YOLO26과 YOLOv8 비교
컴퓨터 비전 모델은 정확도를 희생하지 않으면서 실시간 성능을 제공하는 것을 목표로 합니다. 머신러닝을 다루는 개발자에게 적절한 모델 아키텍처를 선택하는 것은 중요합니다. 이 기술 비교에서는 2023년에 출시되어 널리 채택된 아키텍처인 Ultralytics YOLOv8에서 2026년 1월에 출시된 Ultralytics YOLO26으로의 전환을 다룹니다.
두 모델의 아키텍처, 성능 지표, 학습 방법론을 비교하여 객체 탐지, 분할 등의 작업에서 업그레이드가 어떤 이점을 제공하는지 살펴봅니다.
모델 배경 및 메타데이터#
아키텍처의 기원을 이해하면 설계 선택의 배경을 파악할 수 있습니다. 두 모델 모두 비전 AI를 쉽게 이용하고 배포할 수 있도록 하는 데 주력하는 Ultralytics에서 개발했습니다.
YOLO26 세부 정보:
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: https://docs.ultralytics.com/models/yolo26
YOLOv8 세부 정보:
- 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직: Ultralytics
- 날짜: 2023-01-10
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: https://docs.ultralytics.com/models/yolov8
아키텍처 혁신#
YOLOv8에서 YOLO26으로의 전환은 네트워크가 예측을 생성하고 손실을 계산하는 방식을 변경합니다.
YOLO26: 엣지 효율성#
YOLO26은 배포 병목 현상을 제거하고 제약이 있는 하드웨어에서 추론 속도를 극대화하도록 설계되었습니다.
- 엔드투엔드 NMS 프리 설계: YOLOv10이 YOLO 모델에 도입한 NMS 프리 학습을 기반으로, YOLO26은 선택적 일대일 헤드(
nms=False)를 통해 엔드투엔드 추론을 지원합니다. 비최대 억제(NMS) 후처리를 생략해 지연 시간 변동을 줄이고 엄격한 실시간 보장이 필요한 애플리케이션의 배포 로직을 단순화합니다. - DFL 제거: 분포 초점 손실(DFL)을 제거하여 출력 헤드를 간소화했습니다. 이 아키텍처 선택은 저전력 엣지 디바이스와의 호환성을 개선하며 ONNX 및 CoreML 같은 형식으로 더 간편하게 내보낼 수 있도록 합니다.
- MuSGD Optimizer: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델(LLMs)에서 확인된 학습 안정성에서 영감을 얻은 YOLO26은 확률적 경사 하강법과 Muon의 하이브리드인 MuSGD 옵티마이저를 사용합니다. 이를 통해 LLM 학습 아이디어를 컴퓨터 비전에 적용하여 더 빠른 수렴과 안정적인 학습을 실현합니다.
- ProgLoss + STAL: 작은 대상을 인식하기 어려운 문제를 해결하기 위해 YOLO26은 점진적 손실(ProgLoss)과 소형 객체 인식형 레이블 할당(STAL)을 결합해 구현합니다. 이를 통해 소형 객체 감지 성능이 향상되어 드론 애플리케이션에 적합합니다.
YOLO26은 여러 컴퓨터 비전 분야에 걸쳐 목표에 맞춘 개선 사항도 제공합니다. 더 나은 인스턴스 분할을 위해 시맨틱 분할 손실과 멀티스케일 프로토를 사용하고, 더 정확한 포즈 추정을 위해 잔차 로그 우도 추정(RLE)을 적용하며, 회전 바운딩 박스(OBB)의 경계 문제를 해결하기 위해 특수 각도 손실을 사용합니다.
YOLOv8: 다재다능한 범용 모델#
2023년에 출시된 YOLOv8은 앵커 프리 설계로 완전히 전환하여 새로운 기준을 세웠으며, 이 설계는 다양한 데이터셋 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 향상합니다.
- 다양한 작업 지원: YOLOv8은 탐지, 분할, 이미지 분류, 포즈 및 이후 OBB 작업을 기본으로 통합 API에서 지원한 최초 모델 중 하나입니다.
성능 지표 및 리소스 요구 사항#
프로덕션 환경에 사용할 모델을 평가할 때는 정확도, 추론 속도, 모델 크기 간의 균형이 중요합니다. YOLO26은 모든 크기에서 YOLOv8보다 정확도가 높고 파라미터와 FLOPs가 더 적으며, s 크기부터 T4 TensorRT 지연 시간도 더 낮습니다.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
참고: 강조 표시된 값은 이전 모델에 비해 YOLO26 아키텍처가 보여주는 성능 균형과 효율성 향상을 나타냅니다.
분석#
YOLO26은 대부분의 크기에서 동급 YOLOv8 모델보다 CPU 추론 속도가 빠릅니다. 예를 들어 YOLO26n은 ONNX를 사용해 CPU에서 38.9ms 만에 실행되는 반면, YOLOv8n은 80.4ms가 걸리며, mAP는 37.3에서 40.9로 향상됩니다. 이러한 CPU 효율성 향상은 주로 DFL 제거와 NMS 프리 헤드 덕분이며, 전용 GPU가 없는 환경에 YOLO26이 적합한 이유입니다. 예외적으로 YOLOv8x는 CPU에서 YOLO26x보다 빠르게 실행됩니다(479.1ms 대 525.8ms).
