Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv7 대 YOLOX#

컴퓨터 비전의 발전은 실시간 객체 탐지의 급격한 진보와 함께 이루어졌습니다. 이 과정에서의 두 가지 중요한 이정표가 바로 YOLOv7과 YOLOX입니다. 두 모델 모두 속도와 정확성의 한계를 뛰어넘었지만, 결과를 달성하기 위해 서로 다른 아키텍처 철학을 채택했습니다. 이 가이드는 이 두 강력한 모델에 대한 포괄적인 기술 비교를 제공하며, 귀하의 컴퓨터 비전 프로젝트에 적합한 아키텍처를 선택하도록 돕습니다.

Link to this section모델 소개#

이 모델들의 기원과 주요 설계 선택 사항을 이해하는 것은 현대 머신 러닝 운영에서 이를 효과적으로 배포하는 데 매우 중요합니다.

Link to this sectionYOLOv7 세부 정보#

CSPNet 및 Scaled-YOLOv4 아키텍처를 유지 관리했던 연구원들이 개발한 YOLOv7은 추론 비용을 증가시키지 않으면서 정확도를 극대화하기 위해 "trainable bag-of-freebies" 접근 방식을 도입했습니다.

YOLOv7에 대해 더 알아보기

Link to this sectionYOLOX 세부 정보#

YOLOX는 앵커 프리(anchor-free) 탐지로 패러다임을 전환하여 헤드 아키텍처를 크게 단순화하면서도 강력한 성능을 유지하는 다른 경로를 선택했습니다.

YOLOX에 대해 더 알아보기

Link to this section아키텍처 차이점 및 혁신#

YOLOv7과 YOLOX의 핵심적인 차이점은 특징 추출, BBox 예측, 레이블 할당에 대한 접근 방식에 있습니다.

Link to this sectionYOLOX: 앵커 프리(Anchor-Free)의 선구자#

YOLOX는 앵커 프리(anchor-free) 설계로 전환하여 YOLO 제품군을 혁신했습니다. 기존의 앵커 기반 탐지기는 데이터셋에 크게 의존할 수 있는 앵커 박스 클러스터링을 위해 복잡한 휴리스틱 튜닝이 필요합니다. 앵커 박스를 제거함으로써 YOLOX는 설계 파라미터 수를 크게 줄였습니다. 또한 YOLOX는 **디커플드 헤드(decoupled head)**를 활용하여 분류 및 위치 지정 작업을 별도의 네트워크 분기로 분리합니다. 이는 객체 분류와 공간 좌표 회귀 간의 내재된 충돌을 해결합니다. YOLOX는 또한 훈련 중 긍정 샘플을 동적으로 할당하는 SimOTA와 같은 고급 레이블 할당 전략을 통합합니다.

Link to this sectionYOLOv7: 확장 효율적 레이어 집계(Extended Efficient Layer Aggregation)#

YOLOv7은 앵커 기반 방법론으로 회귀했지만 **E-ELAN(Extended Efficient Layer Aggregation Network)**을 도입했습니다. E-ELAN은 그래디언트 경로 길이를 최적화하여 네트워크가 다양한 깊이에서 효과적으로 학습하도록 보장합니다. 이 아키텍처는 추론 중에 컨볼루션 레이어를 병합하여 정밀도를 희생하지 않고 속도를 높이는 재매개변수화 기술에 크게 의존합니다. YOLOv7의 "bag-of-freebies" 전략에는 계획된 재매개변수화 컨볼루션 및 거친 것에서 미세한 것으로의 리드 가이드 레이블 할당과 같은 혁신이 포함되어 있어 모델의 mAP를 놀라운 수준으로 끌어올립니다.

앵커 기반 대 앵커 프리

YOLOX가 앵커 프리 설정으로 배포 파이프라인을 단순화했지만, 현대의 Ultralytics 아키텍처는 이후 이 접근 방식을 완성하여 최신 세대에서는 사전 정의된 박스의 필요성을 완전히 제거했습니다.

Link to this section성능 비교#

프로덕션 환경을 위해 이러한 모델을 평가할 때는 정확성과 컴퓨팅 효율성 사이의 균형이 필수적입니다. 아래 표는 트레이드 오프를 보여주며, 가장 우수한 성능 지표를 굵게 표시했습니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

위에서 볼 수 있듯이 YOLOv7x는 가장 높은 mAP를 달성하여 복잡한 데이터셋에 대해 매우 정확합니다. 반대로 YOLOX-Nano는 극도의 리소스 제약에 최적화되어 있습니다. 그러나 두 모델 모두 현대 아키텍처에 비해 훈련 중 상대적으로 높은 메모리 사용량을 보입니다.

Link to this section학습 방법론 및 생태계#

연구원과 개발자에게 중요한 요소는 구현의 용이성입니다. 과거에는 이전 YOLO 버전에 복잡한 커스텀 C++ 스크립트나 까다로운 종속성 관리가 필요했습니다.

Link to this sectionUltralytics 생태계의 이점#

오늘날 이러한 아키텍처를 사용하는 가장 효과적인 방법은 잘 관리된 Ultralytics 생태계를 통하는 것입니다. Ultralytics는 훈련, 검증 및 배포를 획기적으로 단순화하는 통일되고 직관적인 Python API를 제공합니다.

