YOLOv7과 YOLOv8 비교
컴퓨터 비전의 빠른 발전은 개발자와 연구자가 활용할 수 있는 다양한 도구를 낳았습니다. 객체 감지 파이프라인에 사용할 아키텍처를 선택할 때 검증된 모델을 비교하는 일은 필수적입니다. 이 가이드에서는 영향력 있는 두 모델인 YOLOv7과 Ultralytics YOLOv8의 아키텍처, 성능 지표, 적합한 사용 사례를 살펴봅니다.
아키텍처 소개#
두 모델 모두 성능을 크게 향상했지만, 심층 신경망을 최적화하는 설계 방식은 서로 다릅니다.
YOLOv7: 백 오브 프리 기능의 선구자#
2022년 중반에 출시된 YOLOv7은 아키텍처의 그래디언트 경로 최적화와 '학습 가능한 공짜 점심(bag-of-freebies)' 개념에 집중하여 고성능 하드웨어에서 실시간 탐지의 한계를 확장했습니다.
- 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: YOLOv7은 주로 앵커 기반 감지 헤드를 사용하며(앵커가 필요 없는 분기도 실험함), 확장형 효율적 레이어 집계 네트워크(E-ELAN)를 도입했습니다. 이 설계는 기존 그래디언트 경로를 훼손하지 않으면서 네트워크의 학습 능력을 개선합니다. 서버급 GPU에서 성능이 뛰어나 고부하 비디오 분석에 적합합니다.
강점과 약점: YOLOv7은 전용 하드웨어에서 지연 시간이 짧지만, 도구 통합 수준은 낮습니다. 학습하려면 저장소를 복제하고, PyTorch 종속성을 수동으로 관리하고, 명령줄 인수를 많이 전달해야 합니다. 일반 소비자용 하드웨어에서는 학습에 필요한 메모리도 많이 들 수 있습니다.
Ultralytics YOLOv8: 다재다능한 표준 모델#
2023년 초에 출시된 YOLOv8은 높은 정확도와 함께 학습, 검증, 배포를 위한 통합된 프로덕션 준비 프레임워크를 제공했습니다.
- 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직: Ultralytics
- 날짜: 2023-01-10
- GitHub: ultralytics/ultralytics
- 플랫폼: Ultralytics YOLOv8
아키텍처 주요 특징: YOLOv8은 기본 앵커 프리 감지 헤드를 도입해 MS COCO 데이터셋이나 사용자 지정 데이터 분포에 맞춰 앵커 박스를 수동으로 설정할 필요를 없앴습니다. 그래디언트 흐름을 개선하는 C2f 모듈을 포함하고, 분류와 회귀 작업을 분리하는 분리형 헤드 구조를 사용해 수렴 속도와 정확도를 높입니다.
강점과 약점: YOLOv8은 메모리 효율이 높아 학습 중 YOLOv7이나 대형 Transformer 모델보다 CUDA 메모리를 적게 사용하는 편이므로 배치 크기를 늘릴 수 있습니다. 가장 큰 강점은 다용성으로, 인스턴스 분할, 이미지 분류, 포즈 추정, 방향 바운딩 박스(OBB)를 기본 지원합니다. 주요 단점은 YOLOv7 출력 텐서를 중심으로 구축된 레거시 파이프라인을 리팩터링해야 할 수 있다는 점입니다.
Ultralytics YOLOv8은 활발히 관리되는 생태계에 속합니다. 독립 연구 저장소와 비교할 때 Python API, 정기 릴리스, 커뮤니티 지원을 통해 로컬 테스트에서 프로덕션 배포까지 걸리는 시간을 단축합니다.
상세 성능 비교#
다음 표에서는 주요 모델 크기별 성능 지표를 정리합니다. YOLOv8은 엣지 장치용 소형 모델부터 이번 비교에서 가장 높은 정확도를 보이는 대형 모델까지 폭넓은 속도와 정확도 간 균형을 제공합니다.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
참고: 이 모델 그룹에서는 YOLOv8x의 mAP가 가장 높고, YOLOv8n의 파라미터 수가 가장 적으며 추론 속도가 가장 빠릅니다. 따라서 엣지 AI 장치에 컴퓨터 비전을 배포하는 데 적합한 선택입니다.
사용 편의성 및 학습 효율성#
Ultralytics YOLOv8은 사용 편의성을 고려해 설계되었습니다. YOLOv7과 같은 이전 아키텍처는 특정 저장소를 복제하고 상세한 명령줄 스크립트를 실행해 데이터셋과 경로를 설정해야 합니다.
