YOLOv8과 YOLOv7#
컴퓨터 비전 분야는 끊임없이 발전하고 있으며, 새로운 아키텍처가 실시간 객체 탐지의 가능성을 확장하고 있습니다. 이 심층 분석에서는 큰 영향을 미친 두 모델인 Ultralytics YOLOv8과 YOLOv7을 비교합니다. 두 모델 모두 복잡한 시각 작업을 해결하기 위한 독창적인 접근 방식으로 개발자 커뮤니티와 학술 연구에 큰 영향을 주었습니다.
두 모델의 구조적·방법론적 차이를 이해하는 것은 배포 파이프라인을 최적화하려는 머신러닝 엔지니어에게 매우 중요합니다. YOLOv7은 원시 처리량에 맞춘 강력한 "무료 혜택 묶음(bag-of-freebies)" 접근 방식을 도입한 반면, Ultralytics YOLOv8은 높은 정확도와 낮은 메모리 사용량, 멀티태스크 유연성의 균형을 이루는 종합적이고 사용하기 쉬운 생태계를 만드는 데 주력했습니다.
Ultralytics YOLOv8: 다재다능한 생태계 표준#
2023년 초 Ultralytics가 출시한 YOLOv8은 이전 모델과 비교해 아키텍처가 크게 바뀌었습니다. 실시간 객체 탐지기에 그치지 않고, 다양한 비전 작업을 기본적으로 처리할 수 있는 통합 프레임워크로 처음부터 설계되었습니다.
- 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직: Ultralytics
- 날짜: 2023-01-10
- GitHub: ultralytics/ultralytics
- 문서: YOLOv8 문서
아키텍처 혁신#
YOLOv8은 혁신적인 앵커 프리 탐지 헤드를 도입했습니다. 이로써 사용자 지정 데이터셋의 구체적인 분포에 따라 앵커 박스를 수동으로 구성할 필요가 없어져 학습 과정이 근본적으로 간소화됩니다. 이러한 설계 덕분에 모델의 견고성이 높아지고 다양한 환경에 더 쉽게 일반화할 수 있습니다.
또한 아키텍처에는 C2f 모듈(2개의 합성곱을 사용하는 크로스 스테이지 부분 병목)이 포함되어 있습니다. 이는 그래디언트 흐름을 개선하고 계산 비용을 크게 늘리지 않으면서 신경망이 더 풍부한 특징 표현을 학습하도록 하는 구조적 개선입니다. 따라서 PyTorch 같은 표준 딥러닝 프레임워크로 추론을 실행할 때 효율성이 매우 높습니다.
Ultralytics YOLO 모델은 학습 효율을 극대화하도록 설계되었습니다. 일반적으로 학습 중 CUDA 메모리를 트랜스포머 기반 아키텍처나 대형 CNN보다 훨씬 적게 사용합니다. 따라서 일반 소비자용 하드웨어에서도 더 큰 배치 크기로 학습할 수 있어 개발 주기를 단축합니다.
YOLOv7: "무료 혜택 묶음" 접근 방식#
YOLOv7은 2022년 중반에 공개되어 학계에서 빠르게 인기 있는 기준 모델이 되었습니다. 고성능 GPU에서 실시간 객체 탐지의 한계를 넓히기 위해 아키텍처 재매개변수화와 그래디언트 경로 최적화에 주력했습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2022-07-06
- arXiv: 2207.02696
- GitHub: WongKinYiu/yolov7
아키텍처 혁신#
YOLOv7은 확장 효율적 레이어 집계 네트워크(E-ELAN)를 사용하여 모델이 더 다양한 특징을 지속적으로 학습할 수 있도록 합니다. 앵커 기반 패러다임에 크게 의존하며, 추론 비용을 늘리지 않고 정확도를 개선하는 최적화 기법 모음인 학습 가능한 "무료 혜택 묶음"을 도입했습니다.
YOLOv7은 MS COCO 데이터셋 같은 표준 학술 벤치마크에서 뛰어난 성능을 보이지만, 아키텍처는 서버급 가속기에 맞춰 크게 최적화되어 있습니다. 이러한 모델을 엣지 디바이스로 내보내고 배포할 때는 최신의 간소화된 프레임워크보다 수동 구성이 더 필요할 수 있습니다.
상세 성능 비교#
이 모델들을 평가할 때는 속도, 정확도, 모델 크기 사이의 균형을 가장 중요하게 고려해야 합니다. 아래 표에서 두 모델의 지표를 확인할 수 있습니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
데이터에서 볼 수 있듯이 YOLOv8x는 절대 정확도(53.9 mAP)가 가장 높고, 나노 변형(YOLOv8n)은 뛰어난 추론 속도와 매우 작은 설치 공간을 제공합니다. 이러한 다양성 덕분에 YOLOv8은 리소스가 제한된 하드웨어 환경에 훨씬 유연하게 적용할 수 있습니다.
Ultralytics의 장점: 사용 편의성과 생태계#
YOLOv7은 기본 탐지 지표가 우수하지만, Ultralytics YOLOv8은 개발자 경험, 생태계 통합, 멀티태스킹 역량 면에서 훨씬 뛰어납니다.
