RTDETRv2와 YOLO26

실시간 객체 감지 모델은 속도, 정확도, 배포 효율성으로 평가됩니다. 이 페이지에서는 Transformer 기반 RTDETRv2와 엣지 배포용으로 설계된 합성곱 신경망(CNN)인 Ultralytics YOLO26의 두 가지 최신 접근 방식을 비교합니다. 아키텍처, 성능 지표, 이상적인 사용 사례를 다루며 다음 컴퓨터 비전 프로젝트에 적합한 모델을 선택하도록 돕습니다.

RTDETRv2: 실시간 탐지 Transformer#

RTDETRv2는 기존 RT-DETR 아키텍처를 기반으로 비전 Transformer의 전역 맥락 인식 기능과 실시간 애플리케이션에 필요한 속도를 결합합니다.

주요 특징:

  • 저자: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, Yi Liu
  • 기관: Baidu
  • 날짜: 2024-07-24
  • 링크: arXiv, GitHub, 문서

아키텍처 및 강점#

기존 앵커 기반 감지기와 달리 RTDETRv2는 Transformer 기반 접근 방식을 사용해 후처리 중 비최대 억제(NMS)가 필요하지 않습니다. 어텐션 메커니즘은 복잡한 장면과 겹치는 객체를 처리하는 데 도움이 됩니다. "Bag-of-Freebies" 학습 개선 사항은 COCO 데이터셋의 정확도를 높이면서 고성능 GPU에서 실용적인 추론 속도를 유지합니다.

제한 사항#

RTDETRv2는 벤치마크에서 우수한 결과를 달성하지만 프로덕션 환경에서 실행하기는 더 어려울 수 있습니다. Transformer 아키텍처는 일반적으로 CNN보다 학습과 추론 중 메모리를 더 많이 사용하므로 리소스가 제한된 엣지 AI 장치에 배포하기 어려울 수 있습니다. Transformer 학습에는 대개 더 큰 배치 크기와 더 많은 CUDA 메모리가 필요해 제한된 하드웨어에서 병목 현상이 발생할 수 있습니다.

RTDETRv2 자세히 알아보기

YOLO26: 엣지 우선 비전 AI#

2026년 1월 출시된 Ultralytics YOLO26은 최신 Ultralytics YOLO 모델이며 새 프로젝트에 권장되는 선택입니다. 프로덕션 배포를 단순화하고 엣지 하드웨어에서 효율적으로 추론하도록 설계되었습니다.

주요 특징:

아키텍처 혁신#

YOLO26은 모델 배포에서 흔히 발생하는 문제를 해결하기 위해 여러 변경 사항을 도입합니다:

  • 엔드투엔드 NMS 프리 설계: YOLOv10이 YOLO 모델에 도입한 NMS 프리 학습을 바탕으로, YOLO26은 네이티브 엔드투엔드 추론을 지원합니다. 선택적 일대일 헤드(nms=False)는 NMS 후처리를 생략하여 지연 시간 변동성을 줄이고 프로덕션 환경에서 더 예측 가능한 추론 시간을 제공합니다.
  • 최대 43% 빠른 CPU 추론: 아키텍처 개선과 Distribution Focal Loss(DFL) 제거를 통해 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로, 전용 GPU가 없는 엣지 컴퓨팅 장치에 적합합니다.
  • MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델(LLM) 학습 기법에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 사용하여 더 안정적으로 학습하고 더 빠르게 수렴합니다.
  • ProgLoss + STAL: 점진적 손실(Progressive Loss)과 소형 객체 인식 라벨 할당(Small-Target-Aware Label Assignment, STAL)은 소형 객체 인식 성능을 높입니다. 이는 항공 이미지 및 드론 기반 감시 애플리케이션에서 특히 중요합니다.
YOLO26의 작업별 개선 사항

표준 탐지를 넘어 YOLO26에는 작업별 개선 사항이 포함됩니다. 세그멘테이션 작업을 위한 시맨틱 세그멘테이션 손실과 멀티스케일 프로토 모듈, 포즈 추정을 위한 잔차 로그 우도 추정(Residual Log-Likelihood Estimation, RLE), 회전 경계 상자(OBB) 탐지의 경계 문제를 해결하는 특수 각도 손실이 제공됩니다.

