Ultralytics YOLO27:

RTDETRv2 vs YOLOv10#

컴퓨터 비전의 발전은 속도와 정확도의 균형을 맞추기 위한 끊임없는 노력에 의해 크게 주도되어 왔습니다. 전통적으로 실시간 객체 탐지 파이프라인은 겹치는 바운딩 박스를 필터링하는 후처리 단계로 비최대 억제(NMS)에 의존해 왔습니다. 그러나 NMS는 지연 시간 병목과 복잡한 하이퍼파라미터 튜닝을 초래합니다. 최근에는 이 문제를 네이티브하게 해결하기 위한 두 가지 서로 다른 아키텍처 접근 방식이 등장했습니다. RTDETRv2와 같은 Transformer 기반 모델과 YOLOv10과 같은 CNN 기반 모델입니다.

이 가이드에서는 두 모델의 아키텍처, 성능 지표 및 이상적인 사용 사례를 분석하여 포괄적으로 기술 비교하고, 최신 Ultralytics 생태계의 혁신이 현대적인 배포를 위한 최적의 솔루션을 제공하는 방식도 살펴봅니다.

RTDETRv2: 실시간 탐지 Transformer#

RTDETRv2는 기존 RT-DETR 아키텍처를 기반으로 하며, Vision Transformer의 전역 컨텍스트 이해 능력과 전통적으로 YOLO 모델이 주도해 온 실시간 속도 요구 사항을 결합하는 것을 목표로 합니다.

주요 특징:

아키텍처 및 학습 방법론#

RTDETRv2는 본질적으로 NMS를 사용하지 않는 엔드투엔드 Transformer 아키텍처를 활용합니다. 또한 "Bag-of-Freebies" 접근 방식을 도입하여 학습 전략을 최적화하고 멀티스케일 탐지 기능을 통합함으로써 이전 모델을 개선했습니다. 이 모델은 CNN 백본을 사용하여 feature map(윤곽선과 텍스처 같은 시각적 세부 정보)을 추출한 다음, 이를 Transformer 인코더-디코더 구조로 처리합니다. 이를 통해 모델은 전체 이미지의 컨텍스트를 동시에 분석할 수 있으므로 객체가 밀집되어 있거나 서로 겹치는 복잡한 장면을 이해하는 데 매우 효과적입니다.

강점과 약점#

강점:

  • 전역 컨텍스트: 어텐션 메커니즘을 통해 복잡하고 혼잡한 환경에서 뛰어난 성능을 발휘합니다.
  • NMS-Free: 객체 좌표를 직접 예측하여 배포 파이프라인을 단순화합니다.
  • 높은 정확도: COCO 데이터셋에서 우수한 평균 정밀도(mAP)를 달성합니다.

약점:

  • 높은 리소스 요구량: Transformer 아키텍처는 일반적으로 CNN보다 학습 중 훨씬 더 많은 CUDA 메모리를 필요로 하므로, 표준 하드웨어에서 파인튜닝하는 데 비용이 많이 듭니다.
  • 추론 속도 변동성: 빠른 편이지만, 무거운 어텐션 계산으로 인해 전용 AI 가속기가 없는 엣지 디바이스에서는 컴퓨터 비전의 FPS가 낮아질 수 있습니다.

RTDETRv2에 대해 자세히 알아보기

YOLOv10: 실시간 엔드투엔드 객체 감지#

YOLOv10은 CNN 프레임워크 내에서 오랫동안 지속된 NMS 병목을 직접 해결함으로써 YOLO 객체 탐지 계보에 큰 변화를 가져왔습니다.

주요 특징:

아키텍처 및 학습 방법론#

YOLOv10의 핵심 혁신은 NMS-Free 학습을 위한 일관된 이중 할당입니다. 학습 중에는 두 개의 탐지 헤드를 사용합니다. 하나는 풍부한 지도 신호를 제공하기 위해 기존 YOLO와 같은 일대다 할당을 사용하고, 다른 하나는 NMS의 필요성을 없애기 위해 일대일 할당을 사용합니다. 추론 중에는 일대일 헤드만 사용하므로 엔드투엔드 프로세스가 구현됩니다. 또한 저자들은 효율성과 정확도에 중점을 둔 전체론적 모델 설계 전략을 적용하여 다양한 구성 요소를 종합적으로 최적화하고 계산 중복을 줄였습니다.

강점과 약점#

강점:

  • 탁월한 속도: NMS를 제거하고 아키텍처를 최적화하여 YOLOv10은 매우 낮은 추론 지연 시간을 달성합니다.
  • 효율성: 다른 모델과 비슷한 정확도를 달성하면서 더 적은 파라미터와 FLOPs을 필요로 하므로, 제약이 있는 환경에 매우 적합합니다.
  • NMS-Free 배포: 스마트 감시와 같은 엣지 애플리케이션에 쉽게 통합할 수 있습니다.

약점:

  • 1세대 개념: 이 특정 NMS-Free 아키텍처를 구현한 최초의 YOLO로서 기반을 마련했지만, 이후 YOLO11 및 YOLO26과 같은 모델에서 볼 수 있는 멀티태스크 범용성과 최적화에는 개선의 여지를 남겼습니다.

YOLOv10에 대해 자세히 알아보세요

성능 비교#

프로덕션용 모델을 평가할 때는 정확도와 계산 비용의 균형을 맞추는 것이 중요합니다. 아래 표에서는 다양한 크기의 RTDETRv2와 YOLOv10 간 성능 절충점을 보여줍니다.

