YOLOv10과 YOLOv8

실시간 객체 탐지는 정확도, 추론 속도, 계산 효율성의 한계를 넓히려는 새로운 아키텍처가 잇따라 등장하며 빠르게 발전해 왔습니다. 이 기술 가이드에서는 컴퓨터 비전의 주요 이정표인 YOLOv10과 Ultralytics YOLOv8을 비교합니다. YOLOv8이 다재다능하고 프로덕션에 바로 사용할 수 있는 표준을 세운 반면, YOLOv10은 후처리 병목을 제거하기 위한 아키텍처 변화를 도입했습니다.

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.

YOLOv10 자세히 알아보기

Ultralytics YOLOv8: 다재다능한 표준 모델#

2023년 1월 출시된 YOLOv8은 아키텍처와 광범위한 머신러닝 생태계와의 긴밀한 통합 덕분에 빠르게 업계 표준으로 자리 잡았습니다.

아키텍처 혁신#

두 모델 모두 기존 YOLO 아키텍처를 크게 개선했지만, 파이프라인에서 서로 약간 다른 측면에 초점을 맞춥니다.

YOLOv10 아키텍처#

YOLOv10의 두드러진 특징은 NMS 프리 학습 전략입니다. 기존 객체 탐지기는 추론 중 겹치는 바운딩 박스를 걸러내기 위해 비최대 억제(NMS)를 사용합니다. 이 단계는 지연 시간을 늘리고 엔드투엔드 배포를 복잡하게 만들 수 있습니다. YOLOv10은 학습 중 일관된 이중 할당을 사용하여 일대일 헤드가 객체 하나당 바운딩 박스 하나를 예측하도록 합니다(Ultralytics 패키지에서는 nms=False로 이 헤드를 선택합니다). 또한 효율성과 정확도를 종합적으로 고려한 모델 설계를 적용해 다양한 구성 요소를 최적화하고 FLOPs와 파라미터 수를 줄입니다.

YOLOv8 아키텍처#

YOLOv8은 이전 모델의 앵커 기반 접근 방식에서 벗어난 앵커 프리 탐지 헤드를 도입했습니다. 이를 통해 박스 예측 수를 줄이고 NMS 연산 속도를 높입니다. 또한 YOLOv8은 C2f 모듈(두 개의 컨볼루션을 사용하는 크로스 스테이지 부분 병목 구조)을 도입해 계산 비용을 크게 늘리지 않으면서 그래디언트 흐름을 개선하고 네트워크가 더 풍부한 특징 표현을 학습하도록 합니다. 분류와 회귀 태스크를 분리하는 디커플드 헤드는 수렴 속도를 높이고 전반적인 정확도를 향상합니다.

성능 및 벤치마크#

모델을 엣지 디바이스나 클라우드 서버에 배포할 때는 속도와 정확도 간의 절충이 매우 중요합니다. 아래 표에서는 두 모델을 다양한 크기별로 직접 비교합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

참고: 대시(-)는 동일한 테스트 조건에서 공식적으로 보고되지 않은 지표를 나타냅니다.

데이터에서 확인할 수 있듯이 YOLOv10은 파라미터 효율성이 뛰어나며, 파라미터와 FLOPs를 더 적게 사용하면서 모든 크기에서 대응하는 YOLOv8 모델보다 높은 mAP를 달성합니다. YOLOv8은 속도 면에서 여전히 경쟁력이 있습니다. YOLOv8n은 표에서 가장 빠른 T4 TensorRT 시간(1.47ms)을 기록하며, CPU ONNX 속도가 보고된 모델은 YOLOv8뿐입니다.

하드웨어 가속

프로덕션 환경을 목표로 한다면 ONNX나 TensorRT 같은 형식을 사용해 추론 속도를 크게 높일 수 있습니다. YOLOv8과 YOLOv10 모두 이러한 최적화된 그래프 형식으로 바로 내보낼 수 있습니다.

