YOLOv10과 YOLO26#
컴퓨터 비전 분야는 최근 몇 년 동안 눈부신 발전을 이루었으며, 복잡하고 후처리에 크게 의존하던 아키텍처에서 간소화된 엔드투엔드 모델로 전환되고 있습니다. 이 기술 비교에서는 이러한 여정에서 중요한 두 가지 이정표인 학문적 돌파구 YOLOv10과 최첨단 엔터프라이즈용 YOLO26을 자세히 살펴봅니다. 개발자는 두 모델의 아키텍처, 학습 방법론, 실제 배포 역량을 검토하여 차세대 비전 AI 애플리케이션을 구축할 때 정보에 입각한 결정을 내릴 수 있습니다.
YOLOv10: 엔드투엔드 객체 검출의 선구자#
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 기관: 칭화대학교
- 날짜: 2024-05-23
- 링크: arXiv Paper | GitHub Repository
2024년 중반에 출시된 YOLOv10은 실시간 객체 검출에서 가장 지속적인 병목 현상 중 하나인 비최대 억제(NMS)를 해결하여 학술적 컴퓨터 비전 연구를 크게 발전시켰습니다. 기존 객체 검출기는 중복 BBox를 필터링하기 위해 NMS에 크게 의존했으며, 이로 인해 추론 중 가변적인 지연 시간이 발생하고 엣지 배포가 복잡해졌습니다.
Tsinghua University 팀은 NMS가 필요 없는 학습을 위해 일관된 이중 할당 전략을 도입했습니다. 이를 통해 모델은 후처리 필터링 단계 없이도 BBox를 정확하게 예측할 수 있었고, 추론 지연 시간을 직접적으로 개선하는 동시에 하드웨어 가속기에 배포하는 데 필요한 진입 장벽을 낮췄습니다. 표준 검출 작업에서는 매우 효율적이지만, 이 모델은 주로 BBox 예측에 초점을 맞추었으며 인스턴스 세그멘테이션이나 포즈 추정과 같은 더 복잡한 작업에 대한 기본 지원이 부족했습니다.
YOLO26: 엣지 및 클라우드 비전 AI의 새로운 표준#
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2026-01-14
- 링크: GitHub Repository | Ultralytics Platform
앞서 개척된 NMS 없는 개념을 기반으로 새롭게 출시된 YOLO26은 성능과 범용성의 정점을 보여줍니다. 학술 연구와 엔터프라이즈급 배포를 모두 고려해 설계된 YOLO26은 엔드투엔드 NMS 없는 설계를 기본으로 통합하여 NMS 후처리를 완전히 제거하고, 지원되는 모든 하드웨어에서 더 빠르고 간편한 배포를 제공합니다.
YOLO26은 몇 가지 획기적인 아키텍처 개선 사항을 도입했습니다. 분포 초점 손실(DFL)을 제거하여 모델 내보내기 프로세스를 크게 간소화하고 저전력 엣지 디바이스와의 호환성을 향상했습니다. 이러한 구조적 변화와 함께 YOLO26은 CPU 추론을 최대 43% 더 빠르게 수행하므로 GPU 가속을 사용하지 못할 수 있는 IoT 및 로보틱스 애플리케이션에 탁월한 선택입니다.
또한 SGD와 Muon을 결합한 하이브리드 방식인 MuSGD Optimizer를 사용하고 LLM 학습 기법에서 영감을 얻어 학습 안정성과 수렴 속도를 획기적으로 개선했습니다. ProgLoss + STAL과 같은 고급 손실 함수가 결합되어 YOLO26은 작은 객체 인식 성능을 크게 향상했습니다. 또한 세그멘테이션을 위한 멀티 스케일 프로토타이핑, 포즈 추정을 위한 잔차 로그 가능도 추정(RLE), 방향성 BBox(OBB) 검출의 경계 문제를 해결하는 특수 각도 손실 등 작업별 개선 사항도 도입했습니다.
컴퓨터 비전 워크플로를 확장하려는 팀을 위해 Ultralytics Platform은 YOLO26과 원활하게 통합되며, 광범위한 MLOps 인프라 없이도 직관적인 데이터 어노테이션, 자동화된 클라우드 학습, 원클릭 배포 옵션을 제공합니다.
