YOLOv7과 YOLOv8 비교#
컴퓨터 비전의 빠른 발전으로 개발자와 연구자가 활용할 수 있는 강력한 도구가 다양해졌습니다. 객체 탐지 파이프라인에 적합한 아키텍처를 결정할 때는 검증된 모델을 비교하는 것이 중요합니다. 이 기술 가이드에서는 영향력이 큰 두 모델인 YOLOv7과 Ultralytics YOLOv8의 아키텍처, 성능 지표, 이상적인 사용 사례를 심층적으로 살펴봅니다.
아키텍처 소개#
두 모델 모두 성능 면에서 상당한 도약을 보여주지만, 심층 신경망 최적화 과제에는 서로 다른 구조적 접근 방식으로 대응합니다.
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 탐지 헤드를 사용하며(앵커가 없는 분기도 실험함), Extended Efficient Layer Aggregation Networks(E-ELAN)를 도입합니다. 이 설계는 기존 그래디언트 경로를 손상시키지 않으면서 네트워크의 학습 능력을 향상합니다. 서버급 GPU에서 뛰어난 성능을 발휘하므로 고부하 비디오 분석에 매우 적합합니다.
장점과 단점: YOLOv7은 전용 하드웨어에서 지연 시간을 크게 줄이지만, 생태계가 매우 파편화되어 있습니다. 학습하려면 복잡한 명령줄 인수, 수동 저장소 복제, PyTorch의 엄격한 종속성 관리가 필요합니다. 또한 학습 중 메모리 요구량이 일반 소비자용 하드웨어에서 감당하기 어려울 수 있습니다.
Ultralytics YOLOv8: 다재다능한 표준 모델#
2023년 초에 출시된 YOLOv8은 최첨단 정확도뿐 아니라 통합된 프로덕션 준비 프레임워크 제공에도 중점을 두어 개발자 경험을 완전히 새롭게 정의했습니다.
- 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직: Ultralytics
- 날짜: 2023-01-10
- GitHub: ultralytics/ultralytics
- 플랫폼: Ultralytics YOLOv8
아키텍처 주요 특징: YOLOv8은 기본적으로 앵커가 없는 탐지 헤드를 도입하여 MS COCO 데이터셋이나 사용자 지정 데이터 분포에 맞춰 앵커 박스를 수동으로 구성할 필요를 없앴습니다. 그래디언트 흐름을 개선하는 C2f 모듈을 통합하고, 분류 작업과 회귀 작업을 분리하는 디커플드 헤드 구조를 사용합니다. 이를 통해 수렴 속도가 크게 빨라지고 정확도가 향상됩니다.
장점과 단점: YOLOv8은 메모리 요구량 효율성이 뛰어납니다. YOLOv7과 더 무거운 Transformer 모델에 비해 학습 중 CUDA 메모리를 훨씬 적게 사용하므로 개발자는 더 큰 배치 크기를 사용할 수 있습니다. 가장 큰 강점은 다용성으로, 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 경계 상자(OBB)를 기본적으로 지원합니다. 사소한 단점은 YOLOv7 텐서 전용으로 구축한 매우 특수한 레거시 파이프라인을 리팩터링하는 데 잠시 시간이 필요할 수 있다는 점입니다.
Ultralytics YOLOv8은 잘 관리되는 생태계의 이점을 누립니다. 직관적인 Python API, 활발한 개발, 탄탄한 커뮤니티 지원을 바탕으로 모델을 로컬 테스트에서 전 세계 배포까지 진행하는 데 독립형 저장소보다 훨씬 적은 시간이 걸립니다.
상세 성능 비교#
다음 표에서는 주요 모델 크기별 성능 지표를 분석합니다. 세계적 수준의 정확도를 유지하면서 엣지 디바이스에서 빠른 추론에 중점을 두고 최적화한 YOLOv8의 뚜렷한 성능 균형을 확인할 수 있습니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 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 그룹에서는 YOLOv8x가 가장 높은 mAP를 달성하고, YOLOv8n은 파라미터 효율성과 추론 속도에서 우위를 차지하므로 엣지 AI 디바이스에 컴퓨터 비전 배포에 가장 적합합니다.
