Ultralytics YOLO27:

YOLOv7 vs YOLOX#

컴퓨터 비전의 발전은 실시간 객체 감지 분야의 급격한 진보로 이어져 왔습니다. 이러한 여정에서 중요한 두 가지 이정표는 YOLOv7과 YOLOX입니다. 두 모델 모두 속도와 정확도의 한계를 확장했지만, 결과를 달성하기 위해 서로 다른 아키텍처 철학을 채택했습니다. 이 가이드에서는 이 두 강력한 모델을 종합적으로 기술 비교하여 컴퓨터 비전 프로젝트에 적합한 아키텍처를 선택할 수 있도록 지원합니다.

모델 소개#

최신 머신 러닝 운영 환경에 효과적으로 배포하려면 이러한 모델의 기원과 주요 설계 선택을 이해하는 것이 중요합니다.

YOLOv7 세부 정보#

CSPNet 및 Scaled-YOLOv4 아키텍처를 유지 관리한 연구자들이 개발한 YOLOv7은 추론 비용을 늘리지 않고 정확도를 극대화하기 위해 "trainable bag-of-freebies" 접근 방식을 도입했습니다.

YOLOv7에 대해 자세히 알아보세요

YOLOX 세부 정보#

YOLOX는 앵커 프리 감지로 패러다임을 되돌리는 다른 경로를 택했으며, 강력한 성능을 유지하면서 헤드 아키텍처를 크게 단순화했습니다.

YOLOX에 대해 자세히 알아보세요

아키텍처 차이 및 혁신#

YOLOv7과 YOLOX의 핵심적인 차이는 특징 추출, 바운딩 박스 예측 및 레이블 할당에 대한 접근 방식에 있습니다.

YOLOX: 앵커 프리 개척자#

YOLOX는 앵커 프리 설계로 전환하여 YOLO 제품군에 혁신을 가져왔습니다. 기존 앵커 기반 감지기는 앵커 박스 클러스터링을 위해 복잡한 휴리스틱 튜닝이 필요하며, 이는 데이터셋에 크게 의존할 수 있습니다. YOLOX는 앵커 박스를 제거하여 설계 파라미터 수를 크게 줄였습니다. 또한 YOLOX는 분리형 헤드를 사용하여 분류와 위치 추정 작업을 서로 다른 네트워크 브랜치로 분리합니다. 이를 통해 객체를 분류하는 작업과 해당 객체의 공간 좌표를 회귀하는 작업 사이에 존재하는 고유한 충돌을 해결합니다. YOLOX는 학습 중 양성 샘플을 동적으로 할당하는 SimOTA와 같은 고급 레이블 할당 전략도 통합합니다.

YOLOv7: 확장된 효율적 레이어 집계#

YOLOv7은 앵커 기반 방법론으로 돌아갔지만 **확장된 효율적 레이어 집계 네트워크(E-ELAN)**를 도입했습니다. E-ELAN은 그래디언트 경로 길이를 최적화하여 다양한 깊이에서 네트워크가 효과적으로 학습되도록 합니다. 이 아키텍처는 재매개변수화 기법에 크게 의존하며, 추론 중 합성곱 레이어를 병합하여 정밀도를 저하시키지 않고 속도를 높입니다. YOLOv7의 "bag-of-freebies" 전략에는 계획된 재매개변수화 합성곱과 coarse-to-fine 리드 가이드 레이블 할당과 같은 혁신이 포함되어 있어 모델의 평균 정밀도를 뛰어난 수준으로 향상합니다.

앵커 기반 vs. 앵커 프리

YOLOX는 앵커 프리 설정으로 배포 파이프라인을 단순화했지만, 이후 최신 Ultralytics 아키텍처는 이 접근 방식을 더욱 발전시켜 새로운 세대에서 사전 정의된 박스의 필요성을 완전히 제거했습니다.

성능 비교#

프로덕션 환경에서 이러한 모델을 평가할 때는 정확도와 계산 효율성의 균형을 맞추는 것이 필수적입니다. 아래 표는 이러한 상충 관계를 보여 주며, 가장 성능이 우수한 지표를 굵게 강조합니다.

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 확인할 수 있듯이 YOLOv7x는 가장 높은 mAP를 달성하므로 복잡한 데이터셋에서 매우 높은 정확도를 제공합니다. 반면 YOLOX-Nano는 극도로 제한된 리소스 환경에 맞게 고도로 최적화되어 있습니다. 그러나 두 모델 모두 최신 아키텍처와 비교하면 학습 중 메모리 사용량이 상대적으로 높습니다.

학습 방법론과 생태계#

연구자와 개발자에게 중요한 요소는 구현의 용이성입니다. 과거에는 이전 YOLO 버전에서 고도로 사용자 지정된 C++ 스크립트나 복잡한 종속성 관리가 필요했습니다.

