLOv10의 NMS 프리 경량 설계는 제약이 있는 환경에서 강점을 발휘합니다. NVIDIA Jetson Nano나 Raspberry Pi와 같은 엣지 컴퓨팅 장치에 적극 권장됩니다. 낮은 지연 시간 성능 덕분에 스포츠 분석, 자율 드론 내비게이션, 컨베이어 벨트의 고속 로봇 분류와 같은 빠른 동작이 필요한 애플리케이션에 적합합니다.

Ultralytics 생태계의 이점#

두 모델 모두 학술 연구에 뿌리를 두고 있지만 YOLOv10의 진정한 잠재력은 통합 Ultralytics Platform에서 활용할 때 발휘됩니다. 컴퓨터 비전 모델을 처음부터 개발하는 것은 매우 어렵지만, Ultralytics 생태계는 머신러닝 엔지니어에게 탁월한 경험을 제공합니다.

  • 사용 편의성: Ultralytics Python API는 통합 인터페이스를 제공합니다. 일반적인 학술 리포지토리에서 발생하는 복잡한 종속성 문제를 피하면서 몇 줄의 코드만으로 모델을 학습하고 검증 및 내보낼 수 있습니다.
  • 잘 관리되는 생태계: Ultralytics는 기반 코드가 활발히 개발되고 있음을 보장합니다. 사용자는 로깅을 위한 Weights & Biases나 빠른 웹 데모를 위한 Gradio 등 널리 사용되는 ML 도구와의 원활한 통합을 활용할 수 있습니다.
  • 메모리 요구 사항: Transformer 기반 객체 탐지기는 학습 중 CUDA 메모리를 대량으로 사용하는 경우가 많습니다. 반면 Ultralytics YOLO 모델은 훨씬 적은 메모리를 사용하므로 일반 소비자용 하드웨어에서 훨씬 큰 배치 크기를 사용할 수 있습니다.
  • 다용성: Ultralytics 파이프라인은 표준 바운딩 박스에만 국한되지 않습니다. 포즈 추정, 인스턴스 세그멘테이션, 방향 지정 바운딩 박스를 원활하게 지원하며, 지원되는 모델 제품군에는 YOLO11과 YOLOv8이 포함됩니다.

간소화된 학습 예제#

Ultralytics로 학습 파이프라인을 실행하는 과정은 매우 간단합니다. YOLOv10의 NMS 프리 속도나 다른 지원 모델을 사용하더라도 구문은 일관됩니다(Ultralytics 패키지는 YOLOv7 학습을 지원하지 않습니다).

from ultralytics import YOLO

# 선호하는 모델(예: YOLOv10 Nano)을 불러옵니다
model = YOLO("yolov10n.pt")

# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 샘플 이미지에서 추론 예측을 실행합니다
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# ONNX와 같이 엣지에 적합한 형식으로 내보냅니다
model.export(format="onnx")

사용 사례 및 권장 사항#

YOLOv7과 YOLOv10 중 어떤 모델을 선택할지는 프로젝트의 구체적인 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.

YOLOv7을 선택할 경우#

YOLOv7은 다음과 같은 경우에 적합합니다.

  • 학술 벤치마킹: 2022년 당시의 최첨단 결과를 재현하거나 E-ELAN 및 학습 가능한 bag-of-freebies 기법의 효과를 연구하는 경우입니다.
  • 재파라미터화 연구: 계획된 재파라미터화 컨볼루션과 복합 모델 스케일링 전략을 조사하는 경우입니다.
  • 기존 커스텀 파이프라인: YOLOv7의 특정 아키텍처를 중심으로 구축되어 쉽게 리팩터링할 수 없는 맞춤형 파이프라인을 사용하는 프로젝트입니다.

YOLOv10을 선택해야 하는 경우#

다음과 같은 경우 YOLOv10을 권장합니다:

  • NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
  • 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
  • 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.

  • NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
  • 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.

미래를 향해: YOLO26 소개#

YOLOv7과 YOLOv10은 인상적인 이정표지만 AI의 최전선은 계속 발전하고 있습니다. 2026년 1월에 출시된 Ultralytics YOLO26은 모든 엣지 및 클라우드 배포 시나리오에서 효율성과 정확도를 위한 새로운 표준으로 자리 잡았습니다.

오늘 새로운 컴퓨터 비전 프로젝트를 시작한다면 YOLO26을 권장 아키텍처로 선택하는 것이 좋습니다. YOLO26은 여러 획기적인 혁신을 도입해 이전 모델의 유산을 발전시킵니다.

  • 엔드투엔드 NMS 프리 설계: YOLOv10에서 영감을 얻은 YOLO26의 선택적 일대일 헤드(nms=False)는 NMS 후처리를 생략해 결정론적 실시간 로보틱스에서 초저지연 추론을 보장합니다.
  • CPU 추론 최대 43% 향상: 분포 초점 손실(DFL) 모듈을 전략적으로 제거함으로써 YOLO26은 GPU가 없는 엣지 컴퓨팅 하드웨어의 실행 속도를 크게 높여 IoT 장치에서 강력한 성능을 발휘합니다.
  • MuSGD 옵티마이저: 최근 대규모 언어 모델 학습 혁신에서 영감을 얻은 YOLO26은 SGD와 Muon을 결합한 하이브리드 방식을 적용해 학습 경로를 안정화하고 더 빠른 수렴을 보장합니다.
  • ProgLoss + STAL: 이러한 고급 손실 함수는 작은 객체 인식 성능을 크게 개선해 이전 YOLO 세대의 오랜 약점을 극복합니다.
  • 독보적인 다용성: YOLO26은 포즈 추적을 위한 잔차 로그 가능도 추정(RLE), 항공 이미지에서 정밀한 OBB 탐지를 위한 특수 각도 손실 등 작업별 최적화를 네이티브로 제공합니다.

속도, 정확도, 배포 간편성의 최적 균형을 원하는 엔지니어라면 레거시 모델에서 YOLO26으로 전환해 즉각적이고 측정 가능한 경쟁 우위를 확보할 수 있습니다.

기여자
GLglenn-jocher15

댓글