Ultralytics YOLO27:

YOLOv7 vs YOLOv10#

컴퓨터 비전 분야는 지난 몇 년 동안 눈부신 발전을 이루었으며, YOLO(한 번만 보면 된다) 모델 제품군이 실시간 객체 탐지를 주도해 왔습니다. 컴퓨터 비전 프로젝트에 적합한 아키텍처를 선택하려면 사용 가능한 옵션을 깊이 이해해야 합니다. 이 종합적인 기술 비교에서는 두 가지 획기적인 아키텍처인 YOLOv7과 YOLOv10의 주요 차이점을 살펴보겠습니다.

모델 소개#

이 두 모델은 모두 인공지능의 역사에서 중요한 이정표를 나타내지만, 객체 탐지 과제를 해결하는 방식은 근본적으로 다릅니다.

YOLOv7: Bag-of-Freebies의 선구자#

2022년 7월 6일, 중앙연구원 정보과학연구소의 연구원 Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao가 공개한 YOLOv7은 신경망 최적화 방식에 패러다임 전환을 가져왔습니다. 학술 논문에 자세히 설명되어 있고 공식 GitHub 리포지토리에 호스팅된 원본 연구는 아키텍처 재매개변수화와 학습 가능한 "무료 혜택 묶음"에 중점을 두었습니다.

YOLOv7은 확장 효율적 레이어 집계 네트워크(E-ELAN)를 활용하여 원래의 그래디언트 경로를 손상시키지 않고 네트워크가 다양한 특징을 학습하도록 유도합니다. 따라서 학술 연구 벤치마크와 표준 고성능 GPU에 크게 의존하는 시스템에 적합한 견고한 선택지입니다.

YOLOv7에 대해 자세히 알아보기

YOLOv10: 실시간 엔드투엔드 탐지#

Ao Wang과 칭화대학교 연구팀이 개발한 YOLOv10은 2024년 5월 23일 공개되었습니다. arxiv 논문과 칭화대학교 GitHub 리포지토리에 자세히 설명된 것처럼, 이 모델은 객체 탐지의 오랜 병목인 비최대 억제(NMS)를 제거합니다.

YOLOv10은 NMS 없는 학습을 위해 일관된 이중 할당을 도입하여 후처리 파이프라인을 근본적으로 변경했습니다. 전체적인 효율성-정확도 중심의 모델 설계 전략을 적용하여 YOLOv10은 계산 중복을 줄입니다. 그 결과 매우 낮은 지연 시간이 필요한 엣지 디바이스에 맞춤화된 독특한 아키텍처가 구현됩니다.

YOLOv10에 대해 자세히 알아보기

NMS 없는 아키텍처

YOLOv10에서 비최대 억제(NMS)를 제거하면 전체 모델을 단일 계산 그래프로 내보낼 수 있습니다. 이를 통해 TensorRT 또는 OpenVINO와 같은 런타임을 사용한 배포가 크게 간소화됩니다.

성능 및 지표 비교#

모델 성능을 분석할 때는 정밀도, 속도, 계산량 간의 절충점을 평가하는 것이 중요합니다. 다음 표에서는 이러한 모델의 다양한 크기가 서로 어떻게 비교되는지 보여줍니다.

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
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4

절충점 분석#

위의 지표는 세대 간 큰 격차를 보여줍니다. YOLOv7x는 53.1%의 매우 높은 mAPval을 제공하지만 71.3M개의 파라미터와 189.9B FLOPs가 필요합니다. 반면 YOLOv10l은 절반 이하의 파라미터(29.5M)와 훨씬 적은 FLOPs(120.3B)로 더 높은 정확도(53.3% mAP)를 달성합니다. 또한 고도로 최적화된 YOLOv10n은 1.56ms라는 놀라운 추론 속도를 제공하므로 실시간 비디오 분석과 모바일 애플리케이션에 이상적입니다.

실제 사용 사례#

이러한 모델 간의 아키텍처 차이가 각각의 최적 사용 사례를 결정합니다.

YOLOv7을 사용해야 하는 경우#

풍부한 특징 표현 덕분에 YOLOv7은 매우 복잡한 환경에서 뛰어난 성능을 발휘합니다. 밀집된 도시 지역의 교통 흐름 모니터링, 위성 이미지 분석, 중공업 제조 자동화의 결함 식별과 같은 사용 사례는 YOLOv7의 견고한 구조적 재매개변수화의 이점을 얻습니다. 또한 특정 PyTorch 1.12 파이프라인과 이미 긴밀하게 통합된 레거시 환경에서 특히 선호됩니다.

YOLOv10을 사용해야 하는 경우#

NMS가 없고 경량인 YOLOv10의 설계는 제약이 있는 환경에서 뛰어난 성능을 발휘합니다. NVIDIA Jetson Nano 또는 Raspberry Pi와 같은 엣지 컴퓨팅 디바이스에 강력히 권장됩니다. 낮은 지연 시간 성능 덕분에 스포츠 분석, 자율 드론 내비게이션, 컨베이어 벨트의 고속 로봇 분류와 같은 빠르게 움직이는 애플리케이션에 적합합니다.

Ultralytics 생태계의 이점#

두 모델 모두 탄탄한 학술적 기반을 갖추고 있지만, 통합된 Ultralytics Platform에서 활용할 때 진정한 잠재력이 발휘됩니다. 컴퓨터 비전 모델을 처음부터 개발하는 일은 악명 높을 정도로 어렵지만, Ultralytics 생태계는 머신 러닝 엔지니어에게 탁월한 경험을 제공합니다.

