Ultralytics YOLO27:
Get Started

YOLO26과 YOLOv8 비교#

컴퓨터 비전의 발전은 정확도를 희생하지 않으면서 실시간 성능을 달성하려는 노력으로 정의되어 왔습니다. 개발자와 연구자가 현대적인 머신러닝 환경을 살펴볼 때 적합한 모델 아키텍처를 선택하는 일은 매우 중요합니다. 이 포괄적인 기술 비교에서는 2023년 표준을 새롭게 정의한 큰 인기를 얻은 아키텍처인 Ultralytics YOLOv8부터 2026년 1월 출시된 최첨단 Ultralytics YOLO26까지 세대 간의 도약을 살펴봅니다.

아키텍처, 성능 지표, 학습 방법론을 자세히 살펴봄으로써 최신 혁신 기술로 업그레이드하면 객체 탐지, 세그멘테이션 등을 비롯한 여러 분야에서 뚜렷한 이점을 얻을 수 있는 이유를 설명합니다.

모델 배경 및 메타데이터#

이러한 아키텍처의 기원을 이해하면 각 아키텍처의 획기적인 발전을 파악하는 데 도움이 됩니다. 두 모델 모두 최첨단 AI를 누구나 쉽게 활용하고 배포할 수 있도록 하는 것으로 잘 알려진 기업인 Ultralytics에서 개발했습니다.

YOLO26 세부 정보:

YOLOv8 세부 정보:

아키텍처 혁신#

YOLOv8에서 YOLO26으로 전환하면서 신경망이 시각 데이터를 처리하고 손실을 계산하는 방식에 중요한 패러다임 변화가 도입되었습니다.

YOLO26: 엣지 효율성의 정점#

YOLO26은 배포 병목 현상을 없애고 제약된 하드웨어에서 추론 속도를 극대화하도록 처음부터 설계되었습니다.

  • 엔드투엔드 NMS 없는 설계: YOLOv10에서 처음 선보인 개념을 발전시켜 YOLO26은 기본적으로 엔드투엔드 아키텍처를 사용합니다. 후처리에 필요한 비최대 억제(NMS)를 완전히 제거하여 지연 시간의 변동을 사실상 없앴습니다. 이를 통해 엄격한 실시간 보장이 필요한 애플리케이션의 배포 로직이 간소화됩니다.
  • DFL 제거: 분포 초점 손실(DFL)을 제거하면 출력 헤드가 크게 간소화됩니다. 이러한 아키텍처 설계로 저전력 엣지 디바이스와의 호환성이 크게 향상되고 ONNX 및 CoreML과 같은 형식으로 더 간편하게 내보낼 수 있습니다.
  • MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델(LLM)에서 확인된 학습 안정성에 착안해 YOLO26은 확률적 경사 하강법과 Muon을 결합한 하이브리드 옵티마이저인 MuSGD를 사용합니다. 이를 통해 LLM 규모의 학습 혁신을 컴퓨터 비전에 도입하여 수렴 속도를 높이고 매우 안정적인 학습을 실현합니다.
  • ProgLoss + STAL: YOLO26은 작은 피사체를 인식하기 어려운 고질적인 문제를 해결하기 위해 점진적 손실(ProgLoss)과 소형 객체 인식 레이블 할당(STAL)을 결합해 구현했습니다. 이를 통해 소형 객체 탐지 성능이 크게 향상되어 드론 애플리케이션에 적합합니다.
작업별 개선 사항

YOLO26은 여러 컴퓨터 비전 분야에 맞춤형 업그레이드도 제공합니다. 시맨틱 세그멘테이션 손실과 멀티스케일 프로토를 사용해 인스턴스 세그멘테이션 성능을 높이고, 잔차 로그 우도 추정(RLE)을 통해 자세 추정 정확도를 높이며, 방향성 경계 상자(OBB)의 경계 문제를 해결하기 위해 특수 각도 손실 알고리즘을 적용합니다.

YOLOv8: 다재다능한 범용 모델#

2023년 출시 당시 YOLOv8은 앵커 프리 설계로 완전히 전환하여 새로운 기준을 세웠으며, 다양한 데이터 세트 종횡비에 더 잘 일반화되었습니다.

