YOLOv7과 YOLOv6-3.0 비교
컴퓨터 비전 분야는 끊임없이 발전하고 있으며, 새로운 객체 감지 모델은 꾸준히 속도와 정확도를 높이고 있습니다. 이 과정에서 중요한 이정표인 YOLOv7과 YOLOv6-3.0은 실제 애플리케이션의 처리량과 정밀도를 극대화하도록 설계된 독자적인 아키텍처 혁신을 각각 도입했습니다. 이 페이지에서는 두 아키텍처의 기술적 특성을 심층 분석하고 성능, 학습 방법론, 적합한 사용 사례를 비교해 다음 인공지능 프로젝트에 적합한 모델을 선택하도록 돕습니다.
YOLOv7: 백 오브 프리 기능의 선구자#
2022년 중반에 출시된 YOLOv7은 추론 비용을 늘리지 않으면서 네트워크 아키텍처를 최적화하는 여러 혁신적인 전략을 도입했습니다. 실시간 성능을 유지하면서 정확도를 높이기 위해 학습 가능한 '공짜 점심(bag-of-freebies)'에 집중했습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2022-07-06
- arXiv: 2207.02696
- GitHub: WongKinYiu/yolov7
- 문서: Ultralytics YOLOv7 문서
아키텍처 주요 특징#
YOLOv7의 특징은 Extended Efficient Layer Aggregation Network(E-ELAN)입니다. 이 아키텍처는 가장 짧은 그래디언트 경로와 가장 긴 그래디언트 경로를 제어하여 모델이 더 다양한 특징을 학습하도록 합니다. 또한 YOLOv7은 추론 중 구조적 재매개변수화 기법을 사용해 합성곱 레이어를 병합합니다. 이를 통해 학습된 표현을 희생하지 않고 파라미터 수와 연산 시간을 효과적으로 줄입니다.
또한 이 모델은 독특한 보조 헤드 학습 전략을 갖추고 있습니다. 최종 예측에는 '리드 헤드'를 사용하고 중간 레이어 학습을 유도하는 데는 '보조 헤드'를 사용하여 YOLOv7은 더 나은 수렴과 풍부한 특징 추출을 달성하며, 특히 까다로운 객체 탐지 작업에 효과적입니다.
YOLOv6-3.0: 산업용 처리량#
Meituan Vision AI Department에서 개발한 YOLOv6-3.0은 '산업용 애플리케이션을 위한 차세대 객체 탐지기'로 명확히 설계되었습니다. 2023년 초에 출시되었으며, 특히 NVIDIA GPU의 하드웨어 활용도를 극대화하는 데 중점을 둡니다.
- 저자: Chuyi Li, Lulu Li, Yifei Geng 외
- 조직: Meituan
- 날짜: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- 문서: Ultralytics YOLOv6 문서
아키텍처 주요 특징#
YOLOv6-3.0은 GPU 병렬 처리에 최적화된 EfficientRep 백본을 채택해 대규모 배치 처리에 매우 효율적입니다. 버전 3.0에서는 넥에 양방향 연결 모듈(BiC)을 도입해 여러 스케일에 걸친 특징 융합을 강화하고, 다양한 크기의 객체를 감지하는 모델의 능력을 개선했습니다.
또한 YOLOv6-3.0은 앵커 보조 학습(AAT) 전략을 사용합니다. 이 접근 방식은 앵커 기반 학습과 앵커 프리 추론의 장점을 결합해 학습 단계에서는 앵커의 안정성을 유지하고, 배포 시에는 앵커 프리 설계의 속도와 간결성을 제공합니다.
성능 비교#
프로덕션용 모델을 평가할 때는 정확도(mAP)와 추론 속도 및 연산 오버헤드(FLOPs) 간의 균형이 중요합니다. 다음은 두 모델의 표준 변형을 상세히 비교한 내용입니다.
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLOv6-3.0은 (TensorRT와 같은) 높은 처리량의 GPU 환경에 적합하고, YOLOv7은 특징 보존을 우선하는 시스템에 균형 잡힌 선택지를 제공합니다.
Ultralytics의 강점#
YOLOv7과 YOLOv6-3.0의 독립 저장소는 강력한 기능을 제공하지만, Ultralytics 생태계는 개발자 경험을 간소화합니다. ultralytics Python 패키지는 다양한 아키텍처를 직관적인 단일 프레임워크로 표준화합니다.
- 사용 편의성: Ultralytics API를 사용하면 최소한의 상용구 코드로 YAML 구성 기반 YOLOv6 모델이나 YOLO26과 같은 최신 모델을 구축하고 학습하며 배포할 수 있습니다. YOLOv7은 기본 지원되지 않으므로, 업스트림 YOLOv7 체크포인트를 먼저 ONNX 또는 TensorRT로 내보내야 합니다. 모델 파일을 변경하면 지원되는 아키텍처 간에 전환할 수 있습니다.
