YOLOv7 대 YOLOv8#

컴퓨터 비전의 빠른 발전으로 개발자와 연구자를 위한 강력한 도구가 다양하게 등장했습니다. 적합한 객체 감지 파이프라인 아키텍처를 결정할 때는 검증된 모델을 비교하는 것이 필수적입니다. 이 기술 가이드에서는 영향력이 큰 두 모델인 YOLOv7과 Ultralytics YOLOv8의 아키텍처, 성능 지표 및 이상적인 사용 사례를 심층적으로 살펴봅니다.

아키텍처 소개#

두 모델 모두 성능에서 상당한 도약을 보여주지만, 심층 신경망 최적화라는 과제에 서로 다른 구조적 철학으로 접근합니다.

YOLOv7: Bag-of-Freebies의 선구자#

2022년 중반에 소개된 YOLOv7은 아키텍처의 그래디언트 경로 최적화와 "trainable bag-of-freebies" 개념에 중점을 두어 고성능 하드웨어에서 실시간 감지의 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 내용: YOLOv7은 주로 앵커 기반 감지 헤드를 사용하며(앵커 프리 브랜치도 실험적으로 도입함), Extended Efficient Layer Aggregation Networks (E-ELAN)를 도입합니다. 이 설계는 기존 그래디언트 경로를 손상시키지 않고 네트워크의 학습 능력을 향상합니다. 서버급 GPU에서 탁월한 성능을 발휘하므로 고강도 비디오 분석에 매우 적합합니다.

강점과 약점: YOLOv7은 전용 하드웨어에서 뛰어난 지연 시간을 달성하지만 생태계가 매우 파편화되어 있습니다. 학습을 위해서는 복잡한 명령줄 인수, 수동 리포지토리 클론, PyTorch의 엄격한 종속성 관리가 필요합니다. 또한 학습 중 메모리 요구 사항이 일반 소비자용 하드웨어에서는 감당하기 어려울 수 있습니다.

YOLOv7에 대해 자세히 알아보세요

Ultralytics YOLOv8: 다재다능한 표준#

2023년 초에 출시된 YOLOv8은 최첨단 정확도뿐만 아니라 통합된 프로덕션 지원 프레임워크 제공에 중점을 두어 개발자 경험을 완전히 재정의했습니다.

• 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
• 조직: Ultralytics
• 날짜: 2023-01-10
• GitHub: ultralytics/ultralytics
• 플랫폼: Ultralytics YOLOv8

아키텍처 주요 내용: YOLOv8은 기본적으로 앵커 프리 감지 헤드를 도입하여 MS COCO 데이터셋 또는 사용자 지정 데이터 분포에 기반한 앵커 박스 수동 구성의 필요성을 제거했습니다. 그래디언트 흐름을 개선하는 C2f 모듈을 통합하고, 객체성, 분류 및 회귀 작업을 분리하는 디커플드 헤드 구조를 사용합니다. 이를 통해 수렴 속도를 크게 높이고 정확도를 향상합니다.

강점과 약점: YOLOv8은 메모리 요구 사항 효율성이 뛰어납니다. YOLOv7 및 더 무거운 Transformer 모델에 비해 학습 중 CUDA 메모리를 훨씬 적게 사용하므로 개발자가 더 큰 배치 크기를 사용할 수 있습니다. 주요 강점은 인스턴스 세그멘테이션, 이미지 분류, 자세 추정, Oriented Bounding Boxes (OBB)를 기본적으로 지원하는 범용성에 있습니다. 유일한 사소한 단점은 YOLOv7 텐서 전용으로 구축된 매우 특수한 레거시 파이프라인의 경우 짧은 리팩터링 기간이 필요할 수 있다는 점입니다.

상세 성능 비교#

다음 표에서는 주요 모델 크기 전반의 성능 지표를 분석합니다. YOLOv8이 달성한 뚜렷한 성능 균형에 주목하시기 바랍니다. YOLOv8은 세계적 수준의 정확도를 유지하면서 엣지 디바이스에서 빠른 추론을 수행하도록 집중적으로 최적화되었습니다.

참고: 이 그룹에서는 YOLOv8x가 가장 높은 mAP를 달성하는 반면, YOLOv8n은 파라미터 효율성과 추론 속도에서 우위를 차지하므로 엣지 AI 디바이스에 컴퓨터 비전을 배포하는 데 있어 확실한 최적의 선택입니다.

