YOLO26 대 YOLOv10: 엔드투엔드 객체 탐지의 진화

실시간 객체 탐지 분야는 복잡한 다단계 파이프라인에서 간소화된 종단간 아키텍처로 빠르게 진화해 왔습니다. 이러한 전환 과정에서 핵심적인 두 모델은 YOLO26과Ultralytics의 최신 최첨단 모델인 YOLOv10과 YOLOv10입니다.

두 모델 모두 간편한 배포를 위해 비최대 억제(NMS) 제거를 주창하지만, 최적화 목표, 생태계 지원 및 아키텍처 개선 측면에서 상당한 차이를 보입니다. 본 가이드는 컴퓨터 비전 프로젝트에 적합한 도구를 선택하는 데 도움이 되도록 두 모델의 차이점을 기술적으로 심층 분석합니다.

성능 벤치마크

다음 표는 COCO YOLOv10 성능을 비교합니다. YOLO26은 특히 에지 배포를 위해 특별히 최적화된 CPU 우수한 정확도(mAP)와 추론 속도를 보여줍니다.

Ultralytics YOLO26

YOLO26은 2026년 1월에 출시된 Ultralytics 제품군의 정점을 대표합니다. YOLOv8 과 YOLO11의 유산을 계승하여, 에지 디바이스에서 상당한 속도 향상을 제공하면서도 NMS 작업이 필요 없는 네이티브 엔드투엔드 설계를 도입했습니다.

주요 아키텍처 혁신

• 엔드투엔드 NMS 추론: YOLOv10 마찬가지로 YOLO26은 NMS 제거합니다. 이는 배포 파이프라인을 단순화하여 모델 출력이 즉시 다운스트림 로직에 활용될 수 있도록 보장하며, 실시간 시스템에서 지연 시간 편차를 줄입니다.
• DFL 제거: 아키텍처에서 분포 초점 손실(DFL)을 제거합니다. 이 변경으로 ONNX 및 TensorRT으로의 내보내기 과정을 크게 단순화하고, 복잡한 출력 레이어를 처리하기 어려운 저전력 에지 하드웨어와의 호환성을 향상시킵니다.
• MuSGD 최적화기: 확률적 경사 하강법(SGD) 과 뮤온(Moonshot AI의 대규모 언어 모델(LLM) 훈련 기법에서 영감을 얻음)을 결합한 새로운 훈련 최적화기입니다. 이는 기존의 AdamW SGD 비교하여 더 빠른 수렴과 더 안정적인 훈련 실행을 가능하게 합니다.
• ProgLoss + STAL: 점진적 손실 균형(Progressive Loss Balancing)과 소형 대상 인식 라벨 할당(Small-Target-Aware Label Assignment, STAL)의 통합은 물체 탐지의 일반적인 약점을 직접 해결하며, 특히 항공 이미지나 물류 분야에서 발견되는 소형 물체에 대한 성능을 향상시킵니다.

YOLO26에 대해 더 알아보기

사용 사례 및 강점

YOLO26은 범용 비전 모델로 설계되었습니다. 탐지 기능을 넘어, 인스턴스 분할, 자세 추정, 방향성 바운딩 박스(OBB) 탐지, 이미지 분류를 기본적으로 지원합니다.

CPU 위한 최적화로 인해 GPU 없는 환경(예: 라즈베리 파이 또는 모바일 기기)에서 실행되는 엣지 AI 애플리케이션에 이상적인 선택입니다.

10

YOLOv10칭화대학교 연구진이 개발한 YOLO NMS 필요 없는 훈련 방식을 도입한 선구적인 모델입니다. 이 모델은 모델 헤드의 중복성을 줄이고 후처리 과정의 계산 병목 현상을 제거하는 데 중점을 둡니다.

주요 기능

• 일관된 이중 할당: YOLOv10 훈련 과정에서 이중 할당 전략을 YOLOv10 . 풍부한 감독을 위해 일대다 할당을 사용하고 효율성을 위해 일대일 할당을 적용합니다. 이를 통해 모델은 효과적으로 훈련될 수 있으며 추론 시에는 엔드투엔드 방식으로 작동합니다.
• 전체적 효율성 설계: 이 아키텍처는 경량 분류 헤드와 공간-채널 분리 다운샘플링을 활용하여 계산 오버헤드(FLOPs)를 줄입니다.
• 순위 기반 블록 설계: 효율성 향상을 위해 YOLOv10 네트워크 단계에 따라 블록 설계를 YOLOv10 깊은 계층에서의 중복을 줄입니다.

