YOLO26과 YOLOv5#

컴퓨터 비전의 발전은 속도, 정확도, 접근성을 끊임없이 추구해 온 과정으로 이루어졌습니다. AI 프로젝트의 성공을 위해서는 올바른 아키텍처를 선택하는 일이 중요합니다. 이 종합 가이드에서는 Ultralytics의 두 가지 중요한 모델인 선구적인 YOLOv5와 획기적인 YOLO26을 비교합니다. 두 모델 모두 실시간 객체 탐지 분야에 큰 영향을 미쳤지만, 기반 기술에는 신경망이 시각 데이터를 처리하는 방식의 대대적인 패러다임 전환이 반영되어 있습니다.

모델 개요#

아키텍처의 세부 사항을 살펴보기 전에 두 모델의 기본 정보를 먼저 알아보겠습니다.

YOLO26 세부 정보:

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

YOLOv5 세부 정보:

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

아키텍처 혁신#

YOLOv5와 YOLO26 사이의 6년은 딥러닝 연구의 비약적인 발전을 나타냅니다. YOLOv5는 비전 모델에 PyTorch를 널리 사용하는 흐름을 대중화했으며, 업계 표준으로 자리 잡은 고도로 최적화된 앵커 기반 탐지 방식을 제공했습니다. 하지만 후처리 과정에서 비최대 억제(NMS)에 크게 의존했기 때문에 리소스가 제한된 디바이스에서는 지연 시간 병목이 발생할 수 있었습니다.

YOLO26은 엔드투엔드 NMS-free 설계로 추론 파이프라인을 완전히 새롭게 구성합니다. 선택적 일대일 헤드(nms=False)를 사용하면 후처리 단계에서 NMS가 필요하지 않아 배포 로직이 훨씬 간단해지고 속도도 빨라집니다. 이 개념은 YOLOv10에서 처음 선보였으며, YOLO26에서 더욱 완성도 높게 구현되었습니다. 또한 YOLO26은 DFL 제거(Distribution Focal Loss)를 통해 출력 헤드를 대폭 간소화합니다. 덕분에 모델을 ONNX, TensorRT와 같은 형식으로 매끄럽게 내보낼 수 있어 엣지 및 저전력 디바이스와의 호환성이 뛰어납니다.

학습 과정에서 YOLO26은 Moonshot AI의 Kimi K2에서 영감을 얻은 SGD와 Muon의 하이브리드인 최첨단 MuSGD Optimizer를 사용합니다. 이를 통해 LLM 학습의 혁신을 컴퓨터 비전 분야에 도입하여 YOLOv5에서 사용하는 기존 SGD 또는 AdamW 옵티마이저보다 학습 안정성을 높이고 수렴 속도를 크게 향상합니다.

성능 및 지표#

모델을 평가할 때는 평균 정밀도(mAP)와 추론 속도 사이의 균형이 실제 활용 가능성을 좌우합니다. YOLO26은 고성능 GPU와 엣지 CPU 모두에 맞게 기본적으로 최적화되어 있습니다.

벤치마크 결과는 놀라운 성능 향상을 보여줍니다. 예를 들어, YOLO26n은 mAP 40.9를 달성해 YOLOv5n의 28.0보다 높으며, YOLO26은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠릅니다. 따라서 YOLO26은 Raspberry Pi나 모바일 디바이스와 같은 임베디드 환경에 훨씬 더 적합합니다. YOLOv5는 Nano 규모에서 TensorRT GPU 속도가 약간 더 빠르지만, 정확도 측면에서는 YOLO26이 크게 앞섭니다.

학습 생태계 및 사용 편의성#

두 모델 모두 잘 관리되는 Ultralytics 생태계의 이점을 충분히 누립니다. 간결한 Python API와 풍부한 문서, 활발한 커뮤니티 지원을 통해 처음 시작하는 단계부터 숙련된 사용 단계까지 원활하게 진행할 수 있습니다. 하지만 YOLO26은 학습 효율성을 한 단계 더 끌어올립니다.

Ultralytics 모델은 학습 시 Transformer 비중이 높은 대안보다 CUDA 메모리를 일관되게 훨씬 적게 사용합니다. YOLO26은 ProgLoss + STAL 손실 함수를 통해 이러한 장점을 더욱 강화합니다. 이 기술은 메모리 사용량을 늘리지 않으면서 소형 객체 인식 성능을 크게 향상합니다.

from ultralytics import YOLO

# 최첨단 YOLO26 Nano 모델 초기화
model = YOLO("yolo26n.pt")

# 모델 학습(optimizer='auto'는 학습 시간이 긴 경우 MuSGD를 선택합니다)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# 테스트 이미지에서 빠른 NMS-free 추론 실행
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

이 간단한 스크립트를 사용하면 개발자가 사용자 지정 데이터셋을 활용해 빠르게 반복 작업을 수행하고, 데이터 수집부터 프로덕션에 바로 적용할 수 있는 모델까지 원활하게 진행할 수 있습니다.

다양한 활용성과 이상적인 사용 사례#

YOLOv5를 사용해야 하는 경우#

YOLOv5는 레거시 시스템을 위한 신뢰할 수 있는 솔루션입니다. 앵커 기반 출력에 강하게 의존하는 기존 산업용 파이프라인이 있거나, 성숙하고 업데이트가 고정된 TensorRT 스택을 사용하는 구형 NVIDIA Jetson 디바이스에서 추론을 실행한다면 YOLOv5는 안정적이고 문서가 잘 갖춰진 선택지입니다.

YOLO26을 사용해야 하는 경우#

YOLO26은 최신 컴퓨터 비전 프로젝트를 위한 최선의 선택입니다. 다재다능함에서 이전 모델을 크게 앞섭니다. YOLOv5는 주로 탐지에 초점을 맞추고 이후 세그멘테이션 기능을 추가했지만, YOLO26은 인스턴스 세그멘테이션, 자세 추정, 이미지 분류, 회전 바운딩 박스(OBB)를 기본적으로 폭넓게 지원합니다.

YOLO26은 전문화된 시맨틱 세그멘테이션 손실, 매우 정밀한 자세 키포인트를 위한 잔차 로그 가능도 추정(RLE), 까다로운 경계 문제를 해결하기 위한 OBB용 고급 각도 손실과 같은 태스크별 개선 사항을 도입합니다.

• 엣지 IoT 및 로보틱스: 선택적 NMS-free 추론과 YOLO11n보다 최대 43% 빠른 CPU 추론 속도를 제공하는 YOLO26은 실시간 로봇 내비게이션과 스마트 홈 카메라에 이상적입니다.
• 항공 이미지: ProgLoss + STAL 개선 사항은 주차장의 차량이나 농경지의 작물처럼 드론으로 촬영한 영상에서 작은 객체를 탐지하는 신뢰성을 크게 높입니다.
• 실시간 비디오 분석: 스포츠 중계에서 선수를 추적하거나 교통 흐름을 모니터링하는 경우 모두 YOLO26의 균형 잡힌 성능은 프레임 누락 없이 높은 재현율을 보장합니다.

궁극적으로 접근성과 고성능을 갖춘 생태계를 제공하려는 Ultralytics의 노력 덕분에 YOLOv5에서 YOLO26으로 원활하게 전환할 수 있으며, 연구자와 개발자 모두 최첨단 기능을 활용할 수 있습니다.