YOLOv10과 YOLOv5
프로덕션 환경에서 성공적인 컴퓨터 비전 파이프라인을 배포하려면 적합한 신경망 아키텍처를 선택하는 것이 중요합니다. 이 페이지에서는 실시간 객체 탐지의 발전 과정에 큰 영향을 미친 두 모델인 YOLOv10과 YOLOv5를 기술적으로 심층 분석하여 비교합니다. 두 모델 모두 AI 커뮤니티에 상당한 영향을 미쳤지만, 딥러닝 아키텍처 설계에서 서로 다른 시대와 철학을 대표합니다.
이 가이드에서는 평균 정밀도(mAP), 추론 지연 시간, 파라미터 효율성, 생태계 지원을 기준으로 두 아키텍처를 평가하여 배포 요구 사항에 가장 적합한 모델을 선택하도록 돕습니다.
모델 개요#
YOLOv10: 실시간 종단 간 객체 감지#
칭화대학교 연구진이 개발한 YOLOv10은 NMS 후처리를 없애 객체 디텍션에 새로운 접근 방식을 도입했습니다.
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 날짜: 2024-05-23
- 연구 논문: arXiv:2405.14458
- 소스 코드: YOLOv10 GitHub 저장소
YOLOv10의 핵심 특징은 엔드투엔드 NMS 프리 설계입니다. 기존 YOLO 모델은 중복 바운딩 박스를 필터링하기 위해 비최대 억제(NMS)에 의존했습니다. YOLOv10은 NMS 프리 학습을 위해 일관된 이중 할당을 사용하여 추론 지연 시간의 변동성을 줄이고 배포 로직을 간소화합니다. 또한 계산 중복을 줄이기 위해 다양한 구성 요소를 최적화하는 총체적인 효율성·정확도 중심 설계를 따릅니다.
YOLOv5: 사용 편의성의 업계 표준#
2020년 6월 Ultralytics가 출시한 YOLOv5는 오픈 소스 비전 AI 프레임워크의 사용 편의성에 대한 기대를 높였습니다. YOLOv5는 전 세계에서 가장 널리 배포된 아키텍처 중 하나로 남아 있습니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- 소스 코드: YOLOv5 GitHub 저장소
YOLOv5는 사용 편의성과 잘 관리되는 생태계로 잘 알려져 있습니다. PyTorch로만 작성되어 학습, 검증, ONNX 및 TensorRT와 같은 형식으로의 내보내기를 기본 지원했습니다. 객체 디텍션에 중점을 둔 YOLOv10과 달리 YOLOv5는 다용성도 제공합니다. YOLOv5 원본 저장소는 v7.0에서 인스턴스 분할을, v6.2에서 이미지 분류를 추가했습니다.
성능 및 지표 비교#
속도와 정확도의 관계를 시각화하면 주어진 속도 제약에서 가장 높은 정확도를 제공하는 모델을 찾는 데 도움이 됩니다. 이러한 성능 지표를 이해하는 것은 구체적인 하드웨어 제약 조건에 부합하는 모델을 선택하는 데 필수적입니다.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
기술 분석#
- 정확도(mAP): YOLOv10은 정확도에서 세대 간 뚜렷한 우위를 보여줍니다. 예를 들어 YOLOv10-X 모델은 54.4% mAPval50-95를 달성하여 YOLOv5x(50.7% mAP)를 능가합니다. 이러한 향상은 주로 YOLOv10의 앵커 프리 헤드와 대형 커널 컨볼루션, 부분 셀프 어텐션과 같은 정확도 중심의 개선에서 비롯됩니다.
- 추론 지연 시간: YOLOv5 모델은 순수 T4 TensorRT 벤치마크에서 매우 빠른 성능을 보이지만(예: YOLOv5n은 1.12 ms), YOLOv10은 NMS 후처리 단계를 완전히 건너뛸 수 있습니다. 실제 엔드투엔드 배포 환경에서 YOLOv10의 NMS를 사용하지 않는 설계는 더 일관된 지연 시간을 제공하며, 이는 자율주행 차량 및 로보틱스와 같은 실시간 애플리케이션에서 매우 중요합니다.
- 파라미터 효율성: YOLOv10 모델은 뛰어난 성능 균형을 제공합니다. YOLOv10-S는 7.2M개의 파라미터로 46.3% mAP를 달성합니다. 이는 37.4% mAP를 기록하는 YOLOv5s와 파라미터 수가 같습니다.
엣지 AI 디바이스나 NVIDIA Jetson과 같은 장치에 배포할 때, NMS 로직이 없는 모델(YOLOv10 또는 nms=False를 사용해 내보낸 YOLO26)은 TensorRT로 더 원활하게 컴파일되는 경우가 많아 CPU 대체 연산을 방지할 수 있습니다.