제한 사항

혁신적이긴 하지만, YOLOv10 주로 학술 연구 YOLOv10 . YOLO26에서 제공하는 광범위한 작업 지원(공식 저장소의 네이티브 OBB 또는 Pose 모델 등)이 부족하며, Ultralytics 제공하는 지속적인 유지보수 및 통합 지원과 동등한 수준의 혜택을 받지 못합니다.

10에 대해 자세히 알아보기

자세한 기술 비교

훈련 및 최적화

YOLO26은 대규모 언어 모델(LLM) 훈련에서 유래한 안정성 혁신을 컴퓨터 비전 분야에 도입한 하이브리드 접근법인 MuSGD 최적화기를 선보입니다. 이는 표준 최적화 기법에 의존하는 YOLOv10 대조를 이룹니다. 또한 YOLO26은 훈련 중 손실 가중치를 동적으로 조정하는 ProgLoss (진보적 손실)를 활용하여, 훈련이 진행됨에 따라 모델이 더 어려운 예시에 집중하도록 보장합니다.

추론 속도와 배포

두 모델 모두 엔드투엔드 추론을 제공하여 NMS 현상을 제거합니다. 그러나 YOLO26은 DFL을 제거함으로써 이를 한 단계 더 발전시켰는데, DFL은 종종 복잡성을 가중시키곤 합니다. CoreML 또는 TFLite 내보내기를 복잡하게 만드는 DFL도 제거합니다. 벤치마크 결과 YOLO26은 CPU에서 최대 43% 더 빠른 추론을 달성하여, 단순히 이론적인 GPU 감소가 아닌 실용적인 실제 에지 배포에 중점을 두고 있음을 보여줍니다.

다목적성 및 에코시스템

Ultralytics 단순한 탐지 모델이 아닌 플랫폼입니다. 사용자는 동일한 API를 통해 세그멘테이션, 자세 추정, OBB ( OpenBoundingBox )와 같은 작업 간에 원활하게 전환할 수 있습니다.

from ultralytics import YOLO

# Load a YOLO26 model for different tasks
model_det = YOLO("yolo26n.pt")  # Detection
model_seg = YOLO("yolo26n-seg.pt")  # Segmentation
model_pose = YOLO("yolo26n-pose.pt")  # Pose Estimation

# Run inference
results = model_det("image.jpg")

반면 YOLOv10 주로 객체 탐지에 초점을 맞추고 YOLOv10 , 이러한 복잡한 다운스트림 작업에 대한 공식 지원은 제한적입니다.

왜 Ultralytics 선택해야 할까요?

개발자와 기업을 위해 YOLO26은 보다 강력한 솔루션을 제공합니다:

1. 사용 편의성: Ultralytics Python CLI 단순함의 업계 CLI . 훈련, 검증, 내보내기가 단일 명령어로 가능합니다.
2. 잘 관리된 생태계: Ultralytics 잦은 업데이트, 버그 수정, 그리고 Discord와 GitHub에서 활발한 커뮤니티를 Ultralytics .
3. 훈련 효율성: 모든 작업과 규모에 대해 사전 훈련된 가중치를 활용할 수 있어, 전이 학습은 빠르고 효율적이며 RT-DETR 같은 트랜스포머 기반 대안보다 적은 GPU 필요로 합니다.
4. 배포 준비 완료: 다양한 내보내기 형식 지원—다음 포함 OpenVINO, TensorRT, ONNX등 다양한 출력 형식을 포괄적으로 지원하여 모델이 어디서나 실행되도록 보장합니다.

결론

한편 YOLOv10YOLO NMS YOLO 개척했다면, YOLO26은 이 개념을 정교화하고 확장하여 생산 환경에 바로 적용 가능한 강력한 솔루션으로 발전시켰습니다. 뛰어난 정확도, 특수화된 에지 최적화, 포괄적인 작업 지원으로 YOLO26은 스마트 시티 분석부터 농업 모니터링에 이르기까지 현대적인 컴퓨터 비전 애플리케이션에 권장되는 선택입니다.

살펴볼 다른 모델

Ultralytics 내에서 다른 옵션을 탐색하고 싶다면 다음을 고려해 보십시오:

• YOLO11: 신뢰할 수 있는 선행 모델로, 우수한 범용 성능을 제공합니다.
• YOLO: 훈련 데이터에 존재하지 않는 detect 하는 개방형 어휘 탐지를 위한 모델입니다.
• RT-DETR: 추론 속도가 덜 중요한 고정밀 시나리오를 위한 트랜스포머 기반 탐지기.

댓글