  • 사용 편의성: Ultralytics Python API는 통합 인터페이스를 제공합니다. 몇 줄의 코드만으로 모델을 학습하고 검증하며 내보낼 수 있어, 일반적인 학술 리포지토리와 관련된 복잡한 의존성 문제를 피할 수 있습니다.
  • 잘 관리되는 생태계: Ultralytics는 기반 코드가 활발히 개발되도록 보장합니다. 사용자는 로깅을 위한 Weights & Biases나 빠른 웹 데모를 위한 Hugging Face와 같은 인기 ML 도구와의 원활한 통합을 활용할 수 있습니다.
  • 메모리 요구 사항: Transformer 기반 객체 탐지기는 학습 중 막대한 양의 CUDA 메모리를 사용하는 경우가 많습니다. 반면 Ultralytics YOLO 모델은 훨씬 적은 메모리를 필요로 하므로 소비자용 하드웨어에서 훨씬 더 큰 배치 크기를 사용할 수 있습니다.
  • 다용도성: Ultralytics 파이프라인은 표준 바운딩 박스에만 국한되지 않습니다. YOLO11과 YOLOv8 같은 지원 모델 제품군에서 포즈 추정, 인스턴스 세그멘테이션, 방향성 바운딩 박스를 원활하게 지원합니다.

간소화된 학습 예제#

Ultralytics로 학습 파이프라인을 실행하는 일은 매우 간단합니다. YOLOv7의 오랜 기간 검증된 견고성을 활용하든 YOLOv10의 NMS 없는 속도를 활용하든 구문은 일관되게 유지됩니다:

from ultralytics import YOLO

# Load the preferred model (e.g., YOLOv10 Nano)
model = YOLO("yolov10n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run an inference prediction on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to an edge-friendly format like ONNX
model.export(format="onnx")

사용 사례 및 권장 사항#

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

YOLOv7을 선택해야 하는 경우#

YOLOv7은 다음과 같은 경우에 적합합니다:

  • 학술 벤치마킹: 2022년 당시의 state-of-the-art 결과를 재현하거나 E-ELAN 및 학습 가능한 bag-of-freebies 기법의 효과를 연구하는 경우입니다.
  • 재매개변수화 연구: 계획된 재매개변화 컨볼루션과 복합 모델 스케일링 전략을 조사하는 경우입니다.
  • 기존 사용자 지정 파이프라인: YOLOv7의 특정 아키텍처를 기반으로 구축되어 쉽게 리팩터링할 수 없는 고도로 사용자 지정된 파이프라인을 사용하는 프로젝트입니다.

YOLOv10을 선택해야 하는 경우#

YOLOv10은 다음과 같은 경우에 권장됩니다:

  • NMS-Free 실시간 탐지: 비최대 억제 없이 엔드투엔드 탐지의 이점을 활용하여 배포 복잡성을 줄이는 애플리케이션입니다.
  • 균형 잡힌 속도-정확도 절충: 다양한 모델 규모에서 추론 속도와 탐지 정확도 사이의 뛰어난 균형이 필요한 프로젝트입니다.
  • 일관된 지연 시간이 필요한 애플리케이션: 로보틱스 또는 자율 시스템과 같이 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

  • NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
  • 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.

미래: YOLO26 소개#

YOLOv7과 YOLOv10이 인상적인 이정표이기는 하지만 AI의 최전선은 항상 발전하고 있습니다. 2026년 1월에 출시된 Ultralytics YOLO26은 모든 엣지 및 클라우드 배포 시나리오에서 효율성과 정확도를 위한 명실상부한 새로운 표준입니다.

오늘 새로운 컴퓨터 비전 프로젝트를 시작한다면 YOLO26을 권장 아키텍처로 선택하시기 바랍니다. YOLO26은 다음과 같은 획기적인 혁신을 통합하여 이전 모델의 유산을 발전시킵니다:

  • 엔드투엔드 NMS 없는 설계: YOLOv10에서 영감을 얻은 YOLO26은 NMS 후처리를 기본적으로 제거하여 결정론적 실시간 로보틱스를 위한 초저지연 추론을 실현합니다.
  • 최대 43% 더 빠른 CPU 추론: 분포 초점 손실(DFL) 모듈을 전략적으로 제거하여 YOLO26은 GPU가 아닌 엣지 컴퓨팅 하드웨어에서의 실행 속도를 크게 높이며, IoT 디바이스를 위한 강력한 솔루션이 됩니다.
  • MuSGD 옵티마이저: 최근 대규모 언어 모델 학습 혁신에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드를 통합하여 학습 경로를 안정화하고 더 빠른 수렴을 보장합니다.
  • ProgLoss + STAL: 이러한 고급 손실 함수는 작은 객체 인식 성능을 크게 향상하여 이전 YOLO 세대의 오랜 약점을 극복합니다.
  • 탁월한 다용도성: YOLO26은 포즈 추적을 위한 잔차 로그 가능도 추정(RLE), 항공 이미지에서 정밀한 OBB 탐지를 위한 특수 각도 손실 등 작업별 기본 최적화를 제공합니다.

속도, 정확도, 배포 간소화의 궁극적인 균형을 추구하는 엔지니어라면 레거시 모델에서 YOLO26으로 전환하여 즉각적이고 측정 가능한 경쟁 우위를 확보할 수 있습니다.

기여자
GLglenn-jocher14

댓글