  • C2f 모듈: 기존 C3 모듈을 C2f 블록으로 대체하여 네트워크 백본 전반에서 그래디언트 흐름을 개선했습니다.
  • 분리형 헤드: YOLOv8은 분류와 바운딩 박스 회귀를 독립적으로 계산하는 분리형 헤드를 갖추어 평균 정밀도(mAP)를 크게 높입니다.
  • 작업 범용성: 이미지 분류, 탐지, 세그멘테이션, 자세 추정 작업을 기본 제공하는 단일 API로 통합한 최초 모델 중 하나입니다.

성능 지표 및 리소스 요구 사항#

프로덕션용 모델을 평가할 때 정확도, 추론 속도, 모델 크기 간 균형이 무엇보다 중요합니다. YOLO26은 모든 크기 변형에서 분명한 세대 간 우위를 보여줍니다.

모델크기
(픽셀)		mAP검증
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

참고: 강조 표시된 값은 이전 모델에 비해 YOLO26 아키텍처가 보여주는 성능 균형과 효율성 향상을 나타냅니다.

분석#

YOLO26은 대부분의 규모에서 동급 YOLOv8 모델보다 CPU 추론 속도가 상당히 빠릅니다. 예를 들어 YOLO26n은 ONNX를 사용하는 CPU에서 38.9ms를 기록한 반면, YOLOv8n은 80.4ms를 기록했으며 mAP는 37.3에서 40.9로 높아졌습니다. CPU 효율성의 이러한 큰 향상은 DFL 제거와 NMS 없는 설계의 직접적인 결과로, 전용 GPU가 없는 환경에서 YOLO26은 매우 강력한 성능을 발휘합니다.

또한 YOLO26 모델은 각 크기 등급에서 파라미터 수와 FLOPs가 더 적어, 기존 Transformer 기반 아키텍처에 비해 추론 및 학습 중 GPU 메모리 사용량이 크게 줄어듭니다.

Ultralytics 생태계의 이점#

AI 모델을 선택할 때 주요 고려 사항 중 하나는 이를 뒷받침하는 인프라입니다. YOLO26과 YOLOv8 모두 통합된 Ultralytics Platform의 이점을 충분히 누릴 수 있어 탁월한 개발자 경험을 제공합니다.

  1. 간편한 사용: "처음부터 전문가까지"라는 철학에 따라 개발자는 최소한의 코드로 모델을 불러오고, 학습하고, 내보낼 수 있습니다. Python API는 모델 세대가 바뀌어도 일관성을 유지합니다.
  2. 학습 효율성: Ultralytics YOLO 모델은 RT-DETR과 같은 Transformer 모델에 비해 학습 중 CUDA 메모리를 훨씬 적게 사용합니다. 이를 통해 일반 소비자용 하드웨어에서도 배치 크기를 늘릴 수 있어 AI 연구의 접근성이 높아집니다.
  3. 지속적으로 관리되는 생태계: 지속적인 업데이트, 엄격한 CI/CD 파이프라인, Weights & Biases 및 TensorRT와 같은 도구와의 긴밀한 통합을 바탕으로 Ultralytics 저장소는 견고하고 프로덕션 환경에 바로 사용할 수 있습니다.
  4. 탁월한 범용성: Ultralytics 모델은 한 가지 기능만 수행하는 모델이 아닙니다. 단일 import로 다양한 데이터 세트를 처리하고, 추적, 분류, 세그멘테이션을 동시에 수행해야 하는 복잡한 시스템의 워크플로를 보강합니다.
간편한 업그레이드

Ultralytics API는 표준화 수준이 높으므로 YOLOv8에서 YOLO26으로 프로덕션 시스템을 업그레이드하는 작업은 스크립트에서 문자열 "yolov8n.pt"을 "yolo26n.pt"로 바꾸는 것만큼 간단합니다.

실제 애플리케이션#

두 모델 중 하나를 선택할 때는 배포 제약 조건이 중요한 기준이 되는 경우가 많지만, 새로운 프로젝트에는 일반적으로 YOLO26을 권장합니다.