- 잘 관리되는 생태계: Ultralytics는 자주 업데이트되는 활발한 개발 환경을 제공하여 최신 PyTorch 배포판 및 CUDA 버전과의 기본 호환성을 보장합니다.
- 학습 효율성: 학습 파이프라인은 GPU 리소스를 효과적으로 사용하도록 최적화되어 있습니다. 또한 Ultralytics YOLO 모델은 일반적으로 RT-DETR과 같은 대형 Transformer 기반 모델보다 학습 중 메모리 요구량이 적어 일반 소비자용 하드웨어에서 더 큰 배치 크기를 사용할 수 있습니다.
- 다용성: Ultralytics 프레임워크는 표준 바운딩 박스 감지 외에도 인스턴스 분할, 이미지 분류, 포즈 추정, 방향 바운딩 박스와 같은 작업을 호환 모델 계열 전반에서 지원합니다. 이러한 기능은 독립 연구 저장소에서 제공되지 않는 경우가 많습니다.
코드 예제: 학습 및 추론#
이러한 모델을 Python 파이프라인에 통합하는 과정은 간단합니다. 데이터셋이 COCO 데이터셋과 같은 YOLO 감지 형식을 사용하는지 확인한 다음 다음을 실행하세요.
from ultralytics import YOLO
# YAML 구성에서 YOLOv6n 모델을 빌드합니다(사전 학습된 YOLOv6 가중치는 제공되지 않음).
model = YOLO("yolov6n.yaml")
# 기본 제공 하이퍼파라미터 관리를 사용해 모델을 학습합니다.
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 이미지 URL 또는 로컬 경로에서 추론을 실행합니다.
predictions = model("https://ultralytics.com/images/bus.jpg")
# 탐지 결과를 시각화합니다.
predictions[0].show()적합한 사용 사례#
YOLOv7을 선택할 경우#
YOLOv7은 높은 정확도와 밀집된 특징 추출이 필요한 시나리오에서 뛰어난 성능을 발휘합니다.
- 복잡한 감시: 세밀한 정보를 보존하는 성능 덕분에 혼잡한 장면을 모니터링하거나 스마트 시티 인프라의 작은 이상 징후를 탐지하는 데 적합합니다.
- 학술 벤치마킹: 포괄적인 '공짜 점심(bag-of-freebies)' 설계 철학으로 인해 연구에서 강력한 기준선으로 자주 사용됩니다.
YOLOv6-3.0을 선택해야 하는 경우#
YOLOv6-3.0은 대용량 GPU 가속 파이프라인에 적합한 핵심 작업 모델입니다.
- 산업 자동화: 서버급 GPU가 여러 비디오 스트림을 동시에 처리하는 공장 라인과 제조 결함 감지에 적합합니다.
- 고처리량 분석: 초당 프레임 수를 최대화하는 것이 주된 목표인 오프라인 비디오 아카이브 처리에 유용합니다.
미래: YOLO26#
YOLOv7과 YOLOv6-3.0은 성능이 뛰어나지만, 인공지능 기술의 빠른 발전에 따라 더 높은 효율성이 요구됩니다. 2026년 1월에 출시된 Ultralytics YOLO26은 이전 아키텍처의 여러 한계를 해결합니다.
새 프로젝트를 시작한다면 이전 세대보다 YOLO26을 권장합니다. YOLO26은 몇 가지 주요 기능을 도입합니다.
- 엔드투엔드 NMS-Free 설계: YOLOv10의 기반을 바탕으로 한 YOLO26의 선택적 원투원 헤드(
nms=False)는 비최대 억제(NMS)를 건너뜁니다. 따라서 후처리 오버헤드가 줄어 모바일 애플리케이션 배포가 간소화되고 추론 지연 시간이 낮고 일관되게 유지됩니다. - MuSGD 옵티마이저: Moonshot AI의 Kimi K2에서 사용된 기법과 같은 고급 LLM 학습 기법에서 영감을 얻은 YOLO26은 SGD와 Muon을 결합한 하이브리드 옵티마이저를 사용합니다. 이를 통해 더 안정적으로 학습하고 더 빠르게 수렴합니다.
- CPU 추론 최대 43% 향상: Distribution Focal Loss(DFL)를 제거해 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행됩니다. 따라서 YOLO26은 Raspberry Pi와 원격 IoT 센서 같은 엣지 환경에 적합합니다.
- ProgLoss + STAL: 점진적 손실 함수와 작은 객체를 고려한 레이블 할당은 소형 객체 인식을 개선하도록 설계되었으며, 이는 단일 단계 감지기의 오랜 약점이었습니다.
이러한 혁신을 Ultralytics Platform과 결합한 YOLO26은 머신러닝 엔지니어에게 뛰어난 성능, 다중 작업 다용성, 간편한 배포를 제공합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.