YOLO26 대 YOLOv5#

컴퓨터 비전의 진화는 속도, 정확도, 그리고 접근성에 대한 끊임없는 추구에 의해 정의되어 왔습니다. 올바른 아키텍처를 선택하는 것은 모든 AI 프로젝트의 성공에 매우 중요합니다. 이 종합 가이드에서는 Ultralytics의 두 가지 기념비적인 릴리스인 선구적인 YOLOv5와 획기적인 YOLO26을 비교합니다. 두 모델 모두 실시간 객체 검출 분야에 큰 영향을 미쳤지만, 그 밑바탕이 되는 기술은 신경망이 시각적 데이터를 처리하는 방식에 있어 엄청난 패러다임의 전환을 보여줍니다.

모델 개요#

아키텍처의 세부적인 차이를 살펴보기 전에 두 모델의 기초적인 세부 정보를 정리해 보겠습니다.

YOLO26 상세 정보:

• 저자: Glenn Jocher 및 Jing Qiu
• 조직: Ultralytics
• 날짜: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• 문서: YOLO26 Documentation

YOLO26에 대해 자세히 알아보기

YOLOv5 상세 정보:

• 저자: Glenn Jocher
• 조직: Ultralytics
• 날짜: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Docs: YOLOv5 Documentation

YOLOv5에 대해 더 알아보기

아키텍처 혁신#

YOLOv5와 YOLO26 사이의 6년 공백은 딥러닝 연구의 엄청난 도약을 나타냅니다. YOLOv5는 비전 모델을 위해 PyTorch의 널리 퍼진 사용을 대중화했으며, 업계 표준이 된 고도로 최적화된 앵커 기반 검출 메커니즘을 제공했습니다. 그러나 이는 사후 처리 중에 Non-Maximum Suppression (NMS)에 크게 의존했으며, 이는 리소스가 제한된 장치에서 지연 시간 병목 현상을 유발할 수 있었습니다.

End-to-End NMS-Free Design을 통해 YOLO26은 추론 파이프라인을 완전히 새롭게 구상합니다. NMS 사후 처리의 필요성을 제거함으로써 YOLO26은 더 빠르고 훨씬 더 간단한 배포 로직을 제공하는데, 이는 YOLOv10에서 처음 개척되었지만 여기에서 완성된 개념입니다. 또한 YOLO26은 출력 헤드를 대폭 단순화하는 DFL Removal (Distribution Focal Loss) 기능을 갖추고 있습니다. 이를 통해 ONNX 및 TensorRT와 같은 형식으로 모델을 매우 부드럽게 내보낼 수 있으며, 엣지 및 저전력 장치와의 뛰어난 호환성을 보장합니다.

학습 중에 YOLO26은 Moonshot AI's Kimi K2에서 영감을 받은 SGD와 Muon의 하이브리드인 최첨단 MuSGD Optimizer를 채택합니다. 이는 LLM 학습 혁신을 컴퓨터 비전 영역으로 가져와, YOLOv5에서 사용되는 기존 SGD 또는 AdamW 옵티마이저에 비해 매우 안정적인 학습과 훨씬 빠른 수렴을 보장합니다.

성능 및 지표#

모델을 평가할 때 mean Average Precision (mAP)과 추론 속도 간의 균형은 실제 가용성을 결정합니다. YOLO26은 고성능 GPU와 엣지 CPU 모두에 기본적으로 최적화되어 있습니다.

벤치마크 결과는 놀라운 향상을 보여줍니다. 예를 들어, YOLO26n은 YOLOv5n의 28.0에 비해 40.9의 mAP를 달성하는 동시에 최대 43% 더 빠른 CPU 추론을 제공합니다. 이는 YOLO26을 Raspberry Pi나 모바일 장치와 같은 임베디드 배포에 훨씬 더 우수하게 만듭니다. YOLOv5가 Nano 규모에서 TensorRT GPU 속도 측면에서 약간의 우위를 점하고 있지만, 정확도 절상 거래는 YOLO26을 크게 선호합니다.

학습 생태계 및 사용 편의성#

두 모델 모두 잘 유지 관리되는 Ultralytics 생태계의 혜택을 크게 받습니다. 두 모델 모두 간소화된 Python API, 광범위한 문서, 활발한 커뮤니티 지원을 통해 "zero-to-hero" 경험을 제공합니다. 그러나 YOLO26은 학습 효율성을 새로운 수준으로 끌어올렸습니다.

Ultralytics 모델은 트랜스포머 중심의 대안에 비해 학습 중에 훨씬 더 낮은 CUDA memory를 지속적으로 요구합니다. YOLO26은 ProgLoss + STAL 손실 함수를 통해 이를 증폭시킵니다. 이러한 발전은 메모리 오버헤드를 늘리지 않으면서 소형 객체 인식에서 주목할 만한 개선을 이끌어냅니다.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model with the MuSGD optimizer (default for YOLO26)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Run fast, NMS-free inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

이 간단한 스크립트를 통해 개발자는 custom datasets에 대해 빠르게 반복 작업할 수 있으며, 데이터 수집에서 프로덕션 준비 모델로 원활하게 이동할 수 있습니다.

다재다능함 및 이상적인 사용 사례#

YOLOv5 사용 시기#

YOLOv5는 레거시 시스템을 위한 신뢰할 수 있는 주력 제품으로 남아 있습니다. 앵커 기반 출력에 크게 결합된 기존 산업용 파이프라인이 있거나, 성숙하고 고정된 TensorRT 스택을 갖춘 이전 NVIDIA Jetson 장치에서 추론을 실행하는 경우, YOLOv5는 안정적이고 문서화가 잘 된 솔루션을 제공합니다.

YOLO26 사용 시기#

YOLO26은 현대 컴퓨터 비전 프로젝트를 위한 확실한 선택입니다. 그 다재다능함은 전작을 훨씬 능가합니다. YOLOv5가 주로 검출(이후 세분화 추가)에 중점을 두는 반면, YOLO26은 Instance Segmentation, Pose Estimation, Image Classification, 그리고 Oriented Bounding Boxes (OBB)에 대한 깊고 네이티브한 지원을 제공합니다.

YOLO26은 특수 시맨틱 세그멘테이션 손실, 매우 정확한 포즈 키포인트를 위한 잔차 로그 우도 추정(RLE), 까다로운 경계 문제를 해결하기 위한 OBB용 고급 각도 손실과 같은 태스크별 개선 사항을 도입했습니다.

• 엣지 IoT 및 로봇 공학: NMS-free 아키텍처와 43% 더 빠른 CPU 추론 속도 덕분에 YOLO26은 실시간 로봇 내비게이션 및 스마트 홈 카메라에 이상적입니다.
• 항공 이미지: ProgLoss + STAL 개선 사항은 주차장의 차량이나 농경지의 작물과 같이 드론에서 작은 객체를 탐지할 때 신뢰성을 크게 높여줍니다.
• 실시간 비디오 분석: 스포츠 중계에서 선수를 추적하든 교통 흐름을 모니터링하든, YOLO26의 성능 균형은 프레임 저하 없이 높은 재현율을 보장합니다.

결과적으로, 접근 가능하고 고성능인 생태계를 구축하려는 Ultralytics의 노력은 YOLOv5에서 YOLO26으로의 전환이 마찰 없이 이루어지도록 보장하며, 연구자와 개발자 모두에게 최첨단 기능을 제공합니다.