YOLO26 대 YOLOv5: 실시간 객체 탐지의 진화

물체 탐지의 진화는 중요한 이정표로 특징지어져 왔으며, YOLO26을 전설적인 YOLOv5 을 비교해 보면 컴퓨터 비전이 얼마나 발전했는지 명확히 알 수 있습니다. YOLOv5 2020년 사용성과 균형 측면에서 업계 표준을 YOLOv5 , YOLO26은 2026년 생성형 AI 및 비전 연구의 최첨단을 대표합니다. 본 가이드는 두 모델의 아키텍처, 성능 지표, 이상적인 배포 시나리오를 분석하여 프로젝트에 적합한 도구를 선택하는 데 도움을 드립니다.

경영진 요약

YOLOv5, 출시된 Ultralytics 가 2020년에 출시한 YOLOv5는 객체 탐지를 접근성 높고 빠르며 훈련하기 쉽게 만들어 AI를 대중화했습니다. 이는 기존 시스템에 여전히 믿을 수 있는 핵심 도구로 자리 잡고 있습니다.

2026년 1월 출시된 YOLO26은 비최대 억제(NMS)를 제거한 내장형 종단 간 아키텍처를 통해 그 유산을 계승합니다. 대규모 언어 모델(LLM)에서 영감을 받은 MuSGD 최적화기를 도입하여 수렴 속도를 높이고 정확도를 크게 향상시켰으며, 특히 소형 물체 및 에지 디바이스에서 두드러진 성능을 보입니다.

성능 벤치마크

다음 표는 COCO 모델들을 비교합니다. YOLO26은 정확도(mAP)과 추론 속도 CPU 상당한 향상을 보였으며, 특히 효율적인 처리가 중요한 CPU 두드러졌습니다.

YOLO26: 엣지 AI의 새로운 표준

YOLO26은 현대적 배포 파이프라인의 복잡성을 해결하기 위해 설계되었습니다. NMS 및 분포 초점 손실(DFL)의 필요성을 제거함으로써, 이 모델은 다음과 같은 형식으로의 내보내기를 단순화합니다. ONNX 및 TensorRT 같은 형식으로의 내보내기를 단순화하여 지연 시간 변동성을 줄입니다.

주요 아키텍처 혁신

1. 엔드투엔드 NMS: 모델 아키텍처는 개체당 하나의 바운딩 박스를 직접 예측하여 경험적 NMS 제거합니다. 이는 추론 중 계산 오버헤드를 줄이는 기술로, 최초로 YOLOv10에서 최초로 개발된 기법입니다.
2. MuSGD 최적화기: LLM 훈련의 혁신을 적용한 YOLO26은 SGD Muon(Moonshot AI의 Kimi K2에서 영감을 얻음)의 하이브리드 방식을 활용합니다. 이를 통해 더 안정적인 훈련 역학과 빠른 수렴을 달성하여 맞춤형 모델 훈련 비용을 절감합니다.
3. ProgLoss + STAL: 프로그레시브 손실(Progressive Loss)과 소프트 타겟 앵커 손실(Soft-Target Anchor Loss)의 통합은 소형 물체 탐지 성능을 크게 향상시키며, 이는 드론 영상 및 자율주행 차량에 있어 핵심적인 요구사항이다.
4. 효율성: 최대 43% 더 빠른 CPU 통해 YOLO26은 표준 노트북 및 라즈베리 파이와 같이 강력한 GPU가 부족한 장치에 최적화되었습니다.

YOLO26에 대해 더 알아보기

YOLOv5: 사용성의 유산

YOLOv5 사용자 경험을 최우선으로 하여 컴퓨터 비전 분야를 혁신했습니다. 직관적인 PyTorch 탄탄한 생태계는 '초보자도 전문가처럼' AI 개발을 가능케 하는 새로운 기준을 제시했습니다.

• 사용 편의성: 간단한 디렉토리 구조와 "train.py" 인터페이스로 유명한 YOLOv5 교육 목적과 빠른 프로토타이핑에 YOLOv5 선호되는 YOLOv5 .
• 광범위한 호환성: 다양한 출력 형식 지원으로 Apple CoreML 부터 Android TFLite까지 거의 모든 하드웨어에서 실행됩니다.
• 커뮤니티 지원: 수년간의 활발한 개발로 방대한 튜토리얼, 타사 통합 기능 및 커뮤니티 수정 사항 라이브러리가 구축되었습니다.