성능 비교#

아래 표는 COCO 검증 세트에서 정확도(mAP)와 연산 효율을 비교합니다. 크기가 비슷한 모델끼리 비교하면 YOLO26은 RTDETRv2보다 더 높은 mAP와 더 낮은 TensorRT 지연 시간을 제공합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

YOLO26x는 57.5 mAP를 달성하여 RTDETRv2-x보다 3.2포인트 높고, 파라미터 수는 더 적으며(55.7M 대 76M), TensorRT 추론도 더 빠릅니다(11.8ms 대 15.03ms). YOLO26은 일반적으로 메모리도 더 적게 사용하므로 실시간 엣지 배포에 더 적합합니다.

생태계와 사용 편의성#

순수 성능뿐 아니라 주변 생태계에 따라 모델을 연구에서 프로덕션으로 전환하는 속도가 달라집니다. Ultralytics Platform은 Ultralytics 모델의 데이터셋 어노테이션, 학습, 배포를 한곳에서 제공합니다.

잘 관리되는 통합 생태계#

RTDETRv2는 주로 연구용 리포지토리이므로 사용자 지정 작업을 위해 복잡한 환경 설정과 수동 스크립트 작성이 필요할 수 있습니다. Ultralytics YOLO26은 학습, 검증, 예측, 내보내기를 위한 간단한 API를 갖춘 성숙하고 충분히 테스트된 Python 패키지로 제공됩니다.

Weights & Biases와 Comet을 기본적으로 통합하여 실험 추적 기능을 제공합니다. RTDETRv2는 객체 탐지에 중점을 두지만, YOLO26은 동일한 프레임워크에서 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 이미지 분류, 포즈 추정, OBB 탐지도 지원합니다.

코드 예제: 간편한 사용법#

Ultralytics Python API를 사용하면 몇 줄의 코드로 모델을 로드하고 추론을 실행하며 모델을 내보낼 수 있습니다. 동일한 패키지에서 RT-DETR과 YOLO26을 모두 실행할 수 있습니다.

from ultralytics import RTDETR, YOLO

# RT-DETR 모델 로드
model_rtdetr = RTDETR("rtdetr-l.pt")

# YOLO26 모델 로드
model_yolo = YOLO("yolo26n.pt")

# 이미지에서 추론 실행
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")

# YOLO26 결과 표시
results_yolo[0].show()

# YOLO26을 ONNX 형식으로 내보내기
model_yolo.export(format="onnx")

사용 사례 및 권장 사항#

RT-DETR과 YOLO26 중 무엇을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 선호하는 생태계에 따라 달라집니다.

RT-DETR을 선택해야 하는 경우#

RT-DETR은 다음과 같은 경우에 적합합니다:

  • Transformer 기반 탐지 연구: NMS를 사용하지 않는 엔드투엔드 객체 탐지를 위해 어텐션 메커니즘과 Transformer 아키텍처를 연구하는 프로젝트입니다.
  • 지연 시간 제약이 유연한 고정확도 시나리오: 탐지 정확성이 최우선이며 추론 지연 시간이 약간 높아도 괜찮은 애플리케이션입니다.
  • 대형 객체 탐지: 주로 중대형 객체가 있는 장면으로, Transformer의 전역 어텐션 메커니즘이 자연스러운 이점을 제공하는 경우입니다.

YOLO26을 선택해야 하는 경우#

YOLO26은 다음과 같은 경우에 권장됩니다:

  • NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 장치에서는 YOLO26의 최대 43% 빠른 CPU 추론(YOLO26n 대 YOLO11n)이 결정적인 이점을 제공합니다.
  • 작은 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석과 같이 ProgLoss와 STAL이 작은 객체의 정확도를 높이는 까다로운 시나리오입니다.

다른 아키텍처 살펴보기#

YOLO26을 우선적으로 권장하지만, 이전 모델도 여전히 유용합니다. YOLO11은 계속 완벽하게 지원되며, 기존 YOLO11 기반 시스템에 적합합니다. 자세한 내용은 RT-DETR과 YOLO11 비교를 참조하세요. 이전 아키텍처를 살펴보려면 EfficientDet과 YOLO26 비교에서 객체 탐지 아키텍처가 얼마나 발전했는지 확인할 수 있습니다.

마무리#

RTDETRv2와 YOLO26은 모두 실시간 객체 탐지를 발전시켰습니다. 프로덕션으로의 원활한 전환, 작은 메모리 사용량, 폭넓은 작업 지원을 우선시하는 팀에는 Ultralytics YOLO26을 권장합니다. 선택적 NMS-Free 추론, 빠른 CPU 속도, Ultralytics 생태계 덕분에 클라우드 서버에서 실행하든 리소스가 제한된 Raspberry Pi에서 실행하든 비전 AI 프로젝트를 확장할 수 있습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.