YOLOv10과 YOLO26
실시간 객체 탐지는 복잡하고 후처리에 의존하는 아키텍처에서 간소화된 엔드투엔드 모델로 전환되었습니다. 이 기술 비교에서는 이러한 변화의 주요 모델 두 가지, 즉 YOLO 제품군에 NMS 프리 학습을 도입한 학술 모델 YOLOv10과 프로덕션에 초점을 둔 멀티태스크 모델 제품군 Ultralytics YOLO26을 살펴봅니다. 개발자는 아키텍처, 학습 방법론, 실제 배포 기능을 검토하여 차기 비전 AI 애플리케이션을 구축할 때 정보에 입각한 결정을 내릴 수 있습니다.
YOLOv10: NMS 프리 실시간 탐지#
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 날짜: 2024-05-23
- 링크: arXiv 논문 | GitHub 리포지토리
2024년 5월에 출시된 YOLOv10은 실시간 객체 탐지의 가장 지속적인 병목 현상 중 하나인 비최대 억제 (NMS)를 해결했습니다. 기존 객체 탐지 모델은 중복 바운딩 박스를 걸러내기 위해 NMS에 크게 의존했으며, 이로 인해 추론 지연 시간이 달라지고 엣지 배포가 복잡해졌습니다.
칭화대학교 연구팀은 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 대한 배포 장벽을 낮췄습니다. 표준 탐지 작업에는 효율적이지만, 이 모델은 바운딩 박스 예측에 중점을 두며 인스턴스 분할이나 자세 추정 등의 작업을 기본 지원하지 않습니다.
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
YOLOv10에서 도입된 NMS 프리 개념을 발전시킨 YOLO26은 현재 권장되는 Ultralytics 모델 제품군입니다. 연구와 프로덕션 배포 모두를 고려해 설계되었으며, 선택적 일대일 헤드(nms=False)를 통해 엔드투엔드 NMS 프리 설계를 제공하고 NMS 후처리를 생략해 지원되는 하드웨어 전반에서 배포를 간소화합니다.
YOLO26은 여러 아키텍처 변경도 도입합니다. Distribution Focal Loss (DFL)를 제거하면 모델 export 절차가 간소화되고 저전력 엣지 AI 디바이스와의 호환성이 향상됩니다. 이러한 구조적 변경으로 YOLO26n은 YOLO11n보다 최대 43% 빠른 CPU 추론을 달성하여 GPU 가속을 사용할 수 없는 IoT 및 로보틱스 애플리케이션에 적합합니다.
MuSGD Optimizer는 LLM 학습 기법에서 영감을 얻은 SGD와 Muon의 하이브리드로, 학습 안정성과 수렴 속도도 향상합니다. 점진적 손실 함수와 소형 객체 인식 라벨 할당을 결합한 ProgLoss + STAL을 적용하면 YOLO26의 소형 객체 인식 성능이 개선됩니다. 또한 세그멘테이션을 위한 멀티스케일 프로토타이핑, 포즈 추정을 위한 잔차 로그 가능도 추정(RLE), 방향성 바운딩 박스(OBB) 탐지의 경계 문제를 해결하는 특수 각도 손실 등 태스크별 개선 사항도 도입합니다.
컴퓨터 비전 워크플로를 확장하려는 팀을 위해 Ultralytics Platform은 YOLO26을 직접 지원하며, 광범위한 MLOps 인프라 없이도 데이터 어노테이션, 클라우드 학습, 원클릭 배포를 제공합니다.
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.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| 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 |
YOLO26은 유사한 T4 TensorRT 속도를 유지하면서 모든 크기 구간에서 더 높은 mAP(평균 정밀도)를 달성합니다. YOLO26에서 DFL을 제거한 것도 CPU ONNX 성능 향상에 기여합니다. YOLOv10의 CPU ONNX 속도는 표에 보고되지 않았습니다.
학습 방법론 및 생태계#
모델의 유용성은 모델을 뒷받침하는 생태계만큼 높습니다. YOLOv10은 PyTorch와 Ultralytics 패키지를 기반으로 한 견고한 학술 구현을 제공했지만, 객체 탐지만 지원합니다.
반면 YOLO26은 활발하게 유지 관리되는 Ultralytics 생태계에 완전히 통합되어 있습니다. CNN 기반 모델인 YOLO26은 RT-DETR 같은 Transformer 기반 모델보다 학습 중 메모리를 적게 사용하므로 일반 소비자용 하드웨어에서도 학습할 수 있습니다. 통합 API가 데이터 증강과 로깅을 자동으로 처리하며, model.tune()을 통해 하이퍼파라미터 튜닝을 이용할 수 있습니다.
코드 예제: YOLO26 학습#
YOLO26의 학습과 내보내기에는 Python 코드 몇 줄이면 충분합니다.
from ultralytics import YOLO
# 고도로 최적화된 YOLO26 소형 모델 로드
model = YOLO("yolo26s.pt")
# COCO8 예제 데이터셋으로 모델 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#
적합한 아키텍처를 선택하는 기준은 주로 배포 제약 조건에 따라 달라집니다.
고속 엣지 컴퓨팅#
CPU, 로보틱스 플랫폼 또는 구형 모바일 기기에 배포하는 애플리케이션에는 CPU 추론이 더 빠른 YOLO26이 더 적합합니다. DFL이 없는 아키텍처와 선택적으로 사용할 수 있는 NMS 프리 헤드는 OpenVINO 및 TensorRT 같은 형식으로 원활하게 내보낼 수 있어 스마트 시티 인프라의 실시간 비디오 분석에 적합합니다.
고급 멀티태스크 비전#
YOLOv10은 바운딩 박스 탐지에만 한정되므로 다른 태스크가 필요한 프로젝트에는 YOLO26을 사용해야 합니다. YOLO26은 탐지 외에도 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 분류, 포즈 추정, 방향성 바운딩 박스를 지원하며, 의료 영상부터 스포츠 분석까지 다양한 애플리케이션에 맞춘 태스크별 헤드와 손실 함수를 제공합니다.
오픈 보캐뷸러리 탐지가 필요한 프로젝트라면 YOLOE 또는 YOLO-World를 고려하세요. 기존 파이프라인에는 YOLO11이 Ultralytics 프레임워크에서 완전히 지원되는 대안으로 남아 있습니다.
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.
- 지연 시간이 일정해야 하는 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 기기에서 YOLO26n은 CPU 기준 YOLO11n보다 최대 43% 빠르게 실행됩니다.
- 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.
결론#
YOLOv10에서 YOLO26으로의 전환은 학술적 개념 증명에서 프로덕션에 바로 사용할 수 있는 모델로의 변화를 보여줍니다. YOLO26은 YOLOv10이 도입한 NMS 프리 설계를 채택하고 MuSGD 옵티마이저, ProgLoss, 간소화된 엣지 내보내기를 추가해 모든 모델 크기에서 더 높은 정확도를 제공하며 훨씬 다양한 태스크를 지원합니다. 속도, 정확도, 사용 편의성의 균형을 원하는 개발자에게 YOLO26을 권장합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.