사용 사례 및 권장 사항#
YOLOv10과 YOLOv5 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 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.
YOLOv5를 선택할 경우#
다음과 같은 경우 YOLOv5를 권장합니다.
- 프로덕션에서 검증된 시스템: YOLOv5의 오랜 안정성 기록, 폭넓은 문서, 대규모 커뮤니티가 중요한 기존 배포 환경에 적합합니다.
- 리소스 제약이 있는 학습: GPU 리소스가 제한된 환경에서 YOLOv5의 효율적인 학습 파이프라인과 적은 메모리 요구 사항이 유리합니다.
- 폭넓은 내보내기 형식 지원: ONNX, TensorRT, CoreML, LiteRT 등 다양한 형식으로 배포해야 하는 프로젝트입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.
- 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.
Ultralytics의 강점#
YOLOv10은 뛰어난 검출 성능을 제공하지만, 학술용 저장소에 의존하면 프로덕션 파이프라인이 복잡해질 수 있습니다. 공식 Ultralytics Python 패키지를 사용하면 고급 기능과 함께 YOLOv5와 YOLOv10을 모두 지원하는 통합 생태계를 이용할 수 있습니다.
- 학습 효율성: Ultralytics YOLO 아키텍처는 학습 중 메모리 사용량을 줄이도록 최적화되어 있습니다. 더 많은 CUDA 메모리가 필요한 RT-DETR과 같은 무거운 트랜스포머 모델과 달리, YOLOv5와 YOLOv10은 일반 소비자용 GPU에서도 원활하게 학습할 수 있습니다.
- 생태계 통합: Ultralytics Platform을 통해 개발자는 데이터셋을 시각적으로 관리하고 클라우드에서 학습할 수 있으며, Python 패키지는 Weights & Biases와 같은 실험 추적 도구와 통합되고 하이퍼파라미터 튜닝을 지원합니다.
코드 예제: 학습#
Ultralytics 라이브러리를 사용하면 모델 문자열을 바꾸는 것만으로 두 아키텍처 간에 간단히 전환할 수 있습니다. 학습 파이프라인이 데이터 증강, 스케일링, 옵티마이저 설정을 자동으로 처리합니다.
from ultralytics import YOLO
# YOLOv5를 사용하려면:
# model = YOLO("yolov5su.pt")
# YOLOv10을 사용하려면:
model = YOLO("yolov10s.pt")
# 사용자 지정 데이터 세트로 모델을 학습합니다.
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=16,
device=0, # GPU 0을 사용합니다.
)
# 학습한 모델을 ONNX 형식으로 내보냅니다.
path = model.export(format="onnx")차세대 모델: Ultralytics YOLO26#
새 머신러닝 프로젝트를 시작한다면 최신 Ultralytics YOLO26을 평가해 보세요. 2026년 1월에 출시된 YOLO26은 최근 YOLO 세대의 핵심 혁신을 결합합니다.
YOLO26은 YOLOv10의 엔드투엔드 NMS 프리 설계를 선택적 일대일 헤드(nms=False)로 통합해 배포를 간소화합니다. YOLO26에는 다음과 같은 개선 사항도 추가되었습니다.
- 최대 43% 더 빠른 CPU 추론: 분포 초점 손실(DFL) 모듈을 제거한 YOLO26n은 표준 CPU에서 YOLO11n보다 최대 43% 더 빠르게 실행되므로 모바일 배포와 저전력 IoT 센서에 적합합니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델(LLM) 학습 기법에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드를 사용합니다. 이를 통해 이전 YOLO 모델에서 사용한 표준 SGD 및 AdamW 옵티마이저보다 학습 안정성이 높아지고 수렴 속도가 빨라집니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식 레이블 할당은 소형 객체 인식을 개선하며, 이는 드론 이미지 및 항공 보안 애플리케이션에 중요합니다.
- 태스크별 개선 사항: YOLOv10은 바운딩 박스 디텍터에 한정되지만, YOLO26은 디텍션, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 포즈 추정, OBB를 지원하며 포즈용 잔차 로그 가능도 추정(RLE)과 방향성 바운딩 박스(OBB)용 특수 각도 손실 등 태스크별 개선 사항을 제공합니다.
이러한 아키텍처를 다른 디텍터 제품군과 비교하려면 YOLO11과 EfficientDet 비교 및 RT-DETR과 YOLOv8 비교를 참조하세요.
검증된 YOLOv5, NMS 프리 YOLOv10, 최신 YOLO26 중 무엇을 사용하든 Ultralytics 생태계는 비전 AI 애플리케이션을 신속하게 프로덕션 환경에 적용할 수 있는 도구를 제공합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.