사용 편의성 및 학습 효율성#
사용 편의성 측면에서 Ultralytics YOLOv8은 독보적입니다. YOLOv7과 같은 구형 아키텍처를 사용하려면 특정 저장소를 복제하고 데이터셋과 경로를 구성하기 위해 상세한 명령줄 스크립트를 실행해야 합니다.
반면 YOLOv8의 ultralytics 패키지는 개발자 경험을 크게 간소화합니다. 자동 데이터 다운로드, 즉시 사용할 수 있는 사전 학습 가중치, ONNX 및 TensorRT와 같은 형식으로 원활하게 내보내는 기능을 통해 학습 효율성을 극대화합니다.
Ultralytics Python API를 사용해 모델을 얼마나 간편하게 로드하고 학습한 뒤 추론을 실행할 수 있는지 확인해 보세요.
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 기본적으로 통합되어 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.
- 기존의 대규모 인프라: YOLOv7의 특정 텐서 구성이 레거시 C++ 파이프라인에 깊이 통합되어 있고 NVIDIA V100 또는 A100 GPU에 대규모 투자가 이루어진 환경입니다.
YOLOv8을 선택해야 하는 경우#
- 크로스 플랫폼 프로덕션: 클라우드 GPU, 모바일 디바이스, 브라우저 전반에 원활하게 배포해야 하는 팀에 적합합니다.
- 멀티태스크 요구 사항: 프로젝트에서 경계 상자를 넘어 풍부한 인스턴스 분할 마스크 또는 자세 키포인트를 활용해야 하는 경우입니다.
- 리소스 제약이 있는 엣지 환경: YOLOv8 Nano(
yolov8n)는 로보틱스, 드론, IoT 센서에서 정확도와 속도 간의 탁월한 비율을 제공합니다.
미래를 바라보며: YOLO26으로의 세대적 도약#
YOLOv8은 여전히 매우 견고한 선택이지만, 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 완전히 새로운 고성능 프로젝트를 시작하는 개발자에게 Ultralytics는 최근 AI 모델의 다음 진화를 선보였습니다. 한층 정교해진 YOLO11과 새롭게 출시된 YOLO26을 모두 살펴보는 것을 적극 권장합니다.
2026년 1월에 출시된 YOLO26은 엣지 디바이스에서 가능한 성능의 한계를 확장합니다.
- 엔드투엔드 NMS-free 설계: YOLO26은 기본 엔드투엔드 추론을 지원하며, 선택 사항인 일대일 헤드(
nms=False)를 통해 Non-Maximum Suppression(NMS) 후처리를 생략합니다. 이를 통해 기존의 고밀도 예측 모델에서 발생하는 지연 병목 현상 없이 배포 파이프라인을 훨씬 빠르고 단순하게 구성할 수 있습니다. - DFL 제거: Distribution Focal Loss를 제거하여 YOLO26은 훨씬 간단한 모델 배포 옵션과 뛰어난 엣지 호환성을 제공합니다.
- CPU 추론 속도 최대 43% 향상: Raspberry Pi와 임베디드 시스템 같은 제약된 환경에 맞춰 철저히 최적화하여, CPU 처리량에서 이전의 모든 세대를 앞섭니다.
- MuSGD 옵티마이저: 대규모 언어 모델(LLM) 학습 방식에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드를 통합합니다. 이를 통해 전례 없는 학습 안정성과 매우 빠른 수렴 속도를 제공합니다.
- ProgLoss + STAL: 이러한 고급 손실 함수는 항공 이미지, 자동화 농업, 로보틱스에서 특히 중요한 소형 객체 인식 성능을 크게 향상합니다.
YOLOv8로 대규모 비디오 분석 클러스터를 확장하든, 최첨단 YOLO26으로 소형 엣지 디바이스에서 추론을 수행하든, Ultralytics Platform은 AI 수명 주기 전체를 원활하게 관리할 수 있는 도구를 제공합니다.