탁월한 다재다능성#
YOLOv7은 주로 탐지 모델이며, 다른 작업을 위한 실험적 브랜치를 제공합니다. 반면 YOLOv8은 객체 탐지, 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 회전 바운딩 박스(OBB)를 기본적으로 지원합니다. 이러한 통합 접근 방식 덕분에 팀은 하나의 API만 익히고도 전혀 다른 프로젝트 요구 사항에 맞춰 배포할 수 있습니다.
간소화된 배포와 통합#
모델을 프로덕션용으로 내보내는 작업은 종종 병목이 될 수 있습니다. Ultralytics 패키지를 사용하면 Python 코드 한 줄로 ONNX, TensorRT, CoreML 같은 형식으로 내보낼 수 있습니다. 이로써 복잡한 앵커 기반 그래프를 내보낼 때 발생할 수 있는 연산자 지원 문제를 피할 수 있습니다.
또한 YOLOv8은 MLOps 도구와 원활하게 통합됩니다. Weights & Biases로 실험을 추적하거나 Hugging Face Spaces에서 배포를 테스트하는 경우에도 Ultralytics 생태계가 복잡한 작업을 처리합니다.
코드 예제: YOLOv8 학습 및 내보내기#
다음 코드는 Ultralytics Python API의 간편함을 보여줍니다. 10줄 이내의 코드로 모델 초기화부터 학습, 엣지 배포용 내보내기까지 수행할 수 있습니다.
from ultralytics import YOLO
# 빠른 추론을 위해 사전 학습된 YOLOv8 나노 모델 불러오기
model = YOLO("yolov8n.pt")
# COCO8 데이터셋으로 모델 학습
# API가 데이터 로드, 증강, 로깅을 자동으로 처리합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 테스트 이미지에서 추론을 실행합니다.
predictions = model("https://ultralytics.com/images/bus.jpg")
# 배포를 위해 학습된 모델을 ONNX 형식으로 내보내기
model.export(format="onnx")model.export() 함수를 사용하면 고성능 추론 엔진에 즉시 연결할 수 있어 YOLOv8을 모바일 애플리케이션, 임베디드 시스템 또는 고처리량 클라우드 서버에 쉽게 통합할 수 있습니다.
실제 활용 사례#
두 모델의 아키텍처 차이에 따라 각각 적합한 배포 시나리오가 달라집니다.
YOLOv8을 선택해야 하는 경우:
- 엣지 AI 및 IoT 디바이스: 초고속 나노 및 소형 모델을 사용할 수 있는 YOLOv8은 스마트 카메라나 드론처럼 컴퓨팅 성능이 제한된 하드웨어에 적합합니다.
- 멀티태스크 프로젝트: 파이프라인에서 인체 관절 추적(포즈 추정)과 장애물 지도화(세그멘테이션)를 동시에 수행해야 하는 경우 YOLOv8이 기본적으로 이를 처리합니다.
- 신속한 프로토타이핑에서 프로덕션까지: 방대한 Ultralytics 문서와 원활한 Python API를 활용하면 제품을 더 빠르게 시장에 출시할 수 있습니다.
YOLOv7을 고려할 경우:
- 학술 벤치마킹: 재매개변수화 기법의 효과를 연구하는 연구자들은 Hugging Face Papers에서의 인기도가 보여주듯 YOLOv7을 표준 기준 모델로 자주 사용합니다.
- 레거시 서버 파이프라인: 기존의 고성능 컴퓨팅 파이프라인이 YOLOv7의 특정 앵커 출력에 맞춰 엄격하게 최적화되어 있다면, 단기적으로는 이를 유지하는 편이 실용적일 수 있습니다.
앞으로의 전망: 차세대 모델#
YOLOv8은 여전히 다재다능한 강력한 모델이지만 AI 환경은 빠르게 변하고 있습니다. 새 프로젝트를 시작하는 팀에는 Ultralytics 제품군의 최신 기술을 살펴볼 것을 적극 권장합니다.
최신 세대 모델인 YOLO26은 현재 비전 AI의 정점을 보여줍니다. 후처리 단계에서 비최대 억제를 생략하여 배포를 더 간단하고 빠르게 하는 엔드투엔드 NMS-free 설계 옵션(nms=False)을 제공합니다. Distribution Focal Loss(DFL)를 제거하고 LLM에서 영감을 얻은 MuSGD 옵티마이저를 도입한 YOLO26은 학습 안정성을 높이고 CPU 추론 속도를 최대 43% 향상합니다. 고급 ProgLoss + STAL 손실 함수는 소형 객체 인식 성능을 크게 개선하므로, 현대적인 엣지 컴퓨팅과 항공 이미지에 최적의 선택입니다.
구형 시스템에서 전환하는 사용자를 위해 성능이 뛰어난 YOLO11과 기존의 YOLOv5도 통합 Ultralytics 생태계에서 완벽하게 지원됩니다. 따라서 하드웨어 제약에 관계없이 간편하게 배포할 수 있는 고성능 모델을 선택할 수 있습니다.