Ultralytics YOLO27:
Get Started

YOLOv7과 YOLOX#

컴퓨터 비전의 발전은 실시간 객체 검출 분야의 급속한 발전으로 이어졌습니다. 이 과정에서 중요한 이정표가 된 두 모델은 YOLOv7과 YOLOX입니다. 두 모델 모두 속도와 정확도의 한계를 넓혔지만, 각기 다른 아키텍처 철학을 채택해 목표를 달성했습니다. 이 가이드에서는 두 강력한 모델을 기술적으로 종합 비교해 컴퓨터 비전 프로젝트에 적합한 아키텍처를 선택하도록 돕습니다.

모델 소개#

현대 머신러닝 운영 환경에서 이러한 모델을 효과적으로 배포하려면 모델의 기원과 주요 설계 선택을 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.

YOLOv7에 대해 자세히 알아보기

YOLOX 상세 정보#

YOLOX는 앵커 없는 검출로 패러다임을 되돌리는 다른 경로를 택했습니다. 성능을 견고하게 유지하면서 헤드 아키텍처를 대폭 단순화했습니다.

YOLOX에 대해 자세히 알아보기

아키텍처 차이와 혁신#

YOLOv7과 YOLOX의 핵심적인 차이는 특징 추출, 경계 상자 예측, 레이블 할당 방식에 있습니다.

YOLOX: 앵커 프리 선구자#

YOLOX는 앵커 없는 설계로 전환해 YOLO 계열을 혁신했습니다. 기존 앵커 기반 검출기는 앵커 상자 클러스터링을 위해 복잡한 휴리스틱 튜닝이 필요하며, 데이터셋에 따라 결과가 크게 달라질 수 있습니다. YOLOX는 앵커 상자를 제거해 설계 파라미터 수를 크게 줄였습니다. 또한 분리형 헤드를 사용해 분류와 위치 추정 태스크를 별개의 네트워크 분기로 나눕니다. 이를 통해 객체 분류와 공간 좌표 회귀 사이의 근본적인 충돌을 해결합니다. YOLOX는 SimOTA와 같은 고급 레이블 할당 전략도 통합해 학습 중 양성 샘플을 동적으로 할당합니다.

YOLOv7: 확장 효율 계층 집계#

YOLOv7은 앵커 기반 방법론으로 돌아갔지만 확장 효율 계층 집계 네트워크(E-ELAN)를 도입했습니다. E-ELAN은 그래디언트 경로 길이를 최적화해 다양한 깊이에서 네트워크가 효과적으로 학습하도록 합니다. 이 아키텍처는 재매개변수화 기법에 크게 의존하며, 추론 중 합성곱 계층을 병합해 정밀도를 희생하지 않고 속도를 높입니다. YOLOv7의 "bag-of-freebies" 전략에는 계획된 재매개변수화 합성곱과 거친 단계에서 세밀한 단계로 이어지는 리드 가이드 레이블 할당과 같은 혁신이 포함되어 모델의 평균 정밀도를 놀라운 수준으로 끌어올립니다.

앵커 기반과 앵커 없는 방식

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 환경에서 이러한 모델을 평가할 때는 정확도와 계산 효율성의 균형을 맞추는 것이 중요합니다. 아래 표는 상충 관계를 보여주며, 가장 높은 성능을 보이는 지표는 굵게 표시합니다.

모델크기
(픽셀)		mAP검증
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 확인할 수 있듯이 YOLOv7x는 가장 높은 mAP를 달성해 복잡한 데이터셋에서도 매우 높은 정확도를 제공합니다. 반면 YOLOX-Nano는 극심한 리소스 제약에 맞게 고도로 최적화되어 있습니다. 그러나 두 모델 모두 학습 중 메모리 사용량이 최신 아키텍처보다 비교적 높습니다.

학습 방법론 및 생태계#

연구자와 개발자에게 중요한 요소는 구현의 용이성입니다. 과거에는 구형 YOLO 버전을 사용하려면 고도로 사용자 지정된 C++ 스크립트나 복잡한 종속성 관리가 필요했습니다.

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 통합된 직관적인 Python API를 제공해 학습, 검증, 배포를 크게 간소화합니다.

