YOLOX와 YOLOv7 비교

실시간 객체 탐지의 발전은 지속적인 아키텍처 개선을 통해 이루어졌습니다. 이러한 발전의 중요한 이정표는 YOLOX와 YOLOv7입니다. 두 모델은 1년 이내의 간격을 두고 출시되었으며, 표준 객체 탐지 방식에 새로운 접근법을 도입해 속도와 정확도 간의 절충점을 크게 개선했습니다.

이 페이지에서는 YOLOX와 YOLOv7의 아키텍처, 성능 지표, 적합한 활용 사례를 기술적으로 분석하고 비교하여 개발자가 컴퓨터 비전 배포에 적합한 도구를 선택할 수 있도록 돕습니다.

YOLOX: 앵커 프리 탐지의 선구자#

2021년 7월 Megvii 연구진이 발표한 YOLOX는 기존의 앵커 기반 설계에서 벗어나 큰 변화를 이끌었습니다. 학술 연구와 산업 응용 사이의 간극을 해소하며 YOLOX는 탐지 헤드를 단순화하고 전반적인 성능을 개선했습니다.

주요 모델 정보:

아키텍처 혁신#

YOLOX는 앵커 없는 접근법을 도입하여 사용자 지정 데이터셋에 필요한 설계 매개변수와 휴리스틱 조정의 수를 크게 줄였습니다. 또한 분류 작업과 회귀 작업을 분리하는 분리형 헤드를 구현하여 수렴 속도와 정확도를 높였습니다. 이와 더불어 MixUp과 Mosaic 같은 고급 데이터 증강 전략을 활용해 모델의 견고성을 향상했습니다.

YOLOX에 대해 자세히 알아보기

앵커 프리 방식의 이점

YOLOX는 여러 앵커 박스 대신 각 위치에서 박스 하나를 예측합니다. 따라서 학습 중 실제 정답과 매칭해야 하는 예측 수가 줄어들고, 레이블 할당이 간소화되며 CUDA 메모리 사용량도 줄어들 수 있습니다.

YOLOv7: 학습 가능한 무료 성능 향상 기법 모음#

대만 Academia Sinica 정보과학연구소 연구진이 2022년 7월에 출시한 YOLOv7은 실시간 객체 탐지를 한 단계 더 발전시켰습니다. 이 모델은 "학습 가능한 공짜 혜택 묶음"이라는 개념을 도입했으며, 출시 당시 MS COCO 데이터셋에서 새로운 최첨단 성능을 기록했습니다.

주요 모델 정보:

아키텍처 혁신#

YOLOv7 아키텍처는 확장 효율적 계층 집계 네트워크(E-ELAN)를 기반으로 합니다. 이 구조는 그래디언트 경로를 저하시키지 않으면서 모델이 더 다양한 특징을 지속적으로 학습할 수 있도록 합니다. 또한 YOLOv7은 모델 재매개변수화 기법을 활용해, 복잡한 다중 분기 학습 네트워크를 추론 중 더 빠른 단일 경로 네트워크로 단순화합니다.

YOLOv7에 대해 자세히 알아보기

성능 비교#

실제 애플리케이션에서 이러한 모델을 평가할 때는 다양한 규모에서의 성능을 파악하는 것이 중요합니다. 아래 표는 YOLOX와 YOLOv7의 여러 크기 모델에 대한 표준 지표를 비교합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

분석#

  • 정확도: YOLOv7은 일반적으로 동급 YOLOX 모델보다 높은 mAP를 달성합니다. 예를 들어 YOLOv7x는 53.1 mAP를 달성해 YOLOXx의 51.1보다 높습니다.
  • 속도: 두 모델 모두 TensorRT를 사용한 GPU 실행에 최적화되어 있습니다. 대형 모델에서는 YOLOv7이 더 빠르고 정확합니다(예: YOLOv7l은 6.84ms, YOLOXl은 9.04ms). 다만 YOLOX는 엣지 장치에 적합한 더 작은 변형 모델을 제공합니다.
  • 다용도성: YOLOv7은 인스턴스 분할과 자세 추정 가중치를 기본으로 제공해 경계 상자 이외의 기능까지 확장했으며, 기본 YOLOX 저장소보다 활용성이 높습니다.

실제 애플리케이션#

이러한 모델 중 무엇을 선택할지는 대개 구체적인 배포 환경에 따라 결정됩니다.

엣지 컴퓨팅 및 IoT#

Raspberry Pi나 구형 모바일 프로세서와 같이 제약이 있는 엣지 장치에는 YOLOX-Nano와 YOLOX-Tiny가 매력적인 선택지입니다. 파라미터 수가 적고 앵커가 필요 없는 특성 덕분에 기본적인 움직임 추적이나 스마트 도어벨 애플리케이션과 같은 작업을 저전력 환경에 더 쉽게 배포할 수 있습니다.

고정밀 비디오 분석#

산업용 결함 탐지나 밀집 교통 모니터링에서 고해상도 영상을 처리할 때는 YOLOv7이 더 적합합니다. 견고한 특징 집계 기능 덕분에 객체가 부분적으로 가려지거나 크기 편차가 큰 경우에도 높은 정확도를 유지할 수 있습니다.

사용 사례 및 권장 사항#

YOLOX와 YOLOv7 중 무엇을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.

YOLOX를 선택해야 하는 경우#

YOLOX는 다음과 같은 경우에 적합합니다.

