YOLOv7과 YOLOv5 비교
최신 컴퓨터 비전 파이프라인을 구축할 때는 정확도, 추론 속도, 리소스 활용률 간 균형을 맞추기 위해 적합한 객체 감지 아키텍처를 선택하는 일이 중요합니다. 이 비교에서는 컴퓨터 비전 분야의 영향력 있는 두 모델인 YOLOv7과 Ultralytics YOLOv5를 살펴봅니다.
이 가이드는 아키텍처 차이, 성능 지표, 적합한 배포 시나리오를 분석해 개발자와 연구자가 특정 요구 사항에 가장 적합한 모델을 선택하도록 돕습니다.
모델의 배경과 기원#
모델의 기원을 이해하면 모델의 설계 철학과 목표 사용 사례를 파악하는 데 도움이 됩니다.
YOLOv5#
2020년 6월 26일 Glenn Jocher와 Ultralytics 팀이 출시한 YOLOv5는 성능을 희생하지 않으면서 사용성을 우선시하는 기본 PyTorch 구현을 제공했습니다. 간소화된 생태계와 안정적인 학습 동역학 덕분에 빠르게 업계 표준으로 자리 잡았습니다. YOLOv5 GitHub 저장소에서 소스 코드를 살펴보거나 Ultralytics Platform에서 모델에 바로 접근할 수 있습니다.
YOLOv7#
대만 Academia Sinica 정보과학연구소의 Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao가 2022년 7월 6일에 발표한 YOLOv7은 정확도 측면에서 최첨단 성능을 끌어올리기 위해 확장형 효율적 계층 집계 네트워크(E-ELAN)와 학습 가능한 "bag-of-freebies" 같은 아키텍처 혁신에 주력했습니다. 자세한 내용은 공식 arXiv 논문과 YOLOv7 GitHub 저장소에서 확인할 수 있습니다. Ultralytics에서 내보낸 YOLOv7 모델을 실행하는 방법은 Ultralytics YOLOv7 문서를 참조하세요.
YOLOv5는 Ultralytics Python 패키지에 완전히 통합되어 있습니다. YOLOv7은 학습이나 PyTorch 추론을 기본 지원하지 않지만, 업스트림 YOLOv7 체크포인트를 ONNX 또는 TensorRT로 내보내면 YOLOv7 문서에 설명된 대로 Ultralytics에서 실행할 수 있습니다.
아키텍처 혁신#
Ultralytics YOLOv5 설계#
YOLOv5는 수정된 CSPDarknet53 백본과 경로 집계 네트워크(PANet) 넥을 사용합니다. 이 설계는 빠른 특징 추출과 메모리 효율에 최적화되어 있습니다. 이전 아키텍처나 대형 Transformer 모델과 달리 YOLOv5는 학습 중 CUDA 메모리를 훨씬 적게 사용하므로 일반 소비자용 GPU에서 더 큰 배치 크기를 사용할 수 있습니다. 표준 바운딩 박스 외에도 YOLOv5 저장소에는 인스턴스 분할(v7.0)과 이미지 분류(v6.2)가 추가되었습니다.
YOLOv7 설계#
YOLOv7은 여러 구조적 재매개변수화와 E-ELAN 아키텍처를 도입했습니다. 이를 통해 원래의 그래디언트 경로를 훼손하지 않으면서 네트워크가 더욱 다양한 특징을 학습할 수 있습니다. 또한 학습 중 중간 감독을 위한 보조 헤드를 구현합니다. 이러한 발전으로 평균 정밀도 (mAP)가 높아지지만, 복잡한 텐서 구조가 추가되는 경우가 많아 ONNX나 TensorRT와 같은 엣지 형식으로 내보내는 작업이 Ultralytics 모델의 간결한 네이티브 내보내기보다 다소 까다로울 수 있습니다.
성능 분석#
이 모델을 비교할 때 개발자는 mAPval50-95, 추론 속도, 연산 복잡도(FLOPs) 간의 균형을 고려해야 합니다. 아래 표는 COCO 데이터셋에서 평가한 두 아키텍처의 성능을 보여줍니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
핵심 요약#
- 최고 정확도: YOLOv7x는 53.1 mAPval50-95로 전반적으로 가장 높은 정확도를 달성하므로, 탐지 성능 극대화가 주요 목표인 시나리오에서 매우 경쟁력 있는 선택입니다.
- 속도와 효율성: Ultralytics YOLOv5n은 매우 효율적이며, T4 TensorRT에서 추론 지연 시간은 1.12ms이고 파라미터 수는 1.9M에 불과합니다. 따라서 리소스가 매우 제한된 엣지 배포에 적합합니다.
- 성능 균형: YOLOv5 시리즈는 다양한 모델 크기를 제공합니다. YOLOv5l은 정확도에서 YOLOv7l에 조금 못 미치지만, 성숙한 배포 파이프라인을 제공하는 균형 잡힌 선택지입니다.
Ultralytics 생태계의 이점#
모델 아키텍처는 전체 요소의 절반에 불과합니다. 모델을 둘러싼 생태계가 실제 환경에서의 활용 가능성을 결정하며, Ultralytics 모델은 이를 염두에 두고 구축되었습니다.