모델크기
(픽셀)		mAPval
50-95		속도
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
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4

RTDETRv2가 견고한 정확도를 제공하는 반면, YOLOv10은 특히 더 작은 변형(Nano 및 Small)에서 지연 시간과 파라미터 효율성 측면의 뛰어난 이점을 보여주므로 엣지 컴퓨팅 및 AIoT 애플리케이션에 매우 매력적입니다.

적절한 규모 선택

배치 크기와 VRAM의 제약이 적은 서버급 GPU에 배포하는 경우, 더 큰 모델(-x 또는 -l 등)이 정확도를 극대화합니다. Raspberry Pi나 휴대폰과 같은 엣지 디바이스에서는 실시간 프레임 레이트를 유지할 수 있도록 nano(-n) 또는 small(-s) 변형을 우선적으로 선택해야 합니다.

사용 사례 및 권장 사항#

RT-DETR과 YOLOv10 중 무엇을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건 및 생태계 선호도에 따라 달라집니다.

RT-DETR을 선택해야 하는 경우#

RT-DETR이 적합한 경우:

  • Transformer 기반 감지 연구: NMS 없이 엔드 투 엔드 객체 감지를 수행하기 위해 attention mechanism과 Transformer 아키텍처를 탐구하는 프로젝트입니다.
  • 유연한 latency를 요구하는 고정확도 시나리오: 감지 정확도가 최우선이며 약간 더 높은 추론 latency를 허용할 수 있는 애플리케이션입니다.
  • 대형 객체 감지: 주로 medium-to-large 객체가 있는 장면으로, Transformer의 global attention mechanism이 자연스러운 이점을 제공하는 경우입니다.

YOLOv10을 선택해야 하는 경우#

YOLOv10은 다음과 같은 경우에 권장됩니다:

  • NMS-Free 실시간 탐지: 비최대 억제 없이 엔드투엔드 탐지의 이점을 활용하여 배포 복잡성을 줄이는 애플리케이션입니다.
  • 균형 잡힌 속도-정확도 절충: 다양한 모델 규모에서 추론 속도와 탐지 정확도 사이의 뛰어난 균형이 필요한 프로젝트입니다.
  • 일관된 지연 시간이 필요한 애플리케이션: 로보틱스 또는 자율 시스템과 같이 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.

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: YOLO26 소개#

RTDETRv2와 YOLOv10 모두 학술적으로 매력적인 발전을 보여주지만, 실제 환경에 배포하려면 강력하고 지속적으로 유지 관리되는 소프트웨어 생태계가 필요합니다. Ultralytics Platform은 사용 편의성, 광범위한 문서, 데이터 어노테이션 및 배포를 위한 강력한 도구를 결합하여 탁월한 개발자 경험을 제공합니다.

2026년에 절대적인 최첨단 성능을 추구하는 개발자에게 **Ultralytics YOLO26**을 최종 권장 모델로 제시합니다. YOLO26은 두 아키텍처의 장점을 종합하는 동시에 다음과 같은 획기적인 개선 사항을 도입합니다.

  • 엔드투엔드 NMS-Free 설계: YOLOv10이 개척한 개념을 발전시킨 YOLO26은 NMS 후처리를 네이티브하게 제거하여 더 빠르고 단순한 배포 로직과 지연 시간 변동 제로를 실현합니다.
  • DFL 제거: Distribution Focal Loss를 제거하여 YOLO26은 모델 내보내기를 단순화하고 엣지 및 저전력 디바이스와의 호환성을 크게 향상합니다.
  • MuSGD Optimizer: SGD와 Muon의 하이브리드(LLM 학습 혁신에서 영감을 받음)인 이 새로운 옵티마이저는 기존 방법보다 더 안정적인 학습과 훨씬 빠른 수렴을 제공합니다.
  • 최대 43% 더 빠른 CPU 추론: 전용 GPU가 없는 환경에 맞게 세심하게 최적화하여 고성능 비전 AI를 대중화합니다.
  • ProgLoss + STAL: 이러한 고급 손실 함수는 소형 객체 인식 성능을 크게 향상하며, 이는 드론을 사용하는 애플리케이션과 IoT 센서에 매우 중요합니다.
  • 탁월한 범용성: 바운딩 박스로 제한된 모델과 달리 YOLO26은 인스턴스 세그멘테이션, 포즈 추정, 이미지 분류, OBB 탐지를 포함한 전체 작업 제품군을 지원하며, 포즈를 위한 Residual Log-Likelihood Estimation(RLE)과 같은 작업별 개선 사항도 제공합니다.

Python을 통한 원활한 구현#

Ultralytics Python API를 사용하여 이러한 모델을 학습하고 배포하는 과정은 번거로움이 없도록 설계되었습니다. Transformer 중심 아키텍처에 비해 학습 중 메모리 요구 사항이 눈에 띄게 낮아 표준 하드웨어에서도 강력한 모델을 학습할 수 있습니다.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 model (recommended)
# Alternatively, load a YOLOv10 model using YOLO('yolov10n.pt')
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Easily export to various formats for edge deployment
model.export(format="onnx", simplify=True)

보안 경보 시스템을 구현하거나 의료 이미지 분석을 수행하는 경우와 관계없이, 활발한 Ultralytics 커뮤니티가 뒷받침하는 모델을 선택하면 성공에 필요한 도구, 하이퍼파라미터 튜닝 가이드 및 지속적인 업데이트를 확보할 수 있습니다. YOLOv10과 RTDETRv2가 NMS-Free 아키텍처의 길을 열었다면, YOLO26은 이 공식을 완성하여 성능, 범용성 및 프로덕션 준비성의 최적의 균형을 제공합니다.

기여자
GLglenn-jocher18PDpderrenger2

댓글