  • 앵커 프리 탐지 연구: 새로운 탐지 헤드나 손실 함수를 실험하기 위한 기준 모델로 YOLOX의 간결한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
  • 초경량 엣지 장치: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 구형 모바일 하드웨어에 배포하는 경우입니다.
  • SimOTA 레이블 할당 연구: 최적 수송 기반 레이블 할당 전략과 해당 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.

YOLOv7을 선택할 경우#

YOLOv7은 다음과 같은 경우에 권장됩니다.

  • 학술 벤치마킹: 2022년 당시의 최첨단 결과를 재현하거나 E-ELAN 및 학습 가능한 bag-of-freebies 기법의 효과를 연구하는 경우입니다.
  • 재파라미터화 연구: 계획된 재파라미터화 컨볼루션과 복합 모델 스케일링 전략을 조사하는 경우입니다.
  • 기존 커스텀 파이프라인: YOLOv7의 특정 아키텍처를 중심으로 구축되어 쉽게 리팩터링할 수 없는 맞춤형 파이프라인을 사용하는 프로젝트입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.

  • NMS 프리 엣지 배포: 비최대 억제 (NMS) 후처리의 복잡성 없이 일관되고 낮은 지연 시간으로 추론해야 하는 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 장치에서는 YOLO26의 최대 43% 빠른 CPU 추론(YOLO26n 대 YOLO11n)이 결정적인 이점을 제공합니다.
  • 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.

Ultralytics의 강점#

YOLOX와 YOLOv7은 모두 강력한 연구용 구현체이지만, 연구 저장소에서 확장 가능한 프로덕션 환경으로 전환하는 일은 어려울 수 있습니다. 이때 Ultralytics Platform이 도움이 됩니다.

Ultralytics 모델은 통합 Python API를 제공하며, 모델 학습, 검증, 배포를 간소화되고 표준화된 작업으로 처리합니다. 따라서 구형 아키텍처에서 흔히 사용하는 복잡한 타사 종속성이나 사용자 지정 C++ 연산자를 관리할 필요가 없습니다.

또한 Ultralytics YOLO 모델은 RT-DETR과 같은 Transformer 기반 탐지기보다 학습 중 CUDA 메모리를 훨씬 적게 사용합니다. 따라서 사용자는 더 큰 배치 크기를 활용해 학습을 안정화하고 사용자 지정 데이터셋에서 수렴을 가속할 수 있습니다.

지원되는 통합 기능

Ultralytics는 모델을 ONNX, OpenVINO, CoreML과 같은 업계 표준 형식으로 내보내는 기능을 기본적으로 지원합니다. format 인수 하나만으로 모델 배포 과정을 간소화할 수 있습니다.

코드 예제: Ultralytics를 사용한 학습#

Ultralytics Python 패키지는 YOLOv7 .pt 체크포인트를 기본적으로 학습하거나 실행하지 않습니다(YOLOv7 문서에서 내보낸 ONNX 또는 TensorRT 모델을 실행하는 방법을 확인할 수 있습니다). 하지만 YOLO26과 같은 최신 아키텍처는 코드 몇 줄만으로 불러오고 학습하며 실행할 수 있습니다.

from ultralytics import YOLO

# 사전 학습된 YOLO26 모델 로드
model = YOLO("yolo26n.pt")

# 사용자 지정 데이터셋(예: COCO8)으로 모델 학습
# API가 데이터 로딩, 증강, 메모리 관리를 자동으로 처리합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 테스트 이미지에서 추론을 실행합니다.
predictions = model("path/to/image.jpg")
predictions[0].show()

미래를 위한 선택: Ultralytics YOLO26#

YOLOv7과 YOLOX는 중요한 역사적 이정표지만, 분야는 빠르게 발전하고 있습니다. 2026년 1월에 출시된 Ultralytics YOLO26은 이전 모델을 대체하는 여러 변경 사항을 도입했습니다.

  • 종단 간 NMS 없는 설계: YOLO26의 선택적 일대일 헤드(nms=False)는 NMS 후처리를 건너뜁니다. 이로써 지연 시간 병목을 줄이고 다양한 하드웨어 구성에서 예측 가능한 실행 시간을 제공합니다.
  • 최대 43% 빠른 CPU 추론: Distribution Focal Loss(DFL)를 제거하고 NMS 없는 추론을 적용한 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 전용 GPU 하드웨어가 없는 엣지 장치에 적합합니다.
  • MuSGD 옵티마이저: LLM 학습 기법에서 영감을 얻은 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)는 안정적인 학습과 더 빠른 수렴을 지원합니다.
  • 소형 객체 탐지 개선: ProgLoss + STAL(점진적 손실 및 소형 객체 인식 레이블 할당)은 작고 멀리 있는 객체의 인식 성능을 높입니다. 이는 드론 매핑 및 보안 감시에서 중요합니다.
  • 작업 기본 지원: YOLO26은 동일한 API에서 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 자세 추정, 방향성 바운딩 박스(OBB)를 기본적으로 지원합니다.

오늘날 새로운 컴퓨터 비전 프로젝트를 시작하는 개발자에게 Ultralytics YOLO26은 속도, 정확도, 배포 간소성의 최적 균형을 제공하는 권장 경로입니다. YOLO11 또는 YOLOv8과 같은 이전 세대에서 업그레이드하는 경우에는 일반적으로 모델 문자열만 변경하면 됩니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.