YOLO26 vs YOLOv10

컴퓨터 비전 애플리케이션은 더 빠르고 정확하며 효율적인 모델을 계속 요구하고 있습니다. 이 가이드에서는 영향력 있는 두 실시간 객체 탐지 아키텍처인 YOLO26과 YOLOv10의 아키텍처, 성능 지표, 배포 기능을 비교하여 개발자와 연구자가 비전 애플리케이션에 적합한 모델을 선택하도록 돕습니다.

NMS-free 아키텍처의 발전#

수년 동안 YOLO(You Only Look Once) 제품군은 후처리 중 중복 바운딩 박스를 걸러내기 위해 비최대 억제(NMS)에 의존했습니다. NMS는 효과적이지만 추론 지연 시간을 늘리고 Raspberry Pi나 특수 신경망 처리 장치(NPUs) 같은 엣지 디바이스에서의 배포를 복잡하게 만듭니다.

YOLOv10은 YOLO 제품군에 엔드투엔드 NMS 프리 설계를 도입했습니다. Ultralytics YOLO26은 선택적 일대일 헤드로 이 접근 방식을 개선해 프로덕션 환경에 적합하게 했으며, 더 다양한 작업으로 확장했습니다.

후처리 병목 현상

NMS를 제거하면 TensorRT 및 OpenVINO와 같은 하드웨어 가속기에서 컴퓨터 비전 모델의 최적화를 기존에 방해하던 동적 데이터 의존형 후처리 단계를 없앨 수 있습니다.

YOLOv10: NMS 프리 실시간 탐지#

칭화대학교 연구진이 개발한 YOLOv10은 NMS의 필요성을 없애기 위해 일관된 이중 할당 전략을 도입했습니다. 효율성과 정확도를 종합적으로 고려한 모델 설계를 통해 강력한 mAP(평균 정밀도)를 유지하면서 연산 중복을 줄였습니다.

장점:

  • NMS 프리 아키텍처: YOLO 시리즈 최초의 NMS 프리 설계로, 실시간 애플리케이션의 지연 시간을 줄입니다.
  • 효율성: 이전 세대 모델과 비교해 파라미터 수와 추론 속도 간의 우수한 균형을 제공합니다.

단점:

  • 제한적인 작업 지원: 표준 객체 감지에 주로 초점을 맞추며, 분할이나 포즈 추정과 같은 고급 작업을 기본적으로 바로 지원하지 않습니다.
  • 학술 연구 중심: 코드베이스는 엔터프라이즈 프로덕션 배포보다 연구에 중점을 둡니다.

YOLOv10 자세히 알아보기

YOLO26: 엣지와 클라우드를 위한 새로운 표준#

YOLO11의 후속 모델로 출시된 YOLO26은 선택적 일대일 헤드(nms=False)를 통해 NMS 프리 개념을 발전시켰습니다. 머신러닝 파이프라인 전반에서 어노테이션, 학습, 배포 도구를 제공하는 Ultralytics Platform과 통합됩니다.

YOLO26은 다음과 같은 여러 아키텍처 변경 사항을 도입합니다:

  • DFL 제거: 분포 초점 손실이 제거되었습니다. 이에 따라 모델 내보내기 과정이 간소화되고 엣지 및 저전력 디바이스와의 호환성이 향상됩니다.
  • 최대 43% 빠른 CPU 추론: DFL 제거와 구조적 최적화 덕분에 YOLO26n은 YOLO11n보다 CPU에서 최대 43% 빠르므로 IoT 및 모바일 배포에 적합합니다.
  • MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델(LLM) 학습 기법에서 영감을 받아 YOLO26은 SGD와 Muon을 결합한 하이브리드 방식을 사용합니다. 이를 통해 컴퓨터 비전 학습의 안정성을 높이고 수렴 속도를 개선합니다.
  • ProgLoss + STAL: 점진적 손실과 작은 객체 인식 기반 레이블 할당(STAL)은 항공 이미지와 드론 기반 보안 모니터링에 중요한 작은 객체 인식 성능을 높입니다.
  • 작업별 개선 사항: YOLO26은 분할, 시맨틱 분할, 깊이 추정, 분류, 포즈 추정, OBB도 지원합니다. 분할에는 시맨틱 분할 손실과 다중 스케일 프로토를, 포즈 추정에는 잔차 로그 가능도 추정(RLE)을, 방향 바운딩 박스(OBB)에는 특수 각도 손실을 추가했습니다.