또한 YOLO26 모델은 각 크기 등급에서 파라미터 수와 FLOPs가 더 적어 추론과 학습 중 GPU 메모리 사용량을 줄입니다.
Ultralytics 생태계의 이점#
AI 모델을 선택할 때 고려해야 할 주요 요소는 주변 인프라입니다. YOLO26과 YOLOv8은 모두 통합 Ultralytics Platform과 동일한 개발자 경험의 이점을 누립니다.
- 간편한 사용: 개발자는 몇 줄의 코드만으로 모델을 불러오고, 학습시키고, 내보낼 수 있습니다. Python API는 모델 세대 전반에 걸쳐 일관성을 유지합니다.
- 학습 효율성: Ultralytics YOLO 모델은 일반적으로 RT-DETR과 같은 Transformer 모델보다 학습 중 CUDA 메모리를 적게 사용합니다. 덕분에 일반 소비자용 하드웨어에서 더 큰 배치 크기를 사용할 수 있습니다.
- 지속적으로 관리되는 생태계: 지속적인 업데이트, 엄격한 CI/CD 파이프라인, Weights & Biases 및 TensorRT와 같은 도구와의 긴밀한 통합을 기반으로 하는 Ultralytics 저장소는 프로덕션 환경에 바로 사용할 수 있습니다.
- 다양한 활용성: 하나의 import로 다양한 작업과 데이터셋을 처리할 수 있어 추적, 분류, 분할을 동시에 수행해야 하는 복잡한 시스템을 지원합니다.
Ultralytics API는 표준화 수준이 높으므로, 프로덕션 시스템을 YOLOv8에서 YOLO26으로 업그레이드할 때 스크립트의 문자열 "yolov8n.pt"을 "yolo26n.pt"로 바꾸는 것만으로도 충분할 수 있습니다.
실제 애플리케이션#
두 모델 중 무엇을 선택할지는 대개 배포 제약 조건에 따라 달라지지만, 신규 프로젝트에는 YOLO26을 권장합니다.
엣지 컴퓨팅 및 IoT 네트워크#
Raspberry Pi 배포나 현지 공장 현장 센서와 같은 엣지 환경에서는 YOLO26이 더 나은 선택입니다. CPU 속도와 선택 가능한 NMS 프리 헤드를 활용하면 스마트 카메라가 후처리 병목 없이 주차 관리를 위한 고프레임률 영상을 처리할 수 있습니다.
고고도 및 항공 이미지#
농업 모니터링이나 드론을 이용한 인프라 검사에서는 소형 객체 감지가 중요합니다. YOLO26의 ProgLoss + STAL 구현은 기존 YOLOv8과 같은 아키텍처에서 놓칠 수 있는 작은 해충이나 파이프라인의 미세한 균열을 감지하는 데 도움을 줍니다. 이는 VisDrone과 같은 항공 데이터셋으로 학습할 때 유용합니다.
기존 GPU 시스템#
YOLOv8은 특정 바운딩 박스 회귀 출력에 긴밀히 결합된 시스템이나, 검증 주기가 길게 고정되어 아키텍처를 쉽게 마이그레이션할 수 없는 엔터프라이즈 배포 환경에서 여전히 유용합니다.
사용 사례 및 권장 사항#
YOLO26과 YOLOv8 중에서 선택할 때는 구체적인 프로젝트 요구사항, 배포 제약 조건, 생태계 선호도를 고려해야 합니다.
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 장치에서는 YOLO26의 최대 43% 빠른 CPU 추론(YOLO26n 대 YOLO11n)이 결정적인 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석과 같이 ProgLoss와 STAL이 작은 객체의 정확도를 높이는 까다로운 시나리오입니다.
YOLOv8을 선택해야 하는 경우#
다음과 같은 경우 YOLOv8을 권장합니다.
- 다양한 작업의 통합 배포: Ultralytics 생태계에서 탐지, 분할, 분류, 포즈 추정에 검증된 모델이 필요한 프로젝트에 적합합니다.
- 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#
다음 Python 코드는 COCO8 데이터셋으로 YOLO26 모델을 학습하고 NMS 프리 추론을 실행하는 방법을 보여 줍니다.
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#
YOLO26은 Ultralytics가 권장하는 모델이지만, 다양한 애플리케이션을 개발하는 개발자라면 다음 모델도 고려할 수 있습니다.
- YOLO11: YOLO26의 직전 모델로, YOLOv8을 개선했으며 프로덕션 시스템에서 여전히 널리 사용됩니다.
- RT-DETR: Baidu의 실시간 탐지 Transformer입니다. 비전 작업에서 어텐션 메커니즘을 연구하는 연구자에게 적합하지만, 표준 Ultralytics YOLO 모델보다 학습에 더 많은 CUDA 메모리가 필요합니다.
클라우드 학습, 데이터셋 레이블링, 배포를 한곳에서 수행하려면 Ultralytics Platform을 참조하세요.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.