사용 편의성: Ultralytics는 통합되고 직관적인 Python API를 제공합니다. 방대한 공식 문서를 참고하면 최소한의 상용구 코드로 모델을 학습하고 검증하며 배포할 수 있습니다. 잘 관리되는 생태계: 활발한 개발을 통해 정기적인 업데이트와 버그 수정이 이루어지며, Weights & Biases와 같은 최신 추적 도구와도 통합됩니다. 학습 효율성: 최적화된 데이터 로더와 스마트 캐싱을 활용해 YOLOv5의 학습 시간을 단축합니다. 또한 즉시 사용할 수 있는 사전 학습 가중치로 다양한 도메인에서 전이 학습을 빠르게 수행할 수 있습니다.
코드 예제: 간소화된 학습#
Ultralytics 패키지에서는 지원되는 모든 아키텍처에서 동일한 방식으로 학습을 시작합니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv5 모델 불러오기
model = YOLO("yolov5su.pt") # YOLOv5u: ultralytics 패키지용 앵커 프리 YOLOv5 가중치
# COCO8 예제 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 배포를 위해 학습된 모델을 ONNX 형식으로 내보내기
success = model.export(format="onnx")적합한 사용 사례#
YOLOv7을 선택할 경우#
- 학술 벤치마킹: 잘 문서화된 2022년 기준 모델과 새로운 기법을 비교해야 하는 연구자에게 유용합니다.
- 고성능 GPU 클라우드 처리: 내보내기 간편성보다 복잡한 장면에서 최고의 mAP를 달성하는 일이 더 중요한 강력한 서버 하드웨어에 배포할 때 적합합니다.
YOLOv5를 선택할 경우#
- 프로덕션 배포: 높은 안정성, 간편한 모델 배포 옵션, 폭넓은 플랫폼 간 호환성이 필요한 상용 애플리케이션에 적합합니다.
- 엣지 장치: 더 작은 버전인 YOLOv5n과 YOLOv5s는 휴대전화와 임베디드 시스템에서 잘 실행됩니다.
- 다중 작업 요구 사항: 통합 프레임워크를 사용해 프로젝트를 단순 감지에서 인스턴스 분할이나 분류로 확장해야 하는 경우입니다.
더 최신 버전을 찾고 계신가요? 앵커 프리 탐지와 멀티태스크 학습 기능이 한층 발전한 Ultralytics YOLOv8 또는 Ultralytics YOLO11을 살펴보세요.
차세대 모델: Ultralytics YOLO26#
YOLOv5와 YOLOv7은 비전 AI 역사에서 중요한 위치를 차지하지만, 이 분야는 끊임없이 발전하고 있습니다. 2026년 1월에 출시된 Ultralytics YOLO26은 최신 Ultralytics 모델로, 정확도, CPU 속도, 배포 간소화 측면에서 이전 세대보다 개선되었습니다.
YOLO26은 다음과 같은 주요 기능을 도입합니다.
- 엔드투엔드 NMS 프리 설계: YOLOv10이 YOLO 모델에 도입한 NMS 프리 학습을 바탕으로, YOLO26은 엔드투엔드 헤드(
nms=False)를 선택적으로 제공하며, 이 헤드는 비최대 억제(NMS) 후처리를 생략해 지연 시간을 줄이고 배포 로직을 간소화합니다. - MuSGD 옵티마이저: Moonshot AI의 Kimi K2에서 영감을 얻은 이 하이브리드 옵티마이저는 표준 SGD와 Muon을 결합하여 LLM 학습 기법을 컴퓨터 비전에 적용하고, 학습 안정성을 높이며 수렴 속도를 개선합니다.
- 향상된 CPU 속도: Distribution Focal Loss(DFL)를 제거하여 YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠릅니다. 따라서 YOLO26은 엣지 AI와 저전력 IoT 디바이스 배포에 적합합니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식형 레이블 할당은 소형 객체 인식 성능을 높이며, 이는 항공 이미지와 정밀 로봇 공학에서 중요합니다.
- 작업별 개선 사항: 마스크 생성을 위한 시맨틱 세그멘테이션 손실, 포즈 추정을 위한 잔차 로그 가능도 추정(RLE), 방향 바운딩 박스(OBB) 경계 문제를 해결하는 특화된 각도 손실을 적용합니다.
결론#
YOLOv5와 YOLOv7은 모두 실시간 객체 감지를 위한 강력한 솔루션을 제공합니다. YOLOv7은 고성능 컴퓨팅 하드웨어에서 높은 정확도를 제공하는 강력한 선택지이며, YOLOv5는 속도와 효율성의 균형이 뛰어나고 성숙한 생태계를 갖춘 개발자 친화적인 도구로 돋보입니다.
하지만 속도, 간편성, 정확도를 최적으로 결합하여 파이프라인의 미래 경쟁력을 확보하려는 개발자에게는 Ultralytics YOLO26으로 마이그레이션하는 것을 권장합니다. YOLO26은 위에서 설명한 아키텍처 개선 사항을 더하면서 Ultralytics 생태계의 사용 편의성도 유지합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.