YOLOv10 대 YOLOv5#
프로덕션 환경에 성공적인 컴퓨터 비전 파이프라인을 배포하려면 올바른 신경망 아키텍처를 선택하는 것이 매우 중요합니다. 본 페이지에서는 실시간 객체 검출의 진화 과정에서 큰 영향을 미친 두 가지 모델인 YOLOv10과 YOLOv5를 비교하는 심층적인 기술 분석을 제공합니다. 두 모델 모두 AI 커뮤니티에 큰 영향을 미쳤지만, 딥러닝 아키텍처 설계에 있어 서로 다른 시대와 철학을 대변합니다.
본 가이드는 평균 정밀도(mAP), 추론 지연 시간, 파라미터 효율성, 그리고 생태계 지원을 바탕으로 이러한 아키텍처를 평가하여 배포 요구사항에 가장 적합한 모델을 선택할 수 있도록 돕습니다.
모델 개요#
YOLOv10: 실시간 엔드투엔드 객체 탐지#
칭화대학교 연구진이 개발한 YOLOv10은 후처리 과정을 없앰으로써 객체 탐지에 대한 새로운 접근 방식을 도입했습니다.
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: Tsinghua University
- 날짜: 2024-05-23
- 연구 논문: arXiv:2405.14458
- 소스 코드: YOLOv10 GitHub 저장소
YOLOv10의 핵심적인 혁신은 엔드투엔드 NMS-Free 설계입니다. 역사적으로 YOLO 모델들은 중복되는 바운딩 박스를 필터링하기 위해 비최대 suppression(NMS)에 의존해 왔습니다. YOLOv10은 NMS 없는 학습을 위해 일관된 이중 할당 방식을 사용하여 추론 지연 시간의 가변성을 대폭 줄이고 배포 로직을 단순화합니다. 또한, 이 아키텍처는 다양한 컴포넌트를 철저히 최적화하여 연산 중복을 줄이는 전체적인 효율성 및 정확도 중심의 설계를 특징으로 합니다.
YOLOv5: 사용 편의성의 업계 표준#
Ultralytics PyTorch 저장소가 생성된 직후 출시된 YOLOv5는 개발자들이 오픈 소스 비전 AI 프레임워크에 기대하는 바를 재정의했습니다. 이 모델은 전 세계적으로 가장 널리 배포된 아키텍처 중 하나로 남아 있습니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- 소스 코드: YOLOv5 GitHub 저장소
YOLOv5는 뛰어난 사용 편의성과 매우 잘 관리되는 생태계로 유명합니다. 순수하게 PyTorch로 작성되어 학습, 검증, 그리고 ONNX 및 TensorRT와 같은 포맷으로의 내보내기를 기본적으로 지원하는 매끄러운 "제로투히어로" 경험을 제공했습니다. 순수 객체 검출에 주로 초점을 맞춘 YOLOv10과 달리, YOLOv5는 동일한 통합 Python API 내에서 인스턴스 세그멘테이션과 이미지 분류를 지원하는 탁월한 범용성을 보여줍니다.
성능 및 지표 비교#
속도와 정확도 간의 관계를 시각화하는 것은 주어진 속도 제약 조건에서 최고의 정확도를 제공하는 모델을 식별하는 데 필수적입니다. 이러한 성능 지표를 이해하는 것은 특정 하드웨어 제약 조건에 부합하는 모델을 선택하는 데 근간이 됩니다.
| 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 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
기술 분석#
- 정확도(mAP): YOLOv10은 정확도 면에서 확실한 세대적 이점을 보여줍니다. 예를 들어, YOLOv10-X 모델은 54.4% mAPval를 달성하여 YOLOv5x(50.7% mAP)를 능가합니다. 이러한 비약적인 발전은 주로 2024년에 도입된 NMS-free 학습 전략과 아키텍처 개선 덕분입니다.
- 추론 지연 시간: YOLOv5 모델들은 원시 T4 TensorRT 벤치마크(예: 1.12ms의 YOLOv5n)에서 예외적으로 빠른 성능을 보여주지만, YOLOv10은 후처리 NMS 단계를 완전히 제거합니다. 엔드투엔드 실제 배포 환경에서 YOLOv10의 NMS-Free 설계는 더욱 일관되고 결정론적인 지연 시간을 제공하며, 이는 자율주행 차량 및 로보틱스와 같은 실시간 애플리케이션에 매우 중요합니다.
- 매개변수 효율성: YOLOv10 모델은 매우 경쟁력 있는 성능 균형을 유지합니다. YOLOv10-S는 7.2M 매개변수만으로 46.7% mAP를 달성하는 반면, YOLOv5s는 9.1M 매개변수로 37.4% mAP를 달성합니다.
NVIDIA Jetson과 같은 edge AI 장치에 배포할 때, NMS 로직이 없는 모델(YOLOv10 및 YOLO26 등)은 종종 TensorRT로 더 깔끔하게 컴파일되어 CPU로의 폴백 연산을 방지합니다.
활용 사례 및 권장 사항#
YOLOv10과 YOLOv5 중 하나를 선택하는 것은 특정 프로젝트 요구 사항, 배포 제약 조건 및 생태계 선호도에 따라 달라집니다.
YOLOv10을 선택해야 할 때#
YOLOv10은 다음 용도에 강력한 선택지입니다:
- NMS 없는 실시간 탐지: Non-Maximum Suppression 없이 엔드 투 엔드 탐지를 수행하여 배포 복잡성을 줄이는 애플리케이션.
- 균형 잡힌 속도-정확도 트레이드오프: 다양한 모델 스케일 전반에서 추론 속도와 탐지 정확도 사이의 강력한 균형이 필요한 프로젝트.
