YOLO26 대 YOLOv5: 객체 탐지의 세대적 도약

컴퓨터 비전의 진화는 속도, 정확성, 접근성에 대한 끊임없는 추구에 의해 정의되어 왔습니다. 올바른 아키텍처 선택은 모든 AI 프로젝트의 성공에 결정적입니다. 이 포괄적인 가이드에서는 Ultralytics 두 가지 획기적인 출시작을 비교합니다: 선구적인 YOLOv5 과 획기적인 YOLO26을 비교합니다. 두 기술 모두 실시간 객체 탐지 분야에 지대한 영향을 미쳤지만, 그 기반 기술은 신경망이 시각 데이터를 처리하는 방식에 있어 거대한 패러다임 전환을 반영합니다.

모델 개요

건축적 세부 사항에 깊이 들어가기 전에, 두 모델의 기본적인 세부 사항을 먼저 정리해 보겠습니다.

YOLO26 세부 사항:

• 저자: 글렌 조커와 징 치우
• 조직: Ultralytics
• 날짜: 2026-01-14
• GitHub: ultralytics
• 문서: YOLO26 문서

YOLO26에 대해 더 알아보기

YOLOv5 :

• 저자: 글렌 조커
• 조직: Ultralytics
• 날짜: 2020-06-26
• GitHub: yolov5
• 문서: YOLOv5

5에 대해 자세히 알아보기

아키텍처 혁신

YOLOv5 YOLO26 사이의 6년 간격은 딥러닝 연구에서 거대한 도약을 의미합니다. YOLOv5 PyTorch 의 광범위한 사용을 대중화했으며, 업계 표준이 된 고도로 최적화된 앵커 기반 탐지 메커니즘을 제공했습니다. 그러나 후처리 과정에서 비최대 억제(NMS) 에 크게 의존하여, 리소스가 제한된 장치에서 지연 병목 현상을 유발할 수 있었습니다.

YOLO26은 엔드투엔드 NMS 설계로 추론 파이프라인을 완전히 재구상합니다. NMS 필요성을 제거함으로써 YOLO26은 더 빠르고 훨씬 단순한 배포 로직을 제공하며, 이는 YOLOv10 처음 YOLOv10 여기서 완성된 개념입니다. 또한 YOLO26은 DFL 제거 (분포 초점 손실) 기능을 통해 출력 헤드를 획기적으로 단순화합니다. 이로 인해 모델을 ONNX , TensorRT 으로의 모델 내보내기를 매우 원활하게 하여 에지 및 저전력 장치와의 탁월한 호환성을 보장합니다.

훈련 과정에서 YOLO26은 Moonshot AI의 Kimi K2에서 영감을 받은 SGD 의 하이브리드 방식인 최첨단 MuSGD 최적화기를 사용합니다. 이는 대규모 언어 모델(LLM) 훈련의 혁신을 컴퓨터 비전 분야로 가져와, YOLOv5 사용된 기존 SGD AdamW 비해 매우 안정적인 훈련과 현저히 빠른 수렴을 보장합니다.

성과 및 지표

모델 평가 시 평균 정밀도(mAP) 와 추론 속도 간의 균형이 실제 적용 가능성을 좌우합니다. YOLO26은 고성능 GPU와 엣지 CPU 모두에 대해 기본적으로 최적화되어 있습니다.

벤치마크 결과는 놀라운 개선을 보여줍니다. 예를 들어, YOLO26n 40.9 mAP 를 달성하는 반면 YOLOv5n28.0을 제공하면서 동시에 최대 43% 빠른 CPU이로 인해 YOLO26은 임베디드 배포 환경에서 훨씬 우수한 성능을 발휘합니다. Raspberry Pi 또는 모바일 기기에서. YOLOv5 Nano 스케일에서 TensorRT GPU 면에서 약간 우위를 YOLOv5 , 정확도 측면에서는 YOLO26이 훨씬 유리합니다.

교육 생태계 및 사용 편의성

두 모델 모두 잘 관리된 Ultralytics 혜택을 크게 받습니다. 간소화된 Python , 방대한 문서, 활발한 커뮤니티 지원을 통해 "초보자부터 전문가까지"의 경험을 제공합니다. 그러나 YOLO26은 훈련 효율성을 새로운 차원으로 끌어올립니다.

Ultralytics 트랜스포머 기반 대안 모델에 비해 훈련 중 CUDA 사용량이 지속적으로 현저히 낮습니다. YOLO26은 ProgLoss + STAL 손실 함수를 통해 이러한 장점을 더욱 강화합니다. 이러한 발전은 메모리 오버헤드를 증가시키지 않으면서도 소형 객체 인식 성능에서 주목할 만한 개선을 가져옵니다.

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 맞춤형 데이터셋을 신속하게 반복 처리할 수 있으며, 데이터 수집부터 생산 환경에 바로 적용 가능한 모델까지 원활하게 진행할 수 있습니다.

다용도성과 이상적인 사용 사례

YOLOv5 사용할 때

YOLOv5 기존 시스템에 YOLOv5 믿을 만한 주력 솔루션으로 YOLOv5 . 앵커 기반 출력에 깊이 의존하는 기존 산업용 파이프라인을 보유하고 있거나, 성숙하고 고정된 TensorRT 갖춘 구형 NVIDIA 장치에서 추론을 수행하는 경우, YOLOv5 안정적이고 상세한 문서가 제공되는 해결책을 YOLOv5 .

YOLO26을 사용할 때

YOLO26은 현대 컴퓨터 비전 프로젝트를 위한 확실한 선택입니다. 그 다재다능함은 이전 버전을 훨씬 뛰어넘습니다. YOLOv5 탐지(이후 분할 기능 추가)에 초점을 맞춘 반면, YOLO26은 인스턴스 분할, 자세 추정, 이미지 분류, 방향성 경계 상자(OBB)에 대한 깊이 있는 기본 지원을 제공합니다.

YOLO26은 특수한 의미적 분할 손실 함수, 초정밀 자세 키포인트를 위한 잔차 로그 가능도 추정(RLE), 까다로운 경계 문제를 해결하기 위한 OBB용 고급 각도 손실 함수 등 작업 특화 개선 사항을 도입합니다.

• 엣지 IoT 및 로봇공학: NMS 아키텍처와 43% 더 빠른 CPU YOLO26은 실시간 로봇 내비게이션 및 스마트 홈 카메라에 이상적입니다.
• 항공 촬영 이미지: ProgLoss + STAL 개선 기술은 주차장의 차량이나 농경지의 작물처럼 드론으로 촬영한 미세한 물체를 탐지하는 정확도를 크게 향상시킵니다.
• 실시간 영상 분석: 스포츠 중계에서 선수 추적부터 교통 흐름 모니터링까지, YOLO26의 성능 균형은 프레임 드롭 없이 높은 재현율을 보장합니다.

궁극적으로, Ultralytics 접근성 높은 고성능 생태계에 대한 Ultralytics YOLOv5 전환을 원활하게 하여 연구자와 개발자 모두에게 최첨단 기능을 제공합니다.

댓글