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 직관적인 Python API와 폭넓은 문서를 제공합니다. 복잡한 환경 설정이 필요한 연구 중심 저장소와 달리 Ultralytics 모델은 사용 편의성으로 잘 알려져 있습니다.

또한 YOLOv8은 본질적으로 다재다능합니다. YOLOv10이 객체 탐지에만 최적화된 반면, Ultralytics 프레임워크를 사용하면 개발자는 동일한 라이브러리와 API 구조에서 객체 탐지, 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB) 태스크를 전환하며 사용할 수 있습니다.

메모리 요구 사항 및 학습#

Ultralytics YOLO 모델은 학습 효율성을 중시해 설계되었습니다. 복잡한 Transformer 모델보다 학습과 추론 중 메모리 사용량이 대체로 적어, CUDA 메모리 부족 없이 일반 소비자용 하드웨어나 표준 클라우드 인스턴스에서 최첨단 모델을 학습할 수 있습니다. 잘 조정된 기본 하이퍼파라미터와 내장 데이터 증강 기능은 모델이 빠르게 수렴하도록 돕습니다.

Ultralytics Python API를 사용해 모델을 학습하고 추론을 실행하는 과정이 얼마나 간단한지 보여주는 실용적인 예시는 다음과 같습니다.

from ultralytics import YOLO

# 사전 학습된 YOLOv8n 모델을 로드합니다
model = YOLO("yolov8n.pt")

# COCO8 예제 데이터셋으로 모델 학습
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 중요한 이정표였지만 이 분야는 계속 발전하고 있습니다. 새로운 프로젝트에는 2026년 1월 출시된 최신 모델 제품군인 YOLO26을 권장합니다.

YOLO26은 최신 아키텍처 발전을 단일 프레임워크에 결합합니다. YOLOv10의 엔드투엔드 NMS 프리 설계를 선택적 일대일 헤드(nms=False)로 채택해 배포 파이프라인을 간소화하고 지연 시간 변동성을 줄입니다. 또한 LLM 학습에서 영감을 받은 SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 도입해 더 빠르고 안정적인 수렴을 지원합니다.

YOLO26의 주요 개선 사항은 다음과 같습니다.

  • CPU 추론 최대 43% 향상: Distribution Focal Loss(DFL) 제거의 도움으로 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행됩니다.
  • ProgLoss + STAL: 점진적 손실 함수와 소형 객체 인식 라벨 할당은 소형 객체 인식 성능을 높여 드론 이미지와 IoT 센서에서 중요한 문제를 해결합니다.
  • 태스크별 개선 사항: 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 포즈 추정, OBB 전반에 걸쳐 태스크별 헤드와 손실 함수를 제공합니다.

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 선택할 경우: Ultralytics Platform이 지원하는 안정적이고 프로덕션에 바로 사용할 수 있는 모델이 필요합니다. 객체를 탐지한 다음 세그멘테이션하는 등 여러 태스크를 통합된 유지 관리하기 쉬운 코드베이스에서 처리해야 하는 프로젝트에 적합합니다.
  • YOLO26을 선택할 경우(권장): 정확도, 선택적 엔드투엔드 NMS 프리 추론, CPU 및 엣지 하드웨어에서의 빠른 속도를 균형 있게 원할 때 적합합니다.

더 넓은 범위의 모델을 살펴보고 있다면 YOLO11과 비교하거나 Intel OpenVINO 같은 엣지 배포 통합을 활용해 비전 AI 애플리케이션을 더욱 가속하는 방법도 고려해 볼 수 있습니다.

댓글1

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.

  1. koalag564GitHub(수정됨)

    Great technical overview! YOLOv10 introduces a more efficient NMS-free design and refined architecture that enhances both speed and accuracy, especially in complex object detection scenarios. This YOLOv8 comparison, however, highlights how v8 still holds its ground with strong task flexibility, easier deployment, and a well-established ecosystem. The choice between the two often comes down to specific application needs and hardware constraints.