YOLOv10과 YOLOv8#
실시간 객체 탐지는 정확도, 추론 속도, 계산 효율성의 한계를 넓히려는 획기적인 아키텍처가 빠르게 이어지며 발전해 왔습니다. 이 종합 기술 가이드에서는 컴퓨터 비전 분야의 주요 이정표인 YOLOv10과 Ultralytics YOLOv8을 비교합니다. YOLOv8이 다용성과 프로덕션 준비도를 갖춘 표준을 확립한 반면, YOLOv10은 후처리 병목 제거를 목표로 아키텍처를 변경했습니다.
실제 시나리오에 최첨단 비전 AI 솔루션을 배포하려는 개발자와 연구자에게 이러한 모델의 차별화된 장점과 아키텍처, 성능 지표를 이해하는 것은 매우 중요합니다.
기술 사양 및 개발 주체#
이러한 모델을 효과적으로 평가하려면 각 모델의 배경과 연구팀의 핵심 목표를 이해하는 것이 좋습니다.
YOLOv10: 엔드투엔드 효율성#
Tsinghua University의 연구진이 개발한 YOLOv10은 이전 세대 모델의 후처리 단계에서 발생하는 계산 오버헤드를 해결하도록 설계되었습니다.
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 날짜: 2024-05-23
- Arxiv: 2405.14458
- GitHub: THU-MIG/yolov10
- 문서: YOLOv10 문서
Ultralytics YOLOv8: 다재다능한 표준 모델#
2023년 초에 출시된 YOLOv8은 견고한 아키텍처와 더 광범위한 머신러닝 생태계와의 탁월한 통합 덕분에 빠르게 업계 표준으로 자리 잡았습니다.
- 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직: Ultralytics
- 날짜: 2023-01-10
- GitHub: ultralytics/ultralytics
아키텍처 혁신#
두 모델 모두 기존 YOLO 아키텍처를 크게 개선했지만, 파이프라인에서 서로 약간 다른 측면에 초점을 맞춥니다.
YOLOv10 아키텍처#
YOLOv10의 두드러진 특징은 NMS 없는 학습 전략입니다. 기존 객체 검출기는 추론 중 겹치는 바운딩 박스를 걸러 내기 위해 비최대 억제(NMS)에 의존합니다. 이 단계는 지연 시간을 유발하고 엔드투엔드 배포를 복잡하게 만들 수 있습니다. YOLOv10은 학습 중 일관된 이중 할당을 적용하여 모델이 각 객체에 대해 정확한 바운딩 박스 하나를 기본적으로 예측할 수 있도록 합니다. 또한 다양한 구성 요소를 최적화해 FLOPs와 파라미터 수를 크게 줄이는, 효율성과 정확도를 종합적으로 고려한 모델 설계를 활용합니다.
YOLOv8 아키텍처#
YOLOv8은 앵커 없는 검출 헤드를 도입해 이전 모델의 앵커 기반 방식에서 벗어났습니다. 이 방식은 박스 예측 수를 줄이고 NMS 연산 속도를 높입니다. 또한 YOLOv8은 C2f 모듈(두 개의 컨볼루션을 사용하는 크로스 스테이지 부분 병목)을 통합하여 그래디언트 흐름을 개선하고 계산 비용을 크게 늘리지 않으면서 네트워크가 더 풍부한 특징 표현을 학습하도록 합니다. 분리형 헤드는 분류와 회귀 작업을 분리하여 더 빠른 수렴과 전반적인 정확도 향상을 이끌어 냅니다.
성능 및 벤치마크#
모델을 엣지 디바이스나 클라우드 서버에 배포할 때는 속도와 정확도 간의 절충이 매우 중요합니다. 아래 표에서는 두 모델을 다양한 크기별로 직접 비교합니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
참고: 대시(-)는 동일한 테스트 조건에서 공식적으로 보고되지 않은 지표를 나타냅니다.
데이터에서 볼 수 있듯이 YOLOv10은 파라미터 효율성이 뛰어나며, 더 적은 파라미터와 FLOPs를 사용하면서도 YOLOv8 모델과 비슷하거나 더 높은 mAP를 달성하는 경우가 많습니다. 하지만 YOLOv8은 여전히 매우 경쟁력 있으며, 최신 GPU에서 추론 지연 시간을 최소화하는 고도로 최적화된 TensorRT 통합을 제공합니다.
프로덕션 환경을 대상으로 할 때 ONNX나 TensorRT와 같은 형식을 활용하면 추론 속도를 크게 높일 수 있습니다. YOLOv8과 YOLOv10은 모두 이러한 고도로 최적화된 그래프 형식으로 원활하게 내보내기를 지원합니다.
생태계, 학습 효율성 및 다재다능성#
모델 선택은 이론적인 벤치마크만으로 결정되지 않습니다. 개발자 경험과 주변 생태계 역시 매우 중요합니다.