성능 분석 및 지표#

다음 표는 YOLO26 및 YOLOv10 모델의 COCO 탐지 성능을 비교합니다. YOLO26은 n 모델에서 +2.4 mAP, x 모델에서 +3.1 mAP까지 모든 크기에서 더 높은 정확도를 보입니다. 반면 YOLOv10은 x 크기에서 파라미터와 FLOPs가 더 적습니다(파라미터 29.5M 대 55.7M, FLOPs 160.4B 대 194.4B).

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

Ultralytics의 강점: 학습 및 메모리 효율성#

모델을 프로덕션에 배포할 때는 추론 속도만큼 메모리 요구량과 학습 효율성도 중요합니다. Ultralytics 모델, 특히 YOLO26은 학습 중 CUDA 메모리 사용량을 줄이도록 최적화되어 있습니다. 이를 통해 개발자는 일반 소비자용 GPU에서 더 큰 배치 크기를 사용할 수 있어 학습 시간과 연산 비용을 줄일 수 있습니다. 반면 RT-DETR 같은 대형 Transformer 모델은 효과적으로 학습하려면 고가의 고성능 하드웨어가 필요한 경우가 많습니다.

지속적 통합 및 생태계

YOLO26을 선택할 때의 주요 이점은 데이터 어노테이션부터 실험 추적까지 워크플로를 지원하는, 잘 유지 관리되는 Ultralytics 생태계와의 통합입니다.

실제 구현: 코드 예제#

Ultralytics Python API를 사용하면 YOLOv8 같은 이전 모델에서 YOLO26으로 마이그레이션할 때 코드 한 줄만 변경하면 됩니다.

다음은 YOLO26으로 학습, 추론 실행, 내보내기를 수행하는 예시입니다:

from ultralytics import YOLO

# 1. Load the YOLO26 nano model
model = YOLO("yolo26n.pt")

# 2. Train the model on the COCO8 dataset efficiently
# optimizer='auto' selects MuSGD for longer training runs; memory management is automatic
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Easily switch to 0 for GPU
)

# 3. Perform NMS-free inference on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# 4. Display the results to screen
predictions[0].show()

# 5. Export to ONNX for simplified edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to {export_path}")

사용 사례 및 권장 사항#

YOLO26과 YOLOv10 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.

YOLO26을 선택해야 하는 경우#

YOLO26은 다음과 같은 경우에 적합합니다:

  • NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서는 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
  • 작은 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석과 같이 ProgLoss와 STAL이 작은 객체의 정확도를 높이는 까다로운 시나리오입니다.

YOLOv10을 선택해야 하는 경우#

다음과 같은 경우 YOLOv10을 권장합니다:

  • NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
  • 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
  • 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.

결론#

YOLOv10은 NMS 프리 YOLO 탐지를 도입해 연구 커뮤니티에 큰 기여를 했으며, YOLO26은 이를 프로덕션 환경으로 확장합니다. YOLO26은 CPU 추론 속도가 최대 43% 빠르고(YOLO26n 대 YOLO11n), MuSGD 옵티마이저와 7가지 비전 작업을 지원하므로 엣지 컴퓨팅과 대규모 클라우드 배포 모두에 권장됩니다.

활발한 커뮤니티, 포괄적인 문서, 원활한 개발자 경험을 중시하는 팀에는 Ultralytics 생태계가 적합합니다. 특수한 시나리오에서는 제로샷 오픈 어휘 탐지를 위한 YOLO-World도 검토할 수 있습니다. 대부분의 실제 사용 사례에는 YOLO26이 권장됩니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.