엣지 컴퓨팅 및 IoT 네트워크#

Raspberry Pi 배포나 공장 현장의 로컬 센서 등 엣지 환경에서는 YOLO26이 단연 최고의 선택입니다. 기본적으로 최적화된 CPU 속도와 NMS 없는 구조 덕분에 스마트 카메라는 후처리 병목 현상으로 프레임을 누락하지 않고 높은 프레임 속도의 비디오를 처리하여 주차 관리를 지원할 수 있습니다.

고고도 및 항공 이미지#

농업 모니터링이나 드론을 이용한 인프라 검사에서는 소형 객체 탐지가 매우 중요합니다. YOLO26에 구현된 ProgLoss + STAL을 사용하면 기존 YOLOv8과 같은 아키텍처가 놓칠 수 있는 작은 해충이나 파이프라인의 미세 균열을 꾸준히 탐지할 수 있으며, VisDrone과 같은 데이터 세트에서 더 높은 재현율과 정밀도를 제공합니다.

기존 GPU 시스템#

YOLOv8은 특정 바운딩 박스 회귀 출력에 긴밀하게 결합된 시스템이나, 확장된 검증 주기에 묶여 아키텍처를 쉽게 마이그레이션할 수 없는 엔터프라이즈 배포 환경에서 여전히 유효합니다.

사용 사례 및 권장 사항#

YOLO26과 YOLOv8 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.

YOLO26을 선택해야 하는 경우#

YOLO26은 다음과 같은 경우에 적합합니다:

  • NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
  • 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.

YOLOv8을 선택해야 하는 경우#

다음과 같은 경우 YOLOv8을 권장합니다.

  • 다양한 작업의 유연한 배포: Ultralytics 생태계에서 탐지, 세그멘테이션, 분류, 자세 추정에 검증된 모델이 필요한 프로젝트.
  • 안정적인 프로덕션 시스템: 이미 YOLOv8 아키텍처를 기반으로 구축되어 안정적이고 충분히 테스트된 배포 파이프라인을 갖춘 기존 프로덕션 환경.
  • 폭넓은 커뮤니티 및 생태계 지원: YOLOv8의 방대한 튜토리얼, 타사 통합, 활발한 커뮤니티 리소스를 활용하는 애플리케이션.

코드 예제: 시작하기#

최신 Ultralytics 모델의 성능을 활용하는 방법은 매우 간단합니다. 다음 Python 코드는 COCO8 데이터 세트에서 YOLO26 모델을 학습하고 NMS 없는 추론을 실행하는 방법을 보여줍니다.

from ultralytics import YOLO

# 효율성이 뛰어난 YOLO26 Nano 모델을 불러옵니다
model = YOLO("yolo26n.pt")

# 표준 COCO8 데이터 세트로 학습합니다
# 기본 하이퍼파라미터와 증강이 자동으로 적용됩니다
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # 첫 번째 CUDA GPU입니다. CPU에서 학습하려면 device="cpu"를 사용합니다
)

# 소스 이미지에 대해 엔드투엔드 NMS 없는 추론을 실행합니다
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# 탐지 결과를 시각화합니다
predictions[0].show()

함께 고려할 다른 모델#

YOLO26이 현재 최첨단 모델이지만, 다양한 애플리케이션을 구축하는 개발자는 다음 모델도 살펴볼 수 있습니다.

  • YOLO11: YOLO26의 직전 모델로, YOLOv8을 크게 개선했으며 최첨단 프로덕션 시스템에서 여전히 널리 사용됩니다.
  • RT-DETR: Baidu의 실시간 객체 탐지 Transformer입니다. 비전 작업에서 어텐션 메커니즘을 연구하는 연구자에게 훌륭한 선택이지만, 표준 Ultralytics YOLO 모델에 비해 학습 시 CUDA 메모리가 훨씬 더 많이 필요합니다.

클라우드 학습, 데이터 세트 레이블 지정, 즉시 배포를 위한 종합적인 솔루션이 필요하다면 지금 Ultralytics Platform을 살펴보세요.

기여자
GLglenn-jocher9PDpderrenger1

댓글