  • 사용 편의성: 단 몇 줄의 코드로 훈련 루프를 시작할 수 있어 원시 PyTorch 구현과 관련된 가파른 학습 곡선을 완화할 수 있습니다.
  • 훈련 효율성: Ultralytics YOLO 모델은 RT-DETR과 같은 무거운 Transformer 모델에 비해 훈련 중 기본적으로 더 낮은 메모리를 사용합니다. 이를 통해 개발자는 소비자용 하드웨어에서 배치 크기를 최대화할 수 있습니다.
  • 범용성: 단순한 BBox를 넘어, 생태계는 인스턴스 세그멘테이션 및 포즈 추정과 같은 작업으로 손쉽게 확장됩니다.

다음은 Ultralytics API를 사용하여 모델을 훈련하는 방법을 보여주는 100% 실행 가능한 예제입니다:

from ultralytics import YOLO

# Load a pre-trained model
model = YOLO("yolov8n.pt")  # Readily available weights for rapid transfer learning

# Train the model efficiently on your custom data
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device="0",  # Utilizes optimal CUDA memory management
)

# Export seamlessly to ONNX or TensorRT
model.export(format="onnx")

내보내기 파이프라인을 표준화함으로써 개발자는 자신의 가중치를 TensorRT 또는 ONNX와 같은 형식으로 손쉽게 변환하여 대상 하드웨어에서 고속 추론을 보장할 수 있습니다.

Link to this section이상적인 사용 사례 및 실제 애플리케이션#

YOLOX와 YOLOv7 중 선택하는 것은 주로 배포 대상에 따라 다릅니다:

  • Edge AI를 위한 YOLOX: YOLOX-Nano 및 YOLOX-Tiny 변형은 저전력 장치 배포에 매우 적합합니다. Raspberry Pi에서 스마트 보안 카메라를 구축하는 경우, YOLOX의 단순한 앵커 프리 컨볼루션은 엣지 가속기로 쉽게 변환됩니다.
  • 고충실도 분석을 위한 YOLOv7: 고해상도 위성 이미지를 처리하거나 복잡한 제조 품질 관리를 수행하는 경우, 고급 NVIDIA GPU 기반의 YOLOv7x가 제공하는 높은 mAP는 가장 작은 이상 징후도 탐지할 수 있도록 보장합니다.

Link to this section미래: Ultralytics YOLO26으로 업그레이드#

YOLOv7과 YOLOX는 출시 당시 획기적이었지만, 컴퓨터 비전 환경은 크게 발전했습니다. 새로운 배포의 경우, 개발자는 2026년 1월에 출시된 Ultralytics YOLO26을 고려해야 합니다. 이 최첨단 모델은 최고의 아키텍처 이론을 통합하여 프로덕션 준비가 완료된 궁극의 시스템을 제공합니다.

업그레이드가 적극 권장되는 이유는 다음과 같습니다:

  • 엔드 투 엔드 NMS 프리 설계: YOLO26은 후처리 과정에서 NMS(Non-Maximum Suppression)를 기본적으로 제거합니다. YOLOv10에서 처음 개척된 이 설계는 지속적으로 낮은 지연 시간을 보장하며, NMS 하드웨어 지원이 부족한 장치에서의 배포를 단순화합니다.
  • DFL 제거: DFL(Distribution Focal Loss)을 제거함으로써 YOLO26은 저전력 엣지 장치와의 훨씬 더 나은 호환성과 간편한 ONNX 내보내기를 달성합니다.
  • MuSGD 옵티마이저: LLM 훈련 혁신에서 영감을 받은 YOLO26은 하이브리드 MuSGD 옵티마이저를 활용하여 더 빠른 수렴과 믿을 수 없을 정도로 안정적인 훈련 동역학을 보장합니다.
  • 최대 43% 더 빠른 CPU 추론: 실제 하드웨어에 맞춰 크게 최적화된 YOLO26은 값비싼 GPU 인프라 없이도 표준 CPU에서 잘 작동합니다.
  • ProgLoss + STAL: 이러한 고급 손실 함수는 항공 드론 검사 및 정교한 IoT 네트워크에 중요한 기능인 소형 객체 인식 성능을 크게 향상시킵니다.

객체 탐지, 세그멘테이션 및 그 이상 전반에 걸쳐 최고의 성능 균형을 찾는 개발자에게 Ultralytics 플랫폼을 통한 모델 배포는 비교할 수 없는 제로 마찰 경험을 제공합니다.

YOLO26에 대해 자세히 알아보기

Link to this section결론#

YOLOX와 YOLOv7 모두 오픈 소스 비전 AI의 궤적을 형성한 중요한 기술을 도입했습니다. YOLOX는 앵커 프리 디커플드 헤드의 실행 가능성을 입증했고, YOLOv7은 그래디언트 경로 재매개변수화의 엄청난 힘을 보여주었습니다. 오늘날 Ultralytics 생태계를 활용하면 이러한 역사적인 아키텍처의 잠재력을 최대한 활용하거나 최첨단 YOLO26으로 원활하게 전환하여 차세대 컴퓨터 비전 애플리케이션을 미래에 대비할 수 있습니다.

기여자
GLglenn-jocher12

댓글