YOLO26 대 YOLOv10: 엔드투엔드 객체 탐지의 진화

실시간 객체 탐지 기술의 지형도는 빠르게 변화하고 있습니다. 2024년에는 YOLOv10 는 비최대 억제(NMS)가 필요 없는 훈련 방식을 최초로 도입하며 주목받았으며, 이는 추론 파이프라인의 주요 병목 현상을 효과적으로 제거했습니다. 2026년으로 넘어가면, Ultralytics 이러한 개념을 정교화하고 확장하여 더 빠르고 정확하며 Ultralytics 깊이 통합된 원생적 엔드투엔드 아키텍처를 제공합니다.

이 가이드는 두 가지 영향력 있는 모델 간의 기술적 비교를 제공하여 개발자, 연구원 및 엔지니어가 컴퓨터 비전 애플리케이션에 적합한 도구를 선택할 수 있도록 돕습니다.

성능 지표 비교

현대 감지기를 평가할 때 속도와 정확도 사이의 절충은 가장 중요합니다. YOLOv2는 특히 에지 디바이스와 CPU 대상으로 한 상당한 최적화를 도입하여, 이전 세대에 비해 CPU에서 최대 43%의 속도 향상을 달성했습니다. 반면 YOLOv10 이 여전히 매우 효율적인 모델이지만, YOLO26은 더 가벼운 컴퓨팅 리소스로 가능한 한계를 넓혔습니다.

아키텍처 혁신

Ultralytics : 새로운 표준

저자: Glenn Jocher, Jing Qiu
소속:Ultralytics
날짜: 2026년 1월 14일

YOLO26은 효율성과 사용 편의성에 대한 연구의 정점을 나타냅니다. YOLOv10 유사한 엔드투엔드 NMS 설계를 채택하지만, 견고성과 배포 유연성을 위해 설계된 몇 가지 핵심적인 구조적 변경을 통해 이를 향상시켰습니다.

1. DFL 제거: 분포 초점 손실(DFL)을 제거함으로써 모델 아키텍처가 단순화됩니다. 이 변경은 내보내기 호환성에 매우 중요하며, 복잡한 출력 레이어가 지연을 유발할 수 있는 라즈베리 파이(Raspberry Pi )나 모바일 기기와 같은 제한된 에지 하드웨어에 모델을 더 쉽게 배포할 수 있게 합니다.
2. MuSGD 최적화기: 대규모 언어 모델(LLM)의 훈련 안정성에서 영감을 얻은 YOLO26은 SGD Muon) SGD 결합한 하이브리드 최적화기를 활용합니다. Moonshot AI의 Kimi K2에서 차용한 이 혁신은 더 빠른 수렴과 안정적인 훈련 실행을 보장하여 컴퓨팅 비용을 절감합니다.
3. ProgLoss + STAL: 프로그레시브 손실(ProgLoss)과 소프트 타겟 앵커 손실(STAL)의 도입은 소형 물체에 대한 성능을 크게 향상시킵니다. 이로 인해 YOLO26은 항공 이미지 분석이나 제조 현장의 결함 탐지 같은 작업에 특히 탁월한 능력을 발휘합니다.

YOLO26에 대해 더 알아보기

YOLOv10: NMS 선구자

저자: 왕아오 외
소속 기관: 칭화대학교
날짜: 2024년 5월 23일

YOLOv10 NMS 과정의 중복성을 해결한 획기적인 YOLOv10 . 주요 혁신은 NMS 없이도 훈련이 가능하도록 일관된 이중 할당(Consistent Dual Assignments )을 도입한 점이다.

• 이중 할당: 훈련 과정에서 모델은 일대다(one-to-many) 및 일대일(one-to-one) 레이블 할당을 동시에 사용합니다. 이를 통해 모델은 풍부한 표현을 학습할 수 있으며, 추론 시 객체당 하나의 예측만 수행되도록 보장하여 NMS(노이즈 제거 알고리즘)의 필요성을 제거합니다.
• 전체적 효율성 설계: 저자들은 경량 분류 헤드와 공간-채널 분리 다운샘플링을 도입하여 계산 오버헤드를 줄였으며, 이는 낮은 FLOPs 수치로 반영된다.

10에 대해 자세히 알아보기

통합 및 에코시스템

가장 큰 차이점 중 하나는 주변 생태계에 있습니다. Ultralytics Ultralytics 플래그십 모델로, 모든 작업과 모드에 대한 즉각적인 지원을 보장합니다.