반면 YOLOv8의 ultralytics 패키지는 자동 데이터셋 다운로드, 즉시 사용할 수 있는 사전 학습 가중치, ONNX 및 TensorRT와 같은 형식을 위한 내장 내보내기 지원을 통해 간소화된 워크플로를 제공합니다.
다음 예제에서는 Ultralytics Python API를 사용해 모델을 불러와 학습하고 추론을 실행합니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv8 나노 모델을 로드합니다.
model = YOLO("yolov8n.pt")
# COCO8 데이터셋에서 모델을 효율적으로 학습합니다
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# 테스트 이미지에서 빠르게 추론을 실행합니다.
predictions = model("https://ultralytics.com/images/bus.jpg")
# 예측 결과 표시
predictions[0].show()YOLOv8은 Weights & Biases, ClearML과 같은 인기 MLOps 도구와 통합되므로 하이퍼파라미터 튜닝과 학습 지표를 실시간으로 모니터링할 수 있습니다.
적합한 사용 사례#
이러한 아키텍처 중 하나를 선택할 때는 배포 환경의 구체적인 제약 조건을 고려해야 하는 경우가 많습니다.
YOLOv7을 선택할 경우#
- 레거시 벤치마킹: 2022년의 아키텍처 표준과 비교할 고정 기준선이 필요한 연구자에게 적합합니다.
- 이미 구축된 대규모 인프라: YOLOv7 출력 텐서가 레거시 C++ 파이프라인에 내장된 NVIDIA V100 또는 A100 GPU 기반 환경입니다.
YOLOv8을 선택해야 하는 경우#
- 크로스 플랫폼 프로덕션: 클라우드 GPU, 모바일 장치, 브라우저 전반에 배포해야 하는 팀에 적합합니다.
- 다중 작업 요구 사항: 프로젝트에서 바운딩 박스 외에도 인스턴스 분할 마스크나 포즈 키포인트가 필요한 경우입니다.
- 리소스 제약 엣지: YOLOv8 Nano(
yolov8n)는 로보틱스, 드론, IoT 장치에 적합한 정확도 대비 속도 비율을 제공합니다.
미래를 바라보며: YOLO26으로의 세대적 도약#
YOLOv8은 여전히 신뢰할 만한 선택이지만, 신규 프로젝트에는 최신 Ultralytics 모델인 YOLO11과 현재 권장 모델인 YOLO26을 사용할 수 있습니다.
2026년 1월에 출시된 YOLO26은 엣지 장치에 효율적으로 배포할 수 있도록 설계되었습니다.
- 엔드투엔드 NMS-Free 설계: YOLO26은 기본 엔드투엔드 추론을 지원하며, 선택적 원투원 헤드(
nms=False)를 사용해 비최대 억제(NMS) 후처리를 건너뜁니다. 이를 통해 배포 파이프라인을 간소화하고 별도의 NMS 단계에서 발생하는 지연 시간을 없앱니다. - DFL 제거: Distribution Focal Loss를 제거하면 감지 헤드가 간소화되고 모델 배포 옵션이 확대되며 엣지 호환성이 향상됩니다.
- CPU 추론 최대 43% 향상: CPU ONNX 추론에서 YOLO26n은 YOLO11n보다 최대 43% 빠르게 실행되므로 Raspberry Pi와 기타 임베디드 시스템 같은 제약이 있는 장치에 적합합니다.
- MuSGD 옵티마이저: 대규모 언어 모델(LLM) 학습에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드 방식을 사용해 더욱 안정적으로 학습하고 더 빠르게 수렴합니다.
- ProgLoss + STAL: 점진적 손실 함수와 작은 객체를 고려한 레이블 할당(STAL)은 소형 객체 감지를 개선하며, 항공 이미지, 농업, 로보틱스 분야에서 특히 중요합니다.
대규모 비디오 분석 클러스터에 YOLOv8을 배포하든 소형 엣지 장치에 YOLO26을 배포하든, Ultralytics Platform은 전체 AI 라이프사이클에 걸쳐 데이터 어노테이션, 모델 학습, 배포를 위한 도구를 제공합니다.
댓글1
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.
rosin7596(수정됨)
Well-explained comparison! YOLOv7 continues to perform impressively in terms of speed and accuracy, especially for real-time detection tasks on limited hardware. However, this YOLOv8 comparison shows how v8 introduces improvements like a more modular architecture, better support for multi-task learning, and streamlined training. Both models serve different needs, making the choice highly use-case dependent.