YOLOv7과 YOLOv10

지난 몇 년간 컴퓨터 비전 분야는 빠르게 발전했으며, YOLO(You Only Look Once) 모델 계열이 실시간 객체 감지 발전을 주도해 왔습니다. 컴퓨터 비전 프로젝트에 적합한 아키텍처를 선택하려면 사용 가능한 옵션을 명확하게 이해해야 합니다. 이 기술 비교에서는 중요한 두 아키텍처인 YOLOv7과 YOLOv10의 주요 차이를 다룹니다.

모델 소개#

두 모델 모두 객체 감지 분야의 중요한 이정표이지만, 객체 감지 문제를 해결하는 방식은 근본적으로 다릅니다.

YOLOv7: 백 오브 프리 기능의 선구자#

2022년 7월 6일, Academia Sinica 정보과학연구소의 Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao 연구진이 출시한 YOLOv7은 실시간 감지 모델을 최적화하는 새로운 방법을 도입했습니다. 학술 논문에 자세히 설명되고 공식 GitHub 저장소에 공개된 원본 연구는 아키텍처 재매개변수화와 학습 가능한 'bag-of-freebies'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 동료들이 개발한 YOLOv10은 2024년 5월 23일에 출시되었습니다. arXiv 논문과 칭화대학교 GitHub 저장소에 자세히 설명된 것처럼, 이 모델은 객체 감지의 오랜 병목인 비최대 억제(NMS)를 제거합니다.

YOLOv10은 NMS 없는 학습을 위해 일관된 이중 할당 방식을 도입하여 후처리 파이프라인을 바꿨습니다. 효율성과 정확도를 전체적으로 고려한 모델 설계는 연산 중복을 줄여 지연 시간이 짧아야 하는 엣지 디바이스에 적합한 아키텍처를 구현합니다.

YOLOv10 자세히 알아보기

NMS 프리 아키텍처

YOLOv10에서 Non-Maximum Suppression(NMS)을 제거하면 전체 모델을 단일 연산 그래프로 내보낼 수 있습니다. 따라서 TensorRT 또는 OpenVINO와 같은 런타임을 사용한 배포가 간소화됩니다.

성능 및 지표 비교#

모델 성능을 분석할 때는 정확도, 속도, 연산 비용 간의 절충점을 평가하는 것이 중요합니다. 다음 표는 다양한 크기의 모델이 서로 어떤 성능을 보이는지 보여줍니다.

모델크기
(픽셀)
mAPval50-95속도
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#

위 지표는 세대 간 차이가 뚜렷함을 보여줍니다. YOLOv7x는 53.1%의 높은 mAPval50-95를 달성하지만, 71.3M개의 파라미터와 189.9B FLOPs가 필요합니다. 반면 YOLOv10l은 그 정확도를 넘어서는 53.2% mAP를 달성하면서 파라미터는 약 3분의 1(24.4M)만 사용하고 FLOPs도 훨씬 적습니다(120.3B). 또한 YOLOv10n은 TensorRT를 사용하는 T4 GPU에서 1.84ms로 실행되어 실시간 비디오 분석 및 모바일 애플리케이션에 적합합니다.

실제 활용 사례#

이 모델들의 아키텍처 차이가 최적의 사용 사례를 결정합니다.

YOLOv7을 사용해야 하는 경우#

YOLOv7의 풍부한 특징 표현은 GPU 하드웨어에서 복잡한 장면에 적합합니다. 인구 밀집 도시 지역의 교통 흐름 모니터링, 위성 이미지 분석, 중공업의 제조 자동화와 같은 사용 사례는 재매개변수화된 아키텍처의 이점을 얻을 수 있습니다. 또한 특정 PyTorch 1.x 파이프라인을 중심으로 구축된 레거시 환경에서도 여전히 널리 사용됩니다.

YOLOv10을 사용해야 하는 경우#

YOLOv10의 NMS가 필요 없는 경량 설계는 NVIDIA Jetson 모듈이나 Raspberry Pi와 같은 엣지 컴퓨팅 장치를 비롯한 리소스 제약 환경에 적합합니다. 지연 시간이 짧아 스포츠 분석, 자율 드론 내비게이션, 컨베이어 벨트의 고속 로봇 분류와 같은 빠른 처리가 필요한 애플리케이션에 적합합니다.

