Ultralytics YOLO27:

YOLOX와 YOLOv7#

실시간 객체 탐지의 발전은 지속적인 아키텍처 혁신에 의해 주도되어 왔습니다. 이러한 발전 과정에서 중요한 이정표가 된 두 모델은 YOLOX와 YOLOv7입니다. 두 모델은 서로 1년 이내의 간격으로 출시되었으며, 기존 객체 탐지 패러다임에 새로운 접근 방식을 도입하여 속도와 정확도 간의 균형을 크게 개선했습니다.

이 페이지에서는 YOLOX와 YOLOv7의 아키텍처, 성능 지표 및 이상적인 사용 사례를 심층적으로 기술 분석하여 개발자가 컴퓨터 비전 배포에 적합한 도구를 선택할 수 있도록 지원합니다.

YOLOX: 앵커 프리 탐지의 선구자#

2021년 7월 Megvii의 연구자들이 발표한 YOLOX는 기존의 앵커 기반 설계에서 벗어나 큰 변화를 이끌었습니다. 학술 연구와 산업 응용 간의 격차를 해소함으로써 YOLOX는 탐지 헤드를 단순화하고 전반적인 성능을 향상했습니다.

주요 모델 세부 정보:

아키텍처 혁신#

YOLOX는 앵커 프리 접근 방식을 도입하여 커스텀 데이터셋에 필요한 설계 매개변수와 휴리스틱 조정의 수를 크게 줄였습니다. 또한 분류와 회귀 작업을 분리하는 디커플드 헤드를 구현하여 수렴 속도와 정확도를 향상했습니다. 이와 함께 YOLOX는 MixUp 및 Mosaic과 같은 고급 데이터 증강 전략을 활용하여 모델의 견고성을 높였습니다.

YOLOX에 대해 자세히 알아보기

앵커 프리 방식의 장점

앵커 박스를 제거함으로써 YOLOX는 학습 중 예측값과 정답 간의 교집합 대비 합집합 비율(IoU)을 계산하는 데 필요한 계산 오버헤드를 줄여 CUDA 메모리 요구량을 낮추고 학습 시간을 단축합니다.

YOLOv7: 학습 가능한 Bag-of-Freebies#

2022년 7월 대만 Academia Sinica 산하 Institute of Information Science의 연구자들이 발표한 YOLOv7은 실시간 객체 탐지의 한계를 더욱 확장했습니다. YOLOv7은 "학습 가능한 bag-of-freebies"라는 개념을 도입했으며, 출시 당시 MS COCO 데이터셋에서 새로운 최신 성능 벤치마크를 수립했습니다.

주요 모델 세부 정보:

아키텍처 혁신#

YOLOv7의 아키텍처는 확장 효율적 레이어 집계 네트워크(E-ELAN)를 중심으로 구축되었으며, 이를 통해 그래디언트 경로를 저하시키지 않고 모델이 더욱 다양한 특징을 지속적으로 학습할 수 있습니다. 또한 YOLOv7은 모델 재매개변수화 기법을 활용하여 복잡한 다중 브랜치 학습 네트워크를 추론 중 더 빠른 단일 경로 네트워크로 단순화할 수 있도록 했습니다.

YOLOv7에 대해 자세히 알아보기

성능 비교#

실제 애플리케이션에 이러한 모델을 적용할 때는 다양한 규모에서의 성능을 이해하는 것이 중요합니다. 아래 표에서는 다양한 크기의 YOLOX와 YOLOv7에 대한 표준 지표를 비교합니다.

모델크기
(픽셀)		mAPval
50-95		속도
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 더 높은 mAP를 달성합니다. 예를 들어 YOLOv7x는 53.1 mAP를 달성하는 반면 YOLOXx는 51.1을 달성합니다.
  • 속도: 두 모델 모두 TensorRT를 사용한 GPU 실행에 고도로 최적화되어 있지만, YOLOv7의 E-ELAN 아키텍처는 고급 애플리케이션에서 약간 더 높은 처리량을 제공합니다. 반면 YOLOX는 소형 엣지 디바이스에서 뛰어난 지연 시간을 유지합니다.
  • 다용도성: YOLOv7은 인스턴스 세그멘테이션과 포즈 추정을 위한 가중치를 기본으로 제공하여 바운딩 박스 이상으로 기능 범위를 확장했으므로, 기본 YOLOX 저장소보다 더 다용도로 활용할 수 있습니다.

실제 애플리케이션#

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

엣지 컴퓨팅 및 IoT#

Raspberry Pi나 구형 모바일 프로세서와 같이 리소스가 제한된 엣지 디바이스에서는 YOLOX-Nano와 YOLOX-Tiny가 매우 매력적인 선택지입니다. 적은 매개변수 수와 앵커 프리 특성 덕분에 기본적인 모션 추적이나 스마트 초인종 애플리케이션과 같은 작업을 저전력 환경에 더욱 쉽게 배포할 수 있습니다.

고품질 비디오 분석#

산업 결함 탐지 또는 밀집 교통 모니터링에서 고해상도 피드를 처리하는 경우에는 YOLOv7이 더 우수합니다. 강력한 특징 집계 기능을 통해 객체가 부분적으로 가려지거나 크기가 크게 달라지는 경우에도 높은 정확도를 유지할 수 있습니다.

