YOLOv10과 YOLO26#

최근 몇 년간 컴퓨터 비전 분야는 괄목할 만한 발전을 이루며 복잡한 후처리 중심 아키텍처에서 간결한 엔드투엔드 모델로 전환해 왔습니다. 이 기술 비교에서는 이러한 변화의 주요 이정표인 YOLOv10의 학술적 혁신과 최첨단 엔터프라이즈용 YOLO26을 자세히 살펴봅니다. 개발자는 아키텍처, 학습 방법론, 실제 배포 역량을 검토해 차세대 비전 AI 애플리케이션을 구축할 때 정보에 기반한 결정을 내릴 수 있습니다.

YOLOv10: 엔드투엔드 객체 탐지의 선구자#

• 저자: Ao Wang, Hui Chen, Lihao Liu 외
• 조직: 칭화대학교
• 날짜: 2024-05-23
• 링크: arXiv 논문 | GitHub 리포지토리

2024년 중반에 출시된 YOLOv10은 실시간 객체 탐지의 가장 지속적인 병목 현상 중 하나인 비최대 억제(NMS)를 해결하며 학술 컴퓨터 비전 연구에서 중요한 도약을 이루었습니다. 기존 객체 탐지기는 중복 바운딩 박스를 필터링하기 위해 NMS에 크게 의존했으며, 이로 인해 추론 지연 시간이 변동하고 엣지 배포가 복잡해졌습니다.

칭화대학교 팀은 NMS 프리 학습을 위한 일관된 이중 할당 전략을 도입했습니다. 이 전략을 통해 모델은 후처리 필터링 단계 없이 바운딩 박스를 정확하게 예측할 수 있었고, 추론 지연 시간을 직접 줄이는 동시에 하드웨어 가속기에 배포하기 위한 진입 장벽을 낮췄습니다. 표준 탐지 작업에서는 효율성이 높지만, 이 모델은 주로 바운딩 박스 예측에 초점을 두었으며 인스턴스 분할이나 포즈 추정과 같은 복잡한 작업은 기본 지원하지 않았습니다.

YOLOv10 자세히 알아보기

YOLO26: 엣지 및 클라우드 비전 AI의 새로운 표준#

• 저자: Glenn Jocher 및 Jing Qiu
• 조직: Ultralytics
• 날짜: 2026-01-14
• 링크: GitHub 리포지토리 | Ultralytics 플랫폼

앞서 선보인 NMS 프리 개념을 바탕으로 새롭게 출시된 YOLO26은 성능과 다용도성의 정점을 보여 줍니다. 학술 연구와 엔터프라이즈급 배포 모두를 위해 설계된 YOLO26은 선택적 일대일 헤드(nms=False)를 통해 엔드투엔드 NMS 프리 설계를 제공합니다. 이 헤드는 NMS 후처리를 생략해 지원되는 모든 하드웨어에서 더 빠르고 간편하게 배포할 수 있도록 합니다.

YOLO26은 여러 가지 획기적인 아키텍처 개선을 도입합니다. 분포 초점 손실(DFL)을 제거해 모델 내보내기 과정이 크게 간소화되고 저전력 엣지 장치와의 호환성이 향상됩니다. 이러한 구조적 변화와 더불어 YOLO26은 CPU 추론 속도를 최대 43% 향상해 GPU 가속을 사용할 수 없는 IoT 및 로보틱스 애플리케이션에 탁월한 선택지가 됩니다.

LLM 학습 기법에서 영감을 얻은 SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 사용해 학습 안정성과 수렴 속도를 혁신적으로 개선했습니다. ProgLoss + STAL과 같은 고급 손실 함수와 결합된 YOLO26은 작은 객체 인식 성능도 크게 향상합니다. 또한 분할을 위한 다중 스케일 프로토타이핑, 포즈 추정을 위한 잔차 로그 우도 추정(RLE), 방향성 바운딩 박스(OBB) 탐지의 경계 문제를 해결하는 특수 각도 손실 등 작업별 개선 사항도 도입했습니다.

