YOLOv7과 YOLOX
컴퓨터 비전의 발전은 실시간 객체 감지의 빠른 진전과 함께 이루어졌습니다. YOLOv7과 YOLOX는 중요한 이정표입니다. 두 모델 모두 속도와 정확도를 개선했지만 서로 다른 아키텍처 접근 방식을 취했습니다. 이 가이드에서는 컴퓨터 비전 프로젝트에 적합한 아키텍처를 선택할 수 있도록 두 모델을 기술적으로 비교합니다.
모델 소개#
최신 머신러닝 운영 환경에서 모델을 효과적으로 배포하려면 모델의 기원과 주요 설계 선택 사항을 이해하는 것이 중요합니다.
YOLOv7 세부 정보#
CSPNet 및 Scaled-YOLOv4 아키텍처를 유지 관리했던 연구자들이 개발한 YOLOv7은 추론 비용을 늘리지 않고 정확도를 극대화하기 위해 "학습 가능한 bag-of-freebies" 접근 방식을 도입했습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2022-07-06
- arXiv: https://arxiv.org/abs/2207.02696
- GitHub: https://github.com/WongKinYiu/yolov7
- 문서: Ultralytics YOLOv7 문서
YOLOX 상세 정보#
YOLOX는 앵커 프리 감지 방식으로 돌아가는 다른 경로를 택해, 강력한 성능을 유지하면서 헤드 아키텍처를 간소화했습니다.
- 저자: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- 조직: Megvii
- 날짜: 2021-07-18
- arXiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- 문서: YOLOX 공식 문서
아키텍처 차이와 혁신#
YOLOv7과 YOLOX의 핵심적인 차이는 특징 추출, 경계 상자 예측, 레이블 할당 방식에 있습니다.
YOLOX: 앵커 프리 선구자#
YOLOX는 YOLO 계열에 앵커 프리 설계를 도입했습니다. 기존의 앵커 기반 감지 모델은 앵커 박스 클러스터링을 휴리스틱 방식으로 조정해야 하며, 데이터셋에 따라 크게 달라질 수 있습니다. YOLOX는 앵커 박스를 제거하여 설계 파라미터 수를 크게 줄였습니다. 또한 분류와 위치 추정 작업을 별도의 네트워크 브랜치로 분리하는 분리형 헤드를 사용합니다. 이를 통해 객체를 분류하고 공간 좌표를 회귀하는 과정에서 발생하는 충돌을 줄입니다. YOLOX는 SimOTA와 같은 고급 레이블 할당 전략도 통합하여 학습 중 양성 샘플을 동적으로 배정합니다.
YOLOv7: 확장 효율 계층 집계#
1년 뒤 출시된 YOLOv7은 앵커 기반 설계를 유지하면서 확장 효율 레이어 집계 네트워크(E-ELAN)를 도입했습니다. E-ELAN은 그래디언트 경로 길이를 최적화하여 다양한 깊이에서 네트워크가 효과적으로 학습하도록 합니다. 이 아키텍처는 재매개변수화에 크게 의존하며, 추론 중 합성곱 레이어를 병합해 정확도를 희생하지 않고 속도를 높입니다. YOLOv7의 "공짜 성능 향상 기법"에는 계획된 재매개변수화 합성곱과 거친 단계에서 세밀한 단계로 진행되는 리드 가이드 레이블 할당이 포함되어 모델의 평균 정밀도(mAP)를 높입니다.
YOLOX는 앵커 없는 설정으로 배포 파이프라인을 단순화했으며, 이후 최신 Ultralytics 아키텍처는 이 접근 방식을 발전시켜 새로운 세대에서 사전 정의된 상자가 필요하지 않도록 했습니다.
성능 비교#
프로덕션 환경에 사용할 모델을 평가할 때는 정확도와 컴퓨팅 효율성의 균형을 맞추는 것이 중요합니다. 아래 표는 장단점을 보여 주며, 성능이 가장 뛰어난 지표는 굵게 표시합니다.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
위에서 볼 수 있듯이 YOLOv7x는 이 비교에서 가장 높은 mAP를 달성하므로 복잡한 데이터셋에 가장 정확한 선택지입니다. 반면 YOLOX-Nano는 리소스가 매우 제한된 디바이스를 대상으로 합니다. 두 모델 계열 모두 최신 Ultralytics 아키텍처보다 학습 시 더 많은 메모리가 필요할 수 있습니다.
학습 방법론 및 생태계#
연구자와 개발자에게 중요한 요소는 구현의 간편성입니다. 기존 YOLO 버전은 사용자 지정 학습 스크립트와 복잡한 종속성 관리를 요구하는 경우가 많았습니다.
Ultralytics 생태계의 이점#
YOLOv7과 YOLOX는 Ultralytics Python 패키지에서 기본 지원되지 않습니다. 신규 프로젝트에는 잘 관리되는 Ultralytics 생태계의 Ultralytics YOLO 모델을 사용하는 것이 가장 효과적입니다. Ultralytics는 학습, 검증, 배포를 간소화하는 통합 Python API를 제공합니다.
