YOLO26과 YOLOv5
적합한 아키텍처를 선택하는 것은 모든 컴퓨터 비전 프로젝트의 성공에 중요합니다. 이 가이드에서는 널리 채택된 YOLOv5와 최신 YOLO26이라는 두 가지 주요 Ultralytics 릴리스를 비교합니다. 두 모델 모두 실시간 객체 감지의 발전에 기여했지만, 기반 설계에는 신경망의 시각 데이터 처리 방식에서 5년 넘게 이루어진 발전이 반영되어 있습니다.
모델 개요#
두 모델의 주요 세부 정보는 아래에 요약되어 있습니다.
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 5년이 넘는 격차에는 딥러닝 연구의 주요 발전이 담겨 있습니다. YOLOv5는 최적화된 앵커 기반 탐지 메커니즘을 제공하여 PyTorch 기반 YOLO 학습의 대중화를 도왔고, 이 방식은 업계 표준이 되었습니다. 그러나 후처리 중 비최대 억제(NMS)에 의존했기 때문에 리소스가 제한된 장치에서 지연 시간 병목 현상이 발생할 수 있었습니다.
YOLO26은 엔드투엔드 NMS 프리 설계로 추론 파이프라인을 새롭게 설계합니다. 선택적 일대일 헤드(nms=False)는 NMS 후처리를 없애 더 빠르고 단순한 배포 로직을 제공하며, 이 개념은 YOLOv10이 YOLO 모델에 도입했습니다. YOLO26에는 출력 헤드를 단순화하는 DFL 제거(분포 초점 손실) 기능도 있습니다. 이를 통해 모델을 ONNX 및 TensorRT와 같은 형식으로 더 쉽게 내보낼 수 있으며, 엣지 및 저전력 디바이스와의 호환성도 향상됩니다.
YOLO26은 학습 중 MuSGD Optimizer를 사용합니다. 이는 Moonshot AI의 Kimi K2에서 영감을 얻은 SGD와 Muon의 하이브리드입니다. 이를 통해 컴퓨터 비전에 LLM 학습 아이디어를 적용하여 YOLOv5가 기본적으로 사용하는 일반 SGD 옵티마이저보다 학습을 안정화하고 수렴을 앞당깁니다.
성능 및 지표#
모델을 평가할 때는 평균 정밀도(mAP)와 추론 속도 간의 균형이 실제 활용 가능성을 결정합니다. YOLO26은 고성능 GPU와 엣지 CPU 모두에 최적화되어 있습니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
벤치마크에서 정확도가 크게 향상된 것을 확인할 수 있습니다. 예를 들어 YOLO26n은 YOLOv5n의 28.0보다 높은 40.9 mAP를 달성하며, YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠릅니다. 따라서 Raspberry Pi와 모바일 장치 같은 임베디드 환경에 YOLO26이 더 적합합니다. YOLOv5는 n, s, m 크기에서 T4 TensorRT 속도가 더 빠르지만, 정확도 측면에서는 YOLO26이 크게 앞섭니다(예: m 모델의 mAP는 45.4 대 53.1).
학습 생태계 및 사용 편의성#
두 모델 모두 간편한 Python API, 방대한 문서, 활발한 커뮤니티 지원을 제공하는 잘 관리된 Ultralytics 생태계의 이점을 누립니다. YOLO26은 추가적인 학습 개선 사항을 제공합니다.
Ultralytics 모델은 일반적으로 Transformer 비중이 높은 대안보다 학습 중 CUDA 메모리가 적게 필요합니다. YOLO26은 ProgLoss + STAL(점진적 손실 및 소형 객체 인식형 레이블 할당)을 추가해 메모리 오버헤드 없이 소형 객체 인식 성능을 향상합니다.
from ultralytics import YOLO
# 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 스크립트를 사용하면 개발자는 사용자 지정 데이터셋에서 빠르게 반복 작업을 수행하고, 데이터 수집부터 프로덕션에 바로 사용할 수 있는 모델까지 진행할 수 있습니다.
Ultralytics Platform을 사용하면 변환 코드를 한 줄도 작성하지 않고 학습된 YOLO26 모델을 CoreML 또는 LiteRT와 같은 형식으로 내보낼 수 있습니다.
다양한 활용성과 이상적인 사용 사례#
YOLOv5를 사용해야 하는 경우#
YOLOv5는 레거시 시스템에서 여전히 신뢰할 수 있는 선택입니다. 앵커 기반 출력에 긴밀하게 결합된 기존 산업용 파이프라인이 있거나, 성숙하고 변경되지 않는 TensorRT 스택을 사용하는 구형 NVIDIA Jetson 장치에서 추론을 실행한다면 YOLOv5가 안정적이고 문서가 잘 갖춰진 솔루션을 제공합니다.
YOLO26을 사용해야 하는 경우#
YOLO26은 신규 컴퓨터 비전 프로젝트에 권장되는 선택이며, 이전 모델보다 더 많은 작업을 지원합니다. YOLOv5는 주로 탐지에 초점을 맞추고 이후 분할 및 분류 기능이 추가된 반면, YOLO26은 인스턴스 분할, 시맨틱 분할, 깊이 추정, 이미지 분류, 포즈 추정, 회전 바운딩 박스(OBB)를 기본 지원합니다.
YOLO26은 특수 시맨틱 분할 손실, 더 정밀한 포즈 키포인트를 위한 잔차 로그 우도 추정(RLE), OBB 경계 문제를 해결하는 특수 각도 손실과 같은 작업별 개선 사항을 도입합니다.
- 엣지 IoT 및 로보틱스: 선택적 NMS 프리 추론과 최대 43% 빠른 CPU 추론(YOLO26n 대 YOLO11n)을 제공하는 YOLO26은 실시간 로봇 내비게이션과 스마트 홈 카메라에 적합합니다.
- 항공 영상: ProgLoss + STAL 개선 사항을 통해 주차장의 차량이나 농경지의 작물처럼 드론에서 촬영한 작은 객체를 더 안정적으로 감지할 수 있습니다.
- 실시간 비디오 분석: 스포츠 중계에서 선수를 추적하거나 교통 흐름을 모니터링할 때 YOLO26은 실시간 비디오에서 정확도와 속도의 균형을 유지합니다.
두 모델은 모두 Ultralytics 생태계를 공유하므로 YOLOv5에서 YOLO26으로 쉽게 전환할 수 있으며, 연구자와 개발자는 최신 Ultralytics 기능을 사용할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.