기술 성능 비교#

이러한 모델을 평가할 때는 정확도, 모델 크기, 추론 속도 간의 균형이 중요합니다. 아래 표는 표준 COCO 데이터셋에서 평가한 다양한 규모의 두 모델 제품군 성능을 보여 줍니다.

데이터는 최신 아키텍처가 진화 과정에서 확보한 이점을 분명하게 보여 줍니다. YOLO26은 모든 크기 등급에서 높은 경쟁력을 갖춘 추론 속도를 유지하면서 더 높은 mAP(평균 정밀도)를 달성합니다. 특히 YOLO26의 DFL 제거는 뛰어난 CPU ONNX 성능에 기여하며, 이 지표는 이전 세대 모델에서 자주 어려움을 겪었던 부분입니다.

학습 방법론 및 생태계#

모델의 유용성은 이를 뒷받침하는 생태계에 따라 달라집니다. YOLOv10은 PyTorch 기반의 뛰어난 학술용 구현을 제공했지만, 기본 탐지 이외의 작업에는 수동 구성이 필요한 경우가 많습니다.

반면 YOLO26은 잘 관리되는 Ultralytics 생태계에 완전히 통합되어 있습니다. 따라서 RT-DETR과 같은 트랜스포머 기반 모델보다 학습 중 메모리 요구량이 크게 줄어 연구자는 일반 소비자용 하드웨어에서도 최첨단 네트워크를 학습할 수 있습니다. 데이터 증강, 하이퍼파라미터 튜닝, 로깅을 자동으로 처리하는 통합 API를 제공해 사용 편의성도 탁월합니다.

코드 예제: YOLO26 학습#

다용도이며 정확도가 높은 모델을 학습하는 데는 Python 코드 몇 줄이면 충분합니다.

from ultralytics import YOLO

# 고도로 최적화된 YOLO26 소형 모델 로드
model = YOLO("yolo26s.pt")

# 자동 메모리 관리를 사용해 모델을 효율적으로 학습
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
)

# NMS 프리 일대일 헤드를 TensorRT로 내보내기
model.export(format="engine", nms=False)

실제 애플리케이션 및 사용 사례#

적절한 아키텍처를 선택하는 것은 전적으로 배포 제약 조건에 따라 달라집니다.

고속 엣지 컴퓨팅#

마이크로컨트롤러, 로보틱스 또는 구형 모바일 기기에 신속하게 배포해야 하는 애플리케이션이라면, YOLO26은 최대 43% 빠른 CPU 추론 속도를 제공하므로 확실한 선택입니다. NMS와 DFL이 없는 아키텍처는 OpenVINO 및 TensorRT와 같은 형식으로 원활하게 변환되므로 스마트 시티 인프라의 실시간 비디오 분석에 적합합니다.

고급 멀티태스크 비전#

YOLOv10이 순수 바운딩 박스 탐지에 탁월한 반면, 풍부한 시각적 이해가 필요한 프로젝트에는 YOLO26이 적합합니다. 의료 영상의 인스턴스 분할부터 스포츠 분석을 위한 정밀한 자세 추정까지, YOLO26은 다양한 분야에서 우수한 정확도를 보장하는 작업별 손실 함수를 제공합니다.

사용 사례 및 권장 사항#

YOLOv10과 YOLO26 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구사항, 배포 제약 조건 및 생태계 선호도에 따라 달라집니다.

YOLOv10을 선택해야 하는 경우#

YOLOv10은 다음과 같은 경우에 적합합니다:

• NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
• 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
• 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.

YOLO26을 선택해야 하는 경우#

YOLO26은 다음과 같은 경우에 권장됩니다:

• 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.

결론#

YOLOv10에서 YOLO26으로의 전환은 학술적 개념 증명에서 프로덕션에 바로 적용할 수 있는 엔터프라이즈 솔루션으로의 중요한 변화를 보여줍니다. 선구적인 NMS-free 설계를 도입하고 MuSGD 옵티마이저, ProgLoss, 간소화된 엣지 호환성을 더한 YOLO26은 실시간 컴퓨터 비전의 새로운 기준을 제시합니다. 속도, 정확도, 사용 편의성의 균형을 최적으로 구현하려는 개발자에게 YOLO26을 가장 먼저 추천합니다.