- 사용 편의성: 몇 줄의 코드만으로 학습을 시작할 수 있어, PyTorch를 직접 구현할 때 필요한 학습 부담을 줄여 줍니다.
- 학습 효율성: Ultralytics YOLO 모델은 일반적으로 RT-DETR과 같은 Transformer 모델보다 학습 중 메모리를 적게 사용하므로, 일반 소비자용 하드웨어에서 배치 크기를 늘릴 수 있습니다.
- 다양한 활용성: 바운딩 박스 외에도 동일한 API로 인스턴스 세그멘테이션과 포즈 추정 같은 작업을 지원합니다.
다음 실행 가능한 예제에서는 Ultralytics API를 사용해 모델을 학습하고 내보냅니다.
from ultralytics import YOLO
# 사전 학습된 모델을 불러옵니다.
model = YOLO("yolov8n.pt") # 빠른 전이 학습을 위한 가중치를 바로 사용할 수 있습니다.
# 사용자 지정 데이터로 모델을 효율적으로 학습합니다.
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=16,
device="0", # 첫 번째 CUDA GPU 사용
)
# ONNX 또는 TensorRT로 내보내기
model.export(format="onnx")표준화된 내보내기 파이프라인을 사용하면 개발자가 가중치를 TensorRT나 ONNX와 같은 형식으로 변환하여 대상 하드웨어에서 빠르게 추론을 실행할 수 있습니다.
적합한 사용 사례 및 실제 응용 분야#
YOLOX와 YOLOv7 중 어느 모델을 선택할지는 주로 배포 대상에 따라 달라집니다:
- 엣지 AI용 YOLOX: YOLOX-Nano 및 YOLOX-Tiny 변형 모델은 저전력 디바이스에 배포하기에 매우 적합합니다. Raspberry Pi에서 스마트 보안 카메라를 구축하는 경우, YOLOX의 간단한 앵커 프리 컨볼루션은 엣지 가속기에 쉽게 적용할 수 있습니다.
- 고정밀 분석을 위한 YOLOv7: 고해상도 위성 이미지를 처리하거나 복잡한 제조 품질 관리를 수행하는 경우, 고성능 NVIDIA GPU에서 높은 mAP를 제공하는 YOLOv7x가 작은 이상 징후를 포착하는 데 유용합니다.
미래: Ultralytics YOLO26으로 업그레이드#
YOLOv7과 YOLOX는 출시 당시 큰 영향을 미쳤지만, 이후 이 분야는 크게 발전했습니다. 신규 배포에는 2026년 1월에 출시된 Ultralytics YOLO26을 권장합니다. YOLO26은 이들 아키텍처에서 얻은 교훈을 프로덕션에 바로 사용할 수 있는 모델에 반영했습니다.
주요 개선 사항은 다음과 같습니다.
- 엔드투엔드 NMS 프리 설계: YOLO26의 선택적 일대일 헤드(
nms=False)는 후처리 단계에서 비최대 억제(NMS)를 제거합니다. YOLOv10이 YOLO 모델에 도입한 이 접근 방식은 지연 시간을 일관되게 낮게 유지하고 효율적인 NMS 지원이 없는 디바이스에 대한 배포를 간소화합니다. - DFL 제거: Distribution Focal Loss를 제거하면 저전력 엣지 디바이스와의 호환성이 향상되고 ONNX 내보내기가 간소화됩니다.
- MuSGD 옵티마이저: LLM 학습에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드인 MuSGD를 사용하여 수렴 속도를 높이고 학습 안정성을 개선합니다.
- CPU 추론 속도 최대 43% 향상: YOLO26n은 CPU에서 ONNX 추론을 실행할 때 YOLO11n보다 최대 43% 빠르므로, 전용 GPU 인프라가 없는 일반 CPU에서도 우수한 성능을 제공합니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식형 레이블 할당은 소형 객체 감지 성능을 높입니다. 이는 VisDrone 데이터셋과 같은 항공 이미지 및 IoT 카메라 네트워크에서 중요합니다.
객체 감지, 세그멘테이션 및 기타 작업을 수행하는 팀은 Ultralytics Platform에서 데이터를 어노테이션하고 모델을 학습 및 배포할 수 있습니다.
결론#
YOLOX와 YOLOv7은 모두 오픈 소스 비전 AI의 발전을 이끈 기법을 도입했습니다. YOLOX는 앵커 프리 분리형 헤드의 실현 가능성을 입증했고, YOLOv7은 그래디언트 경로 설계와 재매개변수화의 가치를 보여 주었습니다. 오늘날 Ultralytics 생태계에서는 최신 Ultralytics YOLO 모델로 이러한 아이디어를 발전시킬 수 있으며, 새로운 컴퓨터 비전 애플리케이션에는 YOLO26을 권장합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.