Ultralytics 이점

• 다용도성: YOLOv10 주로 물체 탐지에 초점을 YOLOv10 반면, YOLO26은 인스턴스 세그멘테이션, 자세 추정, OBB(Object Bounding Box), 분류를 기본적으로 지원합니다.
• Ultralytics : YOLO26은 Ultralytics (구 HUB)과 완벽하게 통합되어 원활한 데이터셋 관리, 원클릭 클라우드 훈련, 그리고 다음과 같은 형식으로의 배포를 지원합니다. TFLite , OpenVINO.
• 유지보수: 핵심 제품인 YOLO26은 GitHub 및 Discord를 통해 빈번한 업데이트, 버그 수정 및 커뮤니티 지원을 받습니다.

코드 비교

두 모델 모두 다음을 사용하여 실행할 수 있습니다. ultralytics Python , 라이브러리의 유연성을 강조합니다. 그러나 YOLO26은 최신 유틸리티 함수와 최적화의 혜택을 받습니다.

from ultralytics import YOLO

# ----------------- YOLO26 -----------------
# Load the latest YOLO26 model (NMS-free, optimized for CPU)
model_26 = YOLO("yolo26n.pt")

# Train on a custom dataset with MuSGD optimizer enabled automatically
model_26.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with simplified output (no NMS overhead)
results_26 = model_26("path/to/image.jpg")


# ----------------- YOLOv10 -----------------
# Load the YOLOv10 model (Historical academic checkpoint)
model_10 = YOLO("yolov10n.pt")

# Train using standard settings
model_10.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results_10 = model_10("path/to/image.jpg")

사용 사례 및 권장 사항

이러한 모델 중 선택은 특정 배포 제약 조건과 프로젝트 목표에 따라 달라집니다.

YOLO26의 이상적인 시나리오

• CPU 기반 엣지 AI: 전용 GPU 없는 하드웨어 GPU 예: 일반 노트북, 저전력 IoT 게이트웨이)에서 애플리케이션을 실행하는 경우, YOLO26의 43% 더 빠른 CPU 인해 이 기술이 확실한 선택입니다.
• 상용 솔루션: 장기적인 유지보수성, 엄격한 라이선스 투명성(엔터프라이즈 라이선스), 그리고 안정적인 지원이 필요한 기업용 애플리케이션을 위해 YOLO26은 생산 환경을 위해 설계되었습니다.
• 복잡한 작업: 항공 측량용 방향성 바운딩 박스 나 스포츠 분석용 자세 추정 등이 필요한 프로젝트는 YOLO26의 다중 작업 처리 능력으로 혜택을 볼 수 있습니다.

YOLOv10을 위한 이상적인 시나리오

• 학술 연구: NMS 없는 훈련 또는 레이블 할당 전략의 이론적 기반을 연구하는 연구자들은 YOLOv10 arXiv 논문과 아키텍처를 유용한 참고 자료로 활용할 수 있을 것이다.
• 레거시 벤치마킹: 2024년 기준선과 비교할 때, YOLOv10 효율성 중심 아키텍처의 탁월한 기준으로 YOLOv10 .

결론

두 아키텍처 모두 컴퓨터 비전 발전에 중추적인 역할을 해왔다. YOLOv10NMS 필요성에 성공적으로 도전하여 실시간 애플리케이션에 대한 종단 간 감지가 실행 가능함을 입증했습니다.

Ultralytics 이러한 혁신을 한 단계 더 발전시켰습니다. NMS(네트워크 미세 조정) NMS 없는 설계와 MuSGD 최적화기의 안정성, 에지 컴퓨팅 환경에 적합한 DFL(딥 피드백 루프) 제거, 그리고 Ultralytics 다용도 지원을 결합함으로써, YOLO26은 오늘날 개발자에게 가장 균형 잡히고 고성능의 솔루션을 제공합니다. 스마트 시티 교통 시스템을 구축하든 모바일 문서 스캐너를 개발하든, YOLO26은 성공에 필요한 속도와 정확성을 제공합니다.

추가 자료

• YOLO26 문서
• 물체 탐지 작업 가이드
• YOLO 지표 설명
• 모델 훈련을 위한 Ultralytics
• 모델 내보내기 모드 안내서

댓글