YOLO26과 YOLOX 비교

2021년 YOLOX는 앵커 프리 설계를 도입해 실시간 객체 탐지 분야에서 학술 연구와 산업 응용의 간극을 좁히며 큰 영향을 미쳤습니다. 2026년 1월에는 Ultralytics YOLO가 YOLO26을 출시했습니다. 이 비교에서는 YOLO26이 이전 혁신을 어떻게 발전시켰는지, 성능과 다용성, 사용 편의성 측면에서 어떤 차이가 있는지 살펴봅니다.

모델 개요#

정보에 기반한 배포 결정을 내리려면 각 모델의 기원과 핵심 철학을 이해하는 것이 중요합니다.

YOLO26 상세 정보#

YOLO26은 최신 Ultralytics YOLO 모델로, 후처리 병목을 제거하는 선택적 엔드투엔드 NMS 제거 헤드(nms=False)를 제공합니다. 다양한 비전 작업을 지원하는 생태계를 갖추고 클라우드 및 엣지 배포 모두에 최적화되어 있습니다.

YOLOX 상세 정보#

YOLOX에 대해 자세히 알아보기

YOLOX는 비분리형 헤드와 앵커 프리 아키텍처, SimOTA 레이블 할당 전략을 도입하며 큰 발전을 이루었습니다. 출시 당시 속도와 정확도의 균형이 뛰어나 많은 기존 시스템에서 널리 선택되었습니다.

아키텍처 혁신#

YOLO26과 YOLOX의 차이는 2021년부터 2026년까지 딥러닝 설계가 발전해 온 과정을 보여줍니다.

YOLOX는 앵커 프리 접근 방식을 선도했지만, 중복 바운딩 박스를 필터링하는 데 기존 비최대 억제(NMS)를 계속 사용했습니다. YOLO26에는 선택적 엔드투엔드 NMS 프리 헤드(nms=False)가 추가되었습니다. YOLOv10이 YOLO 모델에 도입한 이 접근 방식은 NMS 후처리를 생략하여 지연 시간 변동이 더 낮은, 빠르고 단순한 배포 파이프라인을 구현합니다.

또한 YOLO26에는 DFL 제거 기능이 있습니다. 분포 초점 손실을 제거하면 내보내기 과정이 간소화되고 엣지 장치 및 저전력 하드웨어와의 호환성이 향상됩니다. 다른 아키텍처 최적화와 결합하면 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 전용 GPU가 없는 환경에 적합합니다.

학습 안정성도 중요한 차별점입니다. YOLO26은 Moonshot AI의 LLM 학습 혁신에서 영감을 얻은 SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 사용합니다. 이 옵티마이저는 대규모 언어 모델 학습의 안정성을 컴퓨터 비전에 적용해 더 빠른 수렴을 돕습니다.

학습 개선 사항

YOLO26은 점진적 손실 균형화 방식과 소형 객체 인식형 레이블 할당 전략인 ProgLoss + STAL을 사용해 작은 객체 인식을 향상시킵니다. 이는 항공 이미지 처리 및 밀집 환경 분석과 같은 작업에 중요합니다.

성능 및 벤치마크#

COCO 데이터셋에서 YOLO26은 비교 가능한 모든 크기에서 YOLOX보다 높은 mAP를 달성하며(예: s 모델에서 48.6 대 40.5), T4 TensorRT 지연 시간도 더 짧습니다.

모델크기
(픽셀)
mAPval50-95속도
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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

참고: YOLO26x는 파라미터 55.7M으로 57.5 mAP를 달성하며, YOLOXx는 파라미터 99.1M으로 51.1 mAP를 달성합니다.

생태계와 사용 편의성#

YOLO26을 선택할 때 얻는 가장 중요한 이점 중 하나는 Ultralytics가 제공하는 잘 유지 관리되는 생태계입니다. YOLOX는 연구 코드베이스를 살펴보고 환경을 수동으로 설정해야 하지만, Ultralytics는 더 간편한 개발자 경험을 제공합니다.