  • 사용 편의성: 몇 줄의 코드만으로 학습 루프를 시작할 수 있어, 기본 PyTorch 구현에서 흔히 겪는 가파른 학습 곡선을 완화합니다.
  • 학습 효율성: Ultralytics YOLO 모델은 RT-DETR과 같은 대형 Transformer 모델에 비해 학습 중 메모리를 본질적으로 적게 사용합니다. 따라서 개발자는 일반 소비자용 하드웨어에서 배치 크기를 최대화할 수 있습니다.
  • 다목적성: 생태계는 단순한 경계 상자를 넘어 인스턴스 분할 및 자세 추정과 같은 태스크까지 손쉽게 지원합니다.

다음은 Ultralytics API를 사용해 모델을 학습하는 방법을 보여주는 100% 실행 가능한 예제입니다.

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",  # 최적화된 CUDA 메모리 관리를 활용합니다.
)

# ONNX 또는 TensorRT로 원활하게 내보냅니다.
model.export(format="onnx")

내보내기 파이프라인을 표준화하면 개발자는 가중치를 TensorRT 또는 ONNX와 같은 형식으로 손쉽게 전환해 대상 하드웨어에서 고속 추론을 보장할 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 분석용 YOLOv7: 고해상도 위성 이미지를 처리하거나 복잡한 제조 품질 관리를 수행하는 경우, 고성능 NVIDIA GPU로 구동되는 YOLOv7x의 높은 mAP는 가장 작은 이상 징후까지 감지할 수 있도록 합니다.

미래: Ultralytics YOLO26으로 업그레이드#

YOLOv7과 YOLOX는 처음 등장했을 때 획기적인 모델이었지만, 컴퓨터 비전 분야는 크게 발전했습니다. 새로운 배포를 위해 개발자는 2026년 1월에 출시된 Ultralytics YOLO26을 고려해야 합니다. 이 최첨단 모델은 최고의 아키텍처 이론을 통합해 생산 환경에 바로 적용할 수 있는 궁극의 시스템을 구현합니다.

업그레이드를 적극 권장하는 이유는 다음과 같습니다:

  • 엔드 투 엔드 NMS 프리 설계: YOLO26의 선택형 일대일 헤드(nms=False)는 후처리에서 비최대 억제(NMS)를 제거합니다. YOLOv10에서 처음 선보인 이 기능은 일관되게 낮은 지연 시간을 보장하며, NMS 하드웨어 지원이 없는 디바이스에서도 배포를 간소화합니다.
  • DFL 제거: Distribution Focal Loss를 제거하여 YOLO26은 저전력 엣지 디바이스와의 호환성을 크게 높이고 ONNX 내보내기를 간편하게 합니다.
  • MuSGD 옵티마이저: LLM 학습의 혁신에서 영감을 얻은 YOLO26은 하이브리드 MuSGD 옵티마이저를 활용해 더 빠른 수렴과 매우 안정적인 학습 동역학을 구현합니다.
  • CPU 추론 속도 최대 43% 향상: 실제 하드웨어에 맞춰 고도로 최적화된 YOLO26은 값비싼 GPU 인프라 없이도 일반 CPU에서 뛰어난 성능을 발휘합니다.
  • ProgLoss + STAL: Progressive Loss와 Small-Target-Aware Label Assignment는 소규모 객체 인식을 크게 개선하며, 항공 드론 검사와 정교한 IoT 네트워크에 중요한 기능입니다.

객체 탐지, 세그멘테이션 등을 아우르는 최상의 성능 균형을 원하는 개발자에게 Ultralytics Platform을 통한 모델 배포는 비교할 수 없이 매끄러운 경험을 제공합니다.

결론#

YOLOX와 YOLOv7은 오픈 소스 비전 AI의 발전 방향을 형성한 핵심 기술을 각각 선보였습니다. YOLOX는 앵커 프리 분리형 헤드의 실현 가능성을 입증했고, YOLOv7은 그래디언트 경로 재매개변수화의 강력한 효과를 보여 주었습니다. 오늘날 Ultralytics 생태계를 활용하면 이러한 아이디어를 최신 Ultralytics YOLO 모델로 발전시키고, 차세대 컴퓨터 비전 애플리케이션의 미래 경쟁력을 확보하도록 최첨단 YOLO26으로 원활하게 전환할 수 있습니다.

기여자
GLglenn-jocher15

댓글