5에 대해 자세히 알아보기

사용 사례 비교

이러한 모델들 사이에서 선택하는 것은 하드웨어, 정확도 및 작업 복잡성에 관한 특정 제약 조건에 따라 달라집니다.

YOLO26의 이상적인 시나리오

• 엣지 컴퓨팅 및 IoT: DFL(Deep Feedforward Layer)과 NMS (Neural Memory System)를 제거함으로써 YOLO26은 CPU 및 NPU에서 매우 빠른 성능을 NMS . 이는 스마트 카메라, 소매 분석, 산업용 센서에 이상적입니다.
• 로봇공학 및 내비게이션: 종단 간 설계는 결정론적 지연 시간을 제공하며, 이는 로봇공학의 실시간 제어 루프에 매우 중요합니다.
• 고급 작업: 항공 이미지에 대해 잔차 로그 가능도 추정(RLE)을 활용한 자세 추정 또는 고정밀 방향성 경계 상자(OBB) 검출이 필요한 경우, YOLO26은 YOLOv5 특수한 아키텍처 헤드를 제공합니다.
• 소형 물체 탐지: ProgLoss 덕분에 YOLO26은 제조 결함이나 보안 영상 속 원거리 물체와 같은 소형 물체를 탐지하는 데 탁월합니다.

YOLOv5의 이상적인 시나리오

• 레거시 시스템: YOLOv5 이미 깊이 통합된 프로젝트의 경우, 성능이 요구사항을 충족한다면 기존 모델을 유지하는 것이 비용 효율적일 수 있습니다.
• 교육 워크숍: 간단한 코드베이스로 컨볼루션 신경망(CNN)의 기초를 가르치기에 탁월합니다.

학습 및 생태계

두 모델 모두 강력한 Ultralytics 혜택을 누리지만, YOLO26은 현대적인 효율성을 도입합니다.

교육 효율성

YOLO26은 다양한 배치 크기와 학습률에서도 훈련을 안정화하는 MuSGD 최적화기를 활용합니다. 이로 인해 YOLOv5 표준 SGD 에 비해 수렴에 도달하는 데 필요한 에포크 수가 줄어들어 GPU 비용을 절감할 수 있습니다.

메모리 요구 사항

Ultralytics 효율성으로 유명합니다. YOLO26은 이러한 추 CUDA 이어가며, RT-DETR보다 훨씬 적은 CUDA 메모리를 필요로 합니다. 이를 통해 개발자는 NVIDIA 3060이나 4090과 같은 소비자용 GPU에서도 더 큰 모델을 훈련시킬 수 있습니다.

Ultralytics

두 모델 모두 Ultralytics 플랫폼과 완벽하게 통합되어 전체 워크플로를 간소화합니다:

• 데이터셋 관리: AI 지원을 통한 데이터 업로드 및 주석 달기.
• 원클릭 트레이닝: 인프라 관리 없이 클라우드에서 훈련하세요.
• 배포: TensorRT, OpenVINO 등으로 자동 내보내기를 통해 프로덕션 환경에 배포합니다.

결론

한편 YOLOv5 세대의 객체 탐지기를 정의한 존경받는 고전으로 남아 있지만, YOLO26은 2026년 신규 프로젝트에 더 나은 선택입니다. 특히 NMS 설계와 MuSGD(Multi-object Supervised Gradient Descent) 최적화기를 포함한 아키텍처의 발전으로 더 빠르고 정확하며 에지 디바이스에 배포하기 쉬운 모델을 제공합니다.

속도와 정확도의 최적 균형을 추구하는 개발자에게 YOLO26은 미래에도 유효한 기반을 제공합니다. 이러한 상당한 성능 향상을 활용하기 위해 기존 YOLOv5 YOLO26으로 마이그레이션할 것을 권장합니다.

저자 및 참고문헌

YOLO26

• 저자: 글렌 조커와 징 치우
• 조직:Ultralytics
• 날짜:14
• 문서:YOLO26 문서

5

• 작성자: Glenn Jocher
• 조직:Ultralytics
• 날짜:26
• 문서:YOLOv5

다른 현대적 아키텍처를 탐구하고자 하는 분들은 다음을 살펴보시기 바랍니다. YOLO11 를 살펴보거나 RT-DETR 트랜스포머 기반 탐지 알고리즘을 살펴보시기 바랍니다.

댓글