통합 Python API를 사용하면 개발자는 객체 탐지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 이미지 분류, 포즈 추정, OBB 등의 작업을 쉽게 전환할 수 있습니다. YOLOX는 바운딩 박스 탐지로 제한됩니다.

학습 예제#

Ultralytics를 사용하면 사용자 지정 데이터셋으로 효율적으로 모델을 학습할 수 있습니다. 학습 파이프라인은 CUDA 메모리 사용량을 낮게 유지하므로, 많은 구형 아키텍처나 대형 Transformer 모델보다 소비자용 하드웨어에서 더 큰 배치 크기를 사용할 수 있습니다.

from ultralytics import YOLO

# YOLO26 소형 모델을 초기화합니다
model = YOLO("yolo26s.pt")

# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# 배포를 위해 학습된 모델을 ONNX 형식으로 내보내기
model.export(format="onnx")

Ultralytics Platform은 클라우드 학습, AI 지원 데이터셋 어노테이션, 배포 옵션을 제공하여 프로토타입에서 프로덕션으로 전환하는 팀의 워크플로를 더욱 개선합니다.

적합한 사용 사례 및 실제 응용 분야#

적합한 모델은 배포 환경에 따라 달라집니다.

엣지 AI 및 IoT#

스마트 보안 경보 시스템이나 원격 환경 센서처럼 제한된 하드웨어에서 로컬 처리가 필요한 애플리케이션에는 YOLO26이 더 적합합니다. 선택적 NMS 제거 헤드와 빠른 CPU 실행을 통해 복잡한 양자화 우회 방법 없이 Raspberry Pi와 같은 장치에서 실행할 수 있습니다.

자율 로보틱스#

로보틱스 애플리케이션에는 높은 정밀도와 짧은 지연 시간이 필요합니다. 잔차 로그 우도 추정(RLE)으로 강화된 YOLO26의 포즈 추정 기능을 통해 로봇은 사람의 운동학을 실시간으로 파악할 수 있습니다. YOLOX는 네이티브 키포인트 탐지 기능이 없어 고급 인간-로봇 상호작용 작업에 적합하지 않습니다.

고고도 및 항공 검사#

드론으로 인프라를 검사할 때는 작은 결함을 탐지하는 것이 중요합니다. YOLO26의 ProgLoss와 STAL은 작은 객체의 재현율을 향상시킵니다. 또한 YOLO26은 경계 문제를 해결하는 특수 각도 손실을 갖춘 방향 바운딩 박스(OBB)를 네이티브로 지원하므로, 객체가 임의의 방향으로 회전하는 위성 및 항공 이미지에 적합합니다.

레거시 배포#

YOLOX는 2021년에 특정 분리형 헤드 출력에 맞춰 C++ 배포 파이프라인을 명시적으로 구축한 레거시 환경에서 여전히 사용될 수 있습니다. 신규 프로젝트에는 성능 향상과 지속적인 커뮤니티 지원을 고려해 Ultralytics 생태계로 마이그레이션하는 것을 권장합니다.

다른 모델 살펴보기#

YOLO26은 권장되는 Ultralytics 모델이지만, 생태계에는 특정 요구에 맞춘 다양한 모델이 있습니다. Transformer 기반 아키텍처에 관심이 있는 개발자에게 RT-DETR은 엔드투엔드 탐지의 대안적인 접근 방식을 제공합니다. 또한 YOLO11은 광범위한 과거 벤치마킹이 필요한 프로덕션 환경에서 충분히 검증된 선택으로 남아 있습니다.

요약하면 YOLOX에서 YOLO26으로의 발전은 이 분야가 얼마나 빠르게 진전했는지를 보여줍니다. 직관적인 API, 다용도 기능, 뛰어난 효율성을 갖춘 YOLO26은 연구자와 개발자에게 권장되는 선택입니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.