Ultralytics 생태계의 이점#

오늘날 이러한 아키텍처를 활용하는 가장 효과적인 방법은 잘 유지 관리되는 Ultralytics 생태계를 이용하는 것입니다. Ultralytics는 학습, 검증 및 배포를 크게 간소화하는 통합되고 매우 직관적인 Python API를 제공합니다.

  • 사용 편의성: 몇 줄의 코드만으로 학습 루프를 시작할 수 있어, 순수 PyTorch 구현과 관련된 가파른 학습 곡선을 완화합니다.
  • 학습 효율성: Ultralytics YOLO 모델은 RT-DETR과 같은 대형 Transformer 모델에 비해 학습 중 메모리를 본질적으로 적게 사용합니다. 이를 통해 개발자는 일반 소비자용 하드웨어에서 배치 크기를 극대화할 수 있습니다.
  • 다용도성: 생태계는 단순한 바운딩 박스를 넘어 인스턴스 세그멘테이션 및 포즈 추정과 같은 작업으로 손쉽게 확장됩니다.

다음은 Ultralytics API를 사용하여 모델을 학습하는 방법을 보여 주는 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 표준화하면 개발자는 가중치를 TensorRT 또는 ONNX와 같은 형식으로 손쉽게 변환하여 대상 하드웨어에서 고속 추론을 수행할 수 있습니다.

이상적인 사용 사례 및 실제 애플리케이션#

YOLOX와 YOLOv7 중 무엇을 선택할지는 주로 배포 대상에 따라 달라집니다.

  • 엣지 AI를 위한 YOLOX: YOLOX-Nano 및 YOLOX-Tiny 변형은 저전력 디바이스에 배포하기에 매우 적합합니다. Raspberry Pi에서 스마트 보안 카메라를 구축하는 경우 YOLOX의 단순한 앵커 프리 합성곱을 엣지 가속기에 쉽게 적용할 수 있습니다.
  • 고충실도 분석을 위한 YOLOv7: 고해상도 위성 이미지를 처리하거나 복잡한 제조 품질 관리를 수행하는 경우, 고성능 NVIDIA GPU로 구동되는 YOLOv7x의 높은 mAP가 가장 작은 이상 현상까지 감지하도록 보장합니다.

미래: Ultralytics YOLO26으로 업그레이드#

YOLOv7과 YOLOX는 처음 등장했을 당시 획기적이었지만, 컴퓨터 비전 분야는 크게 발전했습니다. 새로운 배포를 위해 개발자는 2026년 1월에 출시된 Ultralytics YOLO26을 고려해야 합니다. 이 최첨단 모델은 최고의 아키텍처 이론을 통합하여 궁극적인 프로덕션 지원 시스템을 구현합니다.

업그레이드를 적극 권장하는 이유는 다음과 같습니다.

  • 엔드 투 엔드 NMS 프리 설계: YOLO26은 후처리 중 Non-Maximum Suppression(NMS)을 기본적으로 제거합니다. YOLOv10에서 처음 개척된 이 방식은 일관되게 낮은 지연 시간을 보장하며, NMS 하드웨어 지원이 없는 디바이스에서의 배포를 간소화합니다.
  • DFL 제거: YOLO26은 Distribution Focal Loss를 제거하여 저전력 엣지 디바이스와 간편한 ONNX 내보내기에 대한 호환성을 크게 향상합니다.
  • MuSGD 옵티마이저: LLM 학습의 혁신에서 영감을 받은 YOLO26은 하이브리드 MuSGD 옵티마이저를 활용하여 더 빠른 수렴과 매우 안정적인 학습 동역학을 보장합니다.
  • 최대 43% 더 빠른 CPU 추론: 실제 하드웨어에 맞게 고도로 최적화된 YOLO26은 고가의 GPU 인프라 없이도 표준 CPU에서 뛰어난 성능을 발휘합니다.
  • ProgLoss + STAL: 이러한 고급 손실 함수는 소형 객체 인식 성능을 크게 향상하며, 이는 항공 드론 검사와 정교한 IoT 네트워크에 중요한 기능입니다.

객체 감지, 세그멘테이션 및 그 이상의 작업 전반에서 최고의 성능 균형을 추구하는 개발자에게는 Ultralytics Platform을 통해 모델을 배포하는 것이 비교할 수 없는 원활한 경험을 제공합니다.

결론#

YOLOX와 YOLOv7은 오픈 소스 비전 AI의 발전 방향을 형성한 중요한 기법을 각각 도입했습니다. YOLOX는 앵커 프리 분리형 헤드의 실현 가능성을 입증했으며, YOLOv7은 그래디언트 경로 재매개변수화의 막대한 잠재력을 보여 주었습니다. 오늘날 Ultralytics 생태계를 활용하면 이러한 역사적 아키텍처에서 최대한의 잠재력을 끌어내거나, 차세대 컴퓨터 비전 애플리케이션을 미래에 대비하도록 최첨단 YOLO26으로 원활하게 전환할 수 있습니다.

기여자
GLglenn-jocher14

댓글