Ultralytics의 강점#
YOLOv8의 핵심 강점 중 하나는 Ultralytics 생태계와 긴밀하게 통합되어 있다는 점입니다. 이 환경은 매우 직관적인 Python API와 풍부한 문서를 바탕으로 "입문부터 전문가 수준까지"의 경험을 제공합니다. 복잡한 환경 설정이 필요한 연구 중심 저장소와 달리, Ultralytics 모델은 사용 편의성으로 잘 알려져 있습니다.
또한 YOLOv8은 본질적으로 다재다능합니다. YOLOv10은 객체 검출만을 위해 최적화되어 있지만, Ultralytics 프레임워크를 사용하면 개발자는 동일한 라이브러리와 API 구조에서 객체 검출, 인스턴스 분할, 이미지 분류, 포즈 추정, 회전 바운딩 박스(OBB) 작업 간에 원활하게 전환할 수 있습니다.
메모리 요구 사항 및 학습#
Ultralytics YOLO 모델은 학습 효율성에 중점을 두고 설계되었습니다. 일반적으로 복잡한 트랜스포머 모델보다 학습 및 추론 중 메모리 사용량이 적어, 개발자는 CUDA 메모리 부족 없이 소비자용 하드웨어나 일반 클라우드 인스턴스에서 최첨단 모델을 학습할 수 있습니다. 세심하게 조정된 기본 하이퍼파라미터와 내장 데이터 증강 기능은 빠른 수렴을 지원합니다.
다음은 Ultralytics Python API를 사용해 모델을 학습하고 검증하는 방법이 얼마나 간단한지 보여 주는 실용적인 예제입니다.
from ultralytics import YOLO
# 사전 학습된 모델을 불러옵니다(일반 작업에는 YOLOv8 권장).
model = YOLO("yolov8n.pt")
# 자동 메모리 관리를 사용해 COCO8 데이터셋으로 모델을 학습합니다.
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# 테스트 이미지에서 추론을 실행합니다.
predictions = model("https://ultralytics.com/images/zidane.jpg")
predictions[0].show()차세대 모델: YOLO26#
YOLOv8과 YOLOv10은 뛰어난 성과를 보여 주었지만, 머신러닝 분야는 끊임없이 발전하고 있습니다. 새로운 프로젝트를 시작하는 개발자에게는 2026년 1월에 출시된 Ultralytics의 최신 플래그십 모델 YOLO26을 활용할 것을 강력히 권장합니다.
YOLO26은 지난 몇 년간의 주요 아키텍처 발전을 하나의 고도로 최적화된 프레임워크에 결합합니다. YOLOv10과 같은 모델이 선보인 엔드투엔드 NMS 없는 설계를 계승하여 배포 파이프라인을 간소화하고 지연 시간 변동을 줄입니다. 또한 LLM 학습 안정성에서 영감을 얻은 하이브리드 MuSGD 옵티마이저를 도입해 더 빠르고 안정적인 수렴을 지원합니다.
YOLO26의 주요 개선 사항은 다음과 같습니다.
- 최대 43% 빠른 CPU 추론: Distribution Focal Loss(DFL)를 제거해 엣지 디바이스에 맞게 대폭 최적화했습니다.
- ProgLoss + STAL: 드론 이미지와 IoT 센서에서 중요한 소형 객체 인식 성능을 크게 향상하는 고급 손실 함수입니다.
- 작업별 개선 사항: 분할, 포즈 추정, OBB를 위한 전용 아키텍처로 모든 비전 분야에서 최고 수준의 성능을 보장합니다.
적합한 사용 사례 및 배포 전략#
이러한 아키텍처 중 하나를 선택할 때는 배포 환경의 구체적인 요구 사항을 고려하세요.
- YOLOv10을 선택해야 하는 경우: 파라미터 효율성을 최대한 높이는 것이 중요하고, NMS 없는 아키텍처의 초기 구현을 시험하려는 순수 객체 검출 파이프라인을 작업하는 경우입니다.
- Ultralytics YOLOv8을 선택해야 하는 경우: 견고한 Ultralytics Platform이 지원하는 매우 안정적이고 프로덕션에 바로 사용할 수 있는 모델이 필요한 경우입니다. 통합되고 유지 관리가 간편한 코드베이스를 사용해 여러 작업(예: 객체를 검출한 다음 분할)을 수행해야 하는 프로젝트에 이상적입니다.
- YOLO26(권장)을 선택해야 하는 경우: 최첨단 정확도, 기본 제공되는 엔드투엔드 NMS 없는 효율성, CPU 및 엣지 하드웨어에서 가능한 한 빠른 속도를 모두 원할 때입니다.
더 폭넓은 선택지를 살펴보고 있다면, 이러한 모델을 YOLO11과 비교하거나 Intel OpenVINO와 같은 특정 엣지 배포 통합을 확인해 비전 AI 애플리케이션을 더욱 가속하는 데 관심이 있을 수 있습니다. Ultralytics가 제공하는 통합 도구를 활용하면 견고한 컴퓨터 비전 솔루션을 그 어느 때보다 쉽게 배포할 수 있습니다.