사용 사례 및 권장 사항#

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

YOLOX를 선택할 시점#

YOLOX는 다음과 같은 경우에 적합합니다:

  • 앵커 프리 감지 연구: 새로운 감지 헤드 또는 손실 함수를 실험하기 위한 기준선으로 YOLOX의 깔끔한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
  • 초경량 엣지 디바이스: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 레거시 모바일 하드웨어에 배포하는 경우입니다.
  • SimOTA 라벨 할당 연구: 최적 수송 기반 라벨 할당 전략과 이러한 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.

YOLOv7을 선택해야 하는 경우#

다음과 같은 경우 YOLOv7을 권장합니다:

  • 학술 벤치마킹: 2022년 당시의 state-of-the-art 결과를 재현하거나 E-ELAN 및 학습 가능한 bag-of-freebies 기법의 효과를 연구하는 경우입니다.
  • 재매개변수화 연구: 계획된 재매개변화 컨볼루션과 복합 모델 스케일링 전략을 조사하는 경우입니다.
  • 기존 사용자 지정 파이프라인: YOLOv7의 특정 아키텍처를 기반으로 구축되어 쉽게 리팩터링할 수 없는 고도로 사용자 지정된 파이프라인을 사용하는 프로젝트입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

  • NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
  • 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.

Ultralytics의 강점#

YOLOX와 YOLOv7은 모두 강력한 연구 구현이지만, 연구 저장소에서 확장 가능한 프로덕션 환경으로 전환하는 일은 쉽지 않을 수 있습니다. 이러한 상황에서 Ultralytics Platform이 강점을 발휘합니다.

Ultralytics 모델은 통합 Python API를 제공하여 모델 학습, 검증 및 배포를 간소화되고 표준화된 작업으로 처리합니다. 이전 아키텍처에서 흔히 사용되던 복잡한 서드파티 종속성이나 커스텀 C++ 연산자를 관리하는 번거로움을 피할 수 있습니다.

또한 Ultralytics YOLO 모델은 RT-DETR과 같은 Transformer 기반 탐지기와 비교하여 학습 중 더 적은 CUDA 메모리를 사용합니다. 이를 통해 실무자는 더 큰 배치 크기를 활용하여 학습을 안정화하고 커스텀 데이터셋에서 수렴을 가속할 수 있습니다.

지원되는 통합

Ultralytics는 간단한 불리언 플래그만으로 ONNX, OpenVINO, CoreML과 같은 업계 표준 형식으로 모델을 기본 내보낼 수 있도록 지원하여 모델 배포 프로세스를 크게 간소화합니다.

코드 예제: Ultralytics를 사용한 학습#

Ultralytics 생태계를 사용하면 몇 줄의 코드만으로 YOLOv7 또는 그 이후 아키텍처를 쉽게 로드하고, 학습하며, 추론을 실행할 수 있습니다.

from ultralytics import YOLO

# Load a pre-trained YOLOv7 model
model = YOLO("yolov7.pt")

# Train the model on a custom dataset (e.g., COCO8)
# The API handles data loading, augmentation, and memory management automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a test image
predictions = model("path/to/image.jpg")
predictions[0].show()

미래: Ultralytics YOLO26#

YOLOv7과 YOLOX는 중요한 역사적 단계를 나타내지만, 최신 기술은 빠르게 발전하고 있습니다. 2026년 1월에 출시된 Ultralytics YOLO26은 이전 모델을 뛰어넘는 획기적인 패러다임을 도입합니다.

  • 엔드 투 엔드 NMS 프리 설계: YOLO26은 비최대 억제(NMS) 후처리를 기본적으로 제거합니다. 이를 통해 지연 시간 병목을 크게 줄이고 다양한 하드웨어 구성에서 결정론적인 실행 시간을 보장합니다.
  • 최대 43% 더 빠른 CPU 추론: Distribution Focal Loss(DFL)를 제거하고 네트워크 깊이를 최적화함으로써 YOLO26은 전용 GPU 하드웨어가 없는 엣지 디바이스에 맞게 고도로 설계되었습니다.
  • MuSGD Optimizer: 고급 LLM 학습 기법에서 영감을 받은 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)는 뛰어난 학습 안정성과 더 빠른 수렴을 제공합니다.
  • 향상된 소형 객체 탐지: ProgLoss + STAL 손실 함수의 통합으로 작고 먼 객체를 인식하는 성능이 크게 향상되며, 이는 드론 매핑과 보안 감시에 매우 중요합니다.
  • 기본 작업 지원: YOLO26은 동일한 간소화된 API 내에서 방향성 바운딩 박스(OBB), 인스턴스 세그멘테이션 및 포즈 추정을 기본적으로 종합 지원합니다.

오늘날 새로운 컴퓨터 비전 프로젝트를 시작하는 모든 현대적 개발자에게는 속도, 정확도 및 배포 간편성의 최적 균형을 달성하기 위한 권장 경로로 Platform에서 Ultralytics YOLO26 평가하기가 제시됩니다. YOLO11이나 YOLOv8과 같은 이전 세대에서 업그레이드하는 경우에는 모델 문자열만 변경하면 되므로, 즉시 향상된 기능을 활용할 수 있습니다.

기여자
GLglenn-jocher15

댓글