기술 성능 비교#
이러한 모델을 평가할 때는 정확도, 모델 크기, 추론 속도의 균형이 중요합니다. 아래 표는 표준 COCO 데이터셋에서 평가한 두 모델 제품군의 다양한 규모별 성능을 보여줍니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
데이터는 최신 아키텍처가 제공하는 진화적 이점을 명확하게 보여줍니다. YOLO26은 모든 크기 단계에서 더 높은 mAP (평균 정밀도)를 달성하면서도 매우 경쟁력 있는 추론 속도를 유지합니다. YOLO26에서 DFL을 제거한 것은 특히 뛰어난 CPU ONNX 성능에 기여하며, 이는 이전 세대 모델이 자주 어려움을 겪었던 지표입니다.
학습 방법론과 생태계#
모델은 이를 뒷받침하는 생태계만큼만 유용합니다. YOLOv10은 PyTorch를 기반으로 한 우수한 학술 구현을 제공했지만, 기본 검출을 넘어서는 작업에는 수동 구성이 필요한 경우가 많았습니다.
반면 YOLO26은 잘 유지 관리되는 Ultralytics 생태계에 완전히 통합되어 있습니다. 따라서 RT-DETR과 같은 Transformer 기반 모델에 비해 학습 중 메모리 요구 사항이 크게 낮아지므로, 연구자들은 소비자용 하드웨어에서 최첨단 네트워크를 학습할 수 있습니다. 사용 편의성은 타의 추종을 불허하며, 데이터 증강, 하이퍼파라미터 튜닝, 로깅을 자동으로 처리하는 통합 API를 제공합니다.
코드 예제: YOLO26 학습#
다목적 고정확도 모델을 학습하는 데는 몇 줄의 Python 코드만 필요합니다:
from ultralytics import YOLO
# Load the highly optimized YOLO26 small model
model = YOLO("yolo26s.pt")
# Train the model efficiently with automatic memory management
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
)
# Export natively to TensorRT without NMS complexities
model.export(format="engine")실제 애플리케이션 및 사용 사례#
적합한 아키텍처의 선택은 전적으로 배포 제약 조건에 따라 달라집니다.
고속 엣지 컴퓨팅#
마이크로컨트롤러, 로보틱스 또는 레거시 모바일 디바이스에 신속하게 배포해야 하는 애플리케이션에서는 YOLO26의 43% 더 빠른 CPU 추론이 확실한 선택이 됩니다. NMS가 필요 없고 DFL이 없는 아키텍처는 OpenVINO 및 TensorRT와 같은 형식으로 원활하게 변환되므로 스마트 시티 인프라의 실시간 비디오 분석에 이상적입니다.
고급 멀티태스크 비전#
YOLOv10은 순수 BBox 검출에서 뛰어난 반면, 풍부한 시각적 이해가 필요한 프로젝트에는 YOLO26이 적합합니다. 의료 영상의 인스턴스 세그멘테이션부터 스포츠 분석을 위한 정밀한 포즈 추정까지, YOLO26은 다양한 분야에서 더 높은 정확도를 보장하는 작업별 손실 함수를 제공합니다.
강력한 오픈 보캐뷸러리 검출이 필요한 프로젝트라면 YOLO-World를 살펴보시기 바랍니다. 레거시 파이프라인을 유지 관리하는 사용자의 경우 YOLO11이 Ultralytics 프레임워크 내에서 완전히 지원되는 강력한 대안으로 계속 제공됩니다.
사용 사례 및 권장 사항#
YOLOv10과 YOLO26 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
YOLOv10을 선택해야 하는 경우#
YOLOv10은 다음과 같은 경우에 적합합니다:
- NMS-Free 실시간 탐지: 비최대 억제 없이 엔드투엔드 탐지의 이점을 활용하여 배포 복잡성을 줄이는 애플리케이션입니다.
- 균형 잡힌 속도-정확도 절충: 다양한 모델 규모에서 추론 속도와 탐지 정확도 사이의 뛰어난 균형이 필요한 프로젝트입니다.
- 일관된 지연 시간이 필요한 애플리케이션: 로보틱스 또는 자율 시스템과 같이 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.
YOLO26을 선택해야 하는 경우#
YOLO26은 다음과 같은 경우에 권장됩니다:
- NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
- 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.
결론#
YOLOv10에서 YOLO26으로의 전환은 학술적 개념 증명에서 프로덕션 환경에 바로 사용할 수 있는 엔터프라이즈 솔루션으로의 중요한 변화를 보여줍니다. YOLO26은 선구적인 NMS 없는 설계를 채택하고 MuSGD Optimizer, ProgLoss, 간소화된 엣지 호환성을 통해 이를 강화하여 실시간 컴퓨터 비전의 가능성을 새롭게 정의합니다. 속도, 정확도, 사용 편의성의 최적 균형을 달성하려는 개발자에게 YOLO26은 최고의 선택입니다.