- 일관된 지연 시간 애플리케이션: robotics 또는 자율 시스템과 같이 예측 가능한 추론 시간이 중요한 배포 시나리오.
YOLOv5를 선택해야 하는 경우#
YOLOv5 권장 대상:
- 검증된 프로덕션 시스템: YOLOv5의 긴 안정성 이력, 광범위한 문서, 방대한 커뮤니티 지원이 가치 있게 평가되는 기존 배포 환경.
- 리소스가 제한된 학습: YOLOv5의 효율적인 학습 파이프라인과 낮은 메모리 요구 사항이 유리한, GPU 자원이 제한된 환경.
- 광범위한 내보내기 포맷 지원: ONNX, TensorRT, CoreML, TFLite를 포함한 다양한 포맷 전반에 걸친 배포가 필요한 프로젝트.
Ultralytics (YOLO26)를 선택해야 할 때#
대부분의 신규 프로젝트의 경우, Ultralytics YOLO26은 성능과 개발자 경험의 최상의 조합을 제공합니다.
- NMS 미사용 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
- CPU 전용 환경: 전용 GPU 가속이 없는 디바이스에서, 최대 43% 더 빠른 YOLO26의 CPU 추론 속도가 결정적인 이점을 제공합니다.
- 소형 객체 감지: 항공 드론 이미지나 IoT 센서 분석과 같은 까다로운 시나리오에서 ProgLoss와 STAL이 아주 작은 객체의 정확도를 크게 향상시킵니다.
Ultralytics의 장점#
YOLOv10은 훌륭한 검출 기능을 제공하지만, 학술 연구용 저장소에 의존하는 것은 때때로 프로덕션 파이프라인을 복잡하게 만들 수 있습니다. 공식 Ultralytics Python 패키지를 사용하면 YOLOv5와 YOLOv10을 모두 지원하는 통합 생태계에 접근할 수 있으며 고급 기능도 함께 활용할 수 있습니다.
- 학습 효율성: Ultralytics YOLO 아키텍처는 학습 중 더 낮은 메모리 요구사항을 위해 깊이 최적화되어 있습니다. 막대한 CUDA 메모리가 필요한 무거운 트랜스포머 모델(RT-DETR 등)과 달리, 표준 소비자용 GPU에서도 YOLOv5와 YOLOv10을 편안하게 학습시킬 수 있습니다.
- 생태계 통합: Ultralytics Platform과의 통합을 통해 개발자는 데이터셋을 시각적으로 관리하고, Weights & Biases를 사용하여 실험을 추적하며, 하이퍼파라미터를 자동으로 튜닝할 수 있습니다.
코드 예제: 원활한 학습#
Ultralytics 라이브러리를 사용하면 모델 문자열을 변경하는 것만으로 이러한 아키텍처 간의 전환이 간단해집니다. 학습 파이프라인은 데이터 증강, 스케일링 및 옵티마이저 구성을 자동으로 처리합니다.
from ultralytics import YOLO
# To use YOLOv5:
# model = YOLO("yolov5s.pt")
# To use YOLOv10:
model = YOLO("yolov10s.pt")
# Train the model on a custom dataset
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=16,
device=0, # Use GPU 0
)
# Export the trained model to ONNX format
path = model.export(format="onnx")차세대: Ultralytics YOLO26#
오늘 새로운 머신 러닝 프로젝트를 시작하신다면, 최신 **Ultralytics YOLO26**을 평가해 보실 것을 강력히 권장합니다. 2026년 1월에 출시된 이 모델은 지난 5년간의 최고의 혁신들을 결합하여 절대적인 최첨단(state-of-the-art) 성능을 구현합니다.
YOLO26은 YOLOv10이 개척한 엔드투엔드(End-to-End) NMS-Free 설계를 기본적으로 통합하여 신속하고 결정론적인 배포를 보장합니다. 또한 YOLO26은 몇 가지 중요한 돌파구를 도입했습니다:
- 최대 43% 더 빠른 CPU 추론: DFL(Distribution Focal Loss) 모듈을 제거함으로써 YOLOv26은 표준 CPU에서 엄청난 속도 향상을 달성했으며, 모바일 배포 및 저전력 IoT 센서를 위한 최고의 선택지가 됩니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델(LLM) 학습 기법에서 영감을 받은 YOLO26은 SGD와 Muon의 하이브리드를 활용합니다. 이는 YOLOv10에 사용된 AdamW 옵티마이저에 비해 매우 안정적인 학습 실행과 훨씬 가속화된 수렴을 보장합니다.
- ProgLoss + STAL: 이러한 고급 손실 함수들은 소형 객체 인식에서 현저한 성능 향상을 가져다주며, 이는 드론 이미지 및 공중 보안 애플리케이션에 매우 중요합니다.
- 작업별 숙련도: YOLOv10은 엄격하게 경계 상자 탐지기인 반면, YOLO26은 자세 추정을 위한 RLE(Residual Log-Likelihood Estimation)와 OBB(Oriented Bounding Boxes)를 위한 특수 각도 손실을 포함하여 모든 작업에 대한 전용 아키텍처 개선 사항을 제공합니다.
객체 검출의 더 넓은 분야를 탐색하고 계시다면, 이러한 아키텍처를 다른 프레임워크와 비교해 보는 것도 흥미로울 것입니다. 더 포괄적인 벤치마킹을 위해 YOLO11 vs EfficientDet 또는 RT-DETR vs YOLOv8에 대한 심층 분석 내용을 확인해 보세요.
YOLOv5의 강력한 레거시, YOLOv10의 NMS-free 혁신, 또는 YOLO26의 비교할 수 없는 최첨단 성능 중 무엇을 신뢰하든, Ultralytics 생태계는 비전 AI 애플리케이션을 신속하고 효율적으로 구현하는 데 필요한 도구를 제공합니다.