사용 편의성 및 학습 효율성#

사용 편의성 측면에서 Ultralytics YOLOv8은 독보적입니다. YOLOv7과 같은 이전 아키텍처는 특정 리포지토리를 클론하고 장황한 명령줄 스크립트를 실행하여 데이터셋과 경로를 구성해야 합니다.

반면 YOLOv8의 ultralytics 패키지는 매우 간소화된 개발자 경험을 제공합니다. 자동 데이터 다운로드, 바로 사용할 수 있는 사전 학습 가중치, ONNX 및 TensorRT와 같은 형식으로 원활하게 내보낼 수 있는 기능을 통해 학습 효율성을 극대화합니다.

다음은 Ultralytics Python API를 사용하여 얼마나 쉽게 모델을 로드하고 학습하며 추론을 실행할 수 있는지 보여주는 예시입니다.

from ultralytics import YOLO

# Load a pretrained YOLOv8 nano model
model = YOLO("yolov8n.pt")

# Train the model efficiently on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Display the predictions
predictions[0].show()

이상적인 사용 사례#

이러한 아키텍처 중 하나를 선택하는 것은 대개 배포 환경의 구체적인 제약 조건에 따라 결정됩니다.

YOLOv7을 선택해야 하는 경우#

• 레거시 벤치마킹: 2022년의 아키텍처 표준과 비교하기 위해 고정된 기준선이 필요한 연구자에게 적합합니다.
• 기존 고성능 인프라: YOLOv7의 특정 텐서 구성이 레거시 C++ 파이프라인에 깊이 통합되어 있으며 NVIDIA V100 또는 A100 GPU에 크게 투자한 환경에 적합합니다.

YOLOv8을 선택해야 하는 경우#

• 크로스 플랫폼 프로덕션: 클라우드 GPU, 모바일 디바이스 및 브라우저 전반에 원활하게 배포해야 하는 팀에 적합합니다.
• 멀티 태스크 요구 사항: 프로젝트가 바운딩 박스를 넘어 풍부한 인스턴스 세그멘테이션 마스크 또는 자세 키포인트를 활용해야 하는 경우에 적합합니다.
• 리소스가 제한된 엣지: YOLOv8 Nano (yolov8n)는 로보틱스, 드론 및 IoT 센서에 놀라운 정확도 대비 속도 비율을 제공합니다.

향후 전망: YOLO26으로의 세대적 도약#

YOLOv8은 여전히 매우 강력한 선택지이지만 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 완전히 새로운 고성능 프로젝트를 시작하는 개발자라면 Ultralytics가 최근 선보인 차세대 AI 모델을 살펴보는 것이 좋습니다. 고도로 개선된 YOLO11과 새롭게 출시된 YOLO26을 모두 검토할 것을 적극 권장합니다.

2026년 1월에 출시된 YOLO26은 엣지 디바이스에서 가능한 성능의 한계를 확장합니다.

• 엔드 투 엔드 NMS 프리 설계: YOLO26은 기본적으로 엔드 투 엔드 방식으로 작동하며 비최대 억제(NMS) 후처리를 완전히 제거합니다. 이를 통해 기존의 밀집 예측 모델에서 발생하는 지연 시간 병목 없이 훨씬 빠르고 간단한 배포 파이프라인을 구현할 수 있습니다.
• DFL 제거: Distribution Focal Loss를 제거함으로써 YOLO26은 훨씬 간단한 모델 배포 옵션과 뛰어난 엣지 호환성을 제공합니다.
• 최대 43% 더 빠른 CPU 추론: Raspberry Pi 및 임베디드 시스템과 같은 제약된 환경에 맞게 집중적으로 최적화되어 모든 이전 세대보다 CPU 처리량이 뛰어납니다.
• MuSGD Optimizer: 대규모 언어 모델(LLM) 학습 패러다임에서 영감을 받은 YOLO26은 SGD와 Muon의 하이브리드 방식을 통합합니다. 이를 통해 전례 없는 학습 안정성과 매우 빠른 수렴을 제공합니다.
• ProgLoss + STAL: 이러한 고급 손실 함수는 소형 객체 인식 성능을 크게 향상하며, 이는 항공 이미지, 자동화된 농업 및 로보틱스에 매우 중요합니다.

YOLOv8으로 대규모 비디오 분석 클러스터를 확장하거나 최첨단 YOLO26으로 소형 엣지 디바이스에서 추론을 수행하는 경우에도 Ultralytics Platform은 전체 AI 라이프사이클을 원활하게 관리할 수 있는 도구를 제공합니다.