콘텐츠로 건너뛰기

YOLOv7 YOLOv5: 높은 정확도와 생산적 다용도성 사이의 균형

적절한 객체 탐지 아키텍처를 선택하는 것은 종종 순수한 학술적 성능과 실제 배포 용이성 사이의 절충점을 찾는 과정입니다. 이 상세한 비교는 YOLO 두 가지 중요한 이정표를 탐구합니다: YOLOv7, "bag-of-freebies" 아키텍처 최적화로 유명한 모델과 YOLOv5는 사용성, 속도, 그리고 생산 환경에서의 대규모 채택으로 유명한 전설적인 Ultralytics .

경영진 요약

한편 YOLOv7 E-ELAN과 같은 복잡한 아키텍처 선택을 통해 COCO 더 높은 피크 정확도(mAP)를 달성하는 반면, YOLOv5 는 사용성 측면에서 업계 표준으로 자리매김하며, 더 간소화된 훈련 경험, 낮은 자원 소비, 그리고 광범위한 배포 지원을 제공합니다. 2026년 신규 프로젝트를 시작하는 개발자들에게는 논의가 자연스럽게 Ultralytics 이동하고 있습니다. 이 Ultralytics v7의 정확도 이점과 v5의 사용성을 결합하고, 원생적인 엔드투엔드 NMS 프리 추론을 제공합니다.

성능 지표 비교

다음 표는 주요 변형 간의 성능 차이를 보여줍니다. YOLOv7 고성능 GPU YOLOv7 반면, YOLOv5 모바일 기기부터 클라우드 서버까지 모든 환경에 적합한 세분화된 모델 범위를 YOLOv5 .

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
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4

YOLOv7: 강력한 아키텍처

YOLOv4의 저자들이 2022년 7월에 공개한 YOLOv7 실시간 객체 탐지 정확도의 한계를 뛰어넘기 위한 여러 고급 개념을 도입했습니다.

7에 대해 자세히 알아보기

주요 아키텍처 기능

  1. E-ELAN(확장 효율적 레이어 집합 네트워크): 이 구조는 최단 및 최장 기울기 경로를 제어함으로써 네트워크가 더 다양한 특징을 학습할 수 있게 합니다. 원래 기울기 경로를 파괴하지 않으면서 네트워크의 학습 능력을 향상시켜 복잡한 장면에서 더 높은 정확도를 이끌어냅니다.
  2. 모델 스케일링: 표준 복합 스케일링과 달리 YOLOv7 블록의 깊이와 너비를 동시에 YOLOv7 다양한 자원 제약 조건(예: YOLOv7 대 YOLOv7)에 최적화된 아키텍처를 보장합니다.
  3. 훈련 가능한 프리비즈 백: 본 모델은 계획된 재매개변수화 기법을 통합하여 훈련 중에는 모델 구조를 최적화하지만 추론 시에는 단순화함으로써 정확도 손실 없이 속도를 효과적으로 향상시킵니다.

YOLOv7의 이상적인 사용 사례

YOLOv7 자율주행 안전 시스템이나 고해상도 제조 이미지에서 미세한 결함 탐지와 같이 mAP 1% 포인트가 mAP 학술 연구 및 고급 산업 응용 분야에서 YOLOv7 성능을 YOLOv7 .

YOLOv5: 프로덕션 표준

YOLOv5Ultralytics 개발한 Ultralytics 아키텍처뿐만 아니라 개발자 경험을 최우선으로 함으로써 이 분야에 혁신을 가져왔습니다. PyTorch 네이티브로 구현된 최초의 YOLO , 방대한 Python 커뮤니티가 접근할 수 있게 했습니다.