Ultralytics 생태계의 이점#

두 모델 모두 탄탄한 학술적 기반을 갖추고 있지만, Ultralytics 생태계와 Ultralytics Platform에서 YOLOv10을 가장 쉽게 학습하고 배포할 수 있습니다. 컴퓨터 비전 모델을 처음부터 개발하는 일은 어렵지만, Ultralytics 생태계는 머신러닝 엔지니어의 워크플로를 간소화합니다.

  • 사용 편의성: Ultralytics Python API는 통합 인터페이스를 제공합니다. 몇 줄의 코드만으로 모델을 학습하고 검증한 뒤 내보낼 수 있어, 학술 저장소에서 흔히 발생하는 종속성 충돌을 피할 수 있습니다.
  • 잘 관리되는 생태계: Ultralytics 코드베이스는 활발히 개발되고 있으며, 사용자는 로깅용 Weights & Biases나 빠른 웹 데모 제작용 Gradio와 같은 인기 ML 도구와의 통합을 활용할 수 있습니다.
  • 메모리 요구 사항: Transformer 기반 객체 감지기는 학습 중 CUDA 메모리를 많이 사용하는 경우가 많습니다. 반면 Ultralytics YOLO 모델은 훨씬 적은 메모리를 사용하므로 일반 소비자용 하드웨어에서도 훨씬 큰 배치 크기를 사용할 수 있습니다.
  • 다용성: Ultralytics 파이프라인은 표준 바운딩 박스에만 국한되지 않습니다. 인스턴스 분할, 이미지 분류, 포즈 추정, 방향 바운딩 박스를 지원하며, 지원되는 모델 계열에는 YOLO11과 YOLOv8이 포함됩니다.

간소화된 학습 예제#

Ultralytics를 사용하면 학습 파이프라인을 간편하게 실행할 수 있습니다. YOLOv10의 NMS가 필요 없는 속도를 활용하든 다른 지원 모델을 사용하든 구문은 동일합니다(단, 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 기기에서 YOLO26n은 CPU 기준 YOLO11n보다 최대 43% 빠르게 실행됩니다.
  • 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.

미래를 향해: YOLO26 소개#

YOLOv7과 YOLOv10은 인상적인 이정표이지만, AI 기술은 끊임없이 발전하고 있습니다. 2026년 1월에 출시된 Ultralytics YOLO26은 엣지 및 클라우드 배포 전반에서 효율성과 정확도를 높이기 위해 권장되는 모델입니다.

지금 새로운 컴퓨터 비전 프로젝트를 시작한다면 YOLO26 아키텍처를 권장합니다. YOLO26은 이전 모델을 바탕으로 여러 혁신을 더했습니다.

  • 엔드투엔드 NMS-Free 설계: YOLOv10에서 영감을 얻은 YOLO26의 선택적 원투원 헤드(nms=False)는 NMS 후처리를 건너뛰어 실시간 로보틱스에서 더 낮고 일관된 지연 시간을 제공합니다.
  • CPU 추론 최대 43% 향상: Distribution Focal Loss(DFL) 모듈을 제거해 YOLO26은 GPU가 아닌 엣지 하드웨어에서 실행 속도를 높입니다. YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 IoT 장치에 적합합니다.
  • MuSGD 옵티마이저: 최근 대규모 언어 모델 학습 혁신에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드 방식을 적용해 더욱 안정적으로 학습하고 더 빠르게 수렴합니다.
  • ProgLoss + STAL: 점진적 손실 함수와 작은 객체를 고려한 레이블 할당은 소형 객체 인식을 개선해 이전 YOLO 세대의 오래된 약점을 극복합니다.
  • 다중 작업 다용성: YOLO26은 감지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 포즈 추정, OBB를 지원합니다. 포즈 추정용 Residual Log-Likelihood Estimation(RLE)과 항공 이미지에서 정밀한 OBB 감지를 위한 특수 각도 손실 함수 등 작업별 최적화도 제공합니다.

속도, 정확도, 배포 간편성의 균형을 중시하는 엔지니어에게 YOLO26은 레거시 모델의 자연스러운 업그레이드 선택지입니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.