5에 대해 자세히 알아보기

개발자가 YOLOv5 선택하는 이유

  • 탁월한 다용도성: YOLOv7 주로 물체 탐지에 YOLOv7 반면, YOLOv5 기본적으로 인스턴스 분할과 이미지 분류를 YOLOv5 .
  • 낮은 메모리 사용량: YOLOv5 CUDA 매우 효율적으로 YOLOv5 , 트랜스포머 기반 모델이나 더 무거운 아키텍처에 비해 소비자용 하드웨어에서 더 큰 배치 크기를 지원합니다.
  • 배포 생태계: ONNX, CoreML, TFLite, TensorRT 원활한 내보내기를 제공하여 모바일 앱과 NVIDIA 같은 에지 디바이스에 최적의 선택입니다.

Ultralytics 이점: 에코시스템 및 사용성

이러한 모델들을 비교할 때, 주변 생태계는 종종 아키텍처 자체만큼 중요합니다. Ultralytics (YOLOv5 최신 YOLO26)은 통합되고 잘 관리되는 플랫폼의 혜택을 받습니다.

사용 편의성 및 교육 효율성 향상

모델 훈련에 컴퓨터 과학 박사 학위가 필요하지 않습니다. Ultralytics 워크플로를 표준화하는 간단한 Python Ultralytics . YOLOv5 훈련에서 YOLO11 또는 YOLO26 모델 훈련으로 전환할 수 있습니다.

from ultralytics import YOLO

# Load a model (YOLOv5 or the newer YOLO26)
model = YOLO("yolo26n.pt")

# Train on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

통합 플랫폼

Ultralytics 사용자는 데이터셋 관리, 자동화된 어노테이션, 원클릭 모델 배포를 위한 웹 기반 허브인 Ultralytics 접근할 수 있습니다. 이러한 생태계 통합은 원시 저장소 관리에 비해 컴퓨터 비전 제품의 시장 출시 시간을 크게 단축시킵니다.

YOLO26으로 미래 대비하기

YOLOv7 YOLOv5 유능하지만, 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 새로운 프로젝트의 경우, Ultralytics 두 전임 모델에 비해 상당한 장점을 제공합니다.

2026년 1월 출시된 YOLO26은 이전 세대의 특정 한계를 해결합니다:

  • 엔드투엔드 NMS: YOLOv5 v7과 달리, YOLO26은 비최대 억제(NMS) 후처리 없이도 기본적으로 엔드투엔드 방식으로 작동합니다. 이로 인해 코드가 더 간결해지고 추론 속도가 빨라지며, 특히 NMS 병목 현상을 NMS 엣지 디바이스에서 그 효과가 두드러집니다.
  • MuSGD 최적화기: 대규모 언어 모델(LLM) 훈련 안정성에서 영감을 받아 개발된 이 새로운 최적화기는 v5/v7에서 SGD 빠른 수렴을 보장합니다.
  • 에지 최적화: 분포 초점 손실(DFL)을 제거함으로써 YOLO26은 CPU 최대 43% 더 빠른 속도를 보여 모바일 배포에 더 적합합니다.
  • 향상된 소형 물체 탐지: ProgLoss 및 STAL(앵커 학습을 통한 자체 훈련)을 통해 드론 및 항공 촬영 작업의 핵심 요소인 소형 물체 YOLOv7 능가합니다.

YOLO26에 대해 더 알아보기

결론

YOLOv7 는 강력한 아키텍처적 성과로, 연구자와 특정 고성능 GPU 높은 정확도를 제공합니다. 그러나 "bag-of-freebies" 복잡성에 집중한 특성상 Ultralytics 비해 수정 및 배포가 더 어려울 수 있습니다.

YOLOv5 검출, 분할, 분류와 같은 다양한 작업에서 뛰어난 성능 균형, 사용 편의성, 놀라운 다용도로 업계에서 여전히 전설적인 존재입니다. 많은 기존 생산 시스템에 안전하고 신뢰할 수 있는 선택지입니다.

높은 정확도와 사용 편의성이라는 두 마리 토끼를 모두 잡으려는 분들께는 YOLO26을 추천합니다. 사용자 친화적인 Ultralytics NMS 추론, MuSGD 최적화 같은 첨단 혁신 기술을 결합하여 애플리케이션이 빠르고 정확하며 미래에도 대응할 수 있도록 보장합니다.

추가 자료


댓글