YOLOv10 vs YOLOv8#
실시간 객체 감지의 발전은 정확도, 추론 속도, 계산 효율성의 한계를 뛰어넘기 위해 시도한 획기적인 아키텍처들이 빠르게 연이어 등장하는 양상을 보여 왔습니다. 이 종합 기술 가이드에서는 컴퓨터 비전 분야의 두 가지 주요 이정표인 YOLOv10과 **Ultralytics YOLOv8**을 비교합니다. YOLOv8이 매우 다재다능하고 프로덕션 환경에 바로 사용할 수 있는 표준을 확립한 반면, YOLOv10은 후처리 병목을 제거하는 데 중점을 둔 아키텍처 변화를 도입했습니다.
이러한 모델의 고유한 장점, 아키텍처, 성능 지표를 이해하는 것은 실제 시나리오에 최첨단 비전 AI 솔루션을 배포하려는 개발자와 연구자에게 매우 중요합니다.
기술 사양 및 저자 정보#
이러한 모델을 효과적으로 평가하려면 모델의 기원과 각 연구팀이 중점을 둔 핵심 사항을 이해하는 것이 도움이 됩니다.
YOLOv10: 엔드투엔드 효율성#
칭화대학교 연구진이 개발한 YOLOv10은 이전 세대에서 후처리 단계로 인해 발생한 계산 오버헤드를 해결하도록 설계되었습니다.
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 기관: 칭화대학교
- 날짜: 2024-05-23
- Arxiv: 2405.14458
- GitHub: THU-MIG/yolov10
- 문서: YOLOv10 문서
Ultralytics YOLOv8: 다재다능한 표준#
2023년 초에 출시된 YOLOv8은 견고한 아키텍처와 광범위한 머신러닝 생태계와의 뛰어난 통합을 바탕으로 빠르게 업계의 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 중점을 두는 세부 영역은 약간 다릅니다.
YOLOv10 아키텍처#
YOLOv10의 가장 큰 특징은 NMS가 필요 없는 학습 전략입니다. 기존에는 객체 감지기가 추론 중 비최대 억제(NMS)에 의존하여 겹치는 바운딩 박스를 필터링했습니다. 이 단계는 지연 시간을 증가시키고 엔드투엔드 배포를 복잡하게 만들 수 있습니다. YOLOv10은 학습 중 일관된 이중 할당을 사용하므로 모델이 각 객체에 대해 정확한 바운딩 박스 하나를 기본적으로 예측할 수 있습니다. 또한 전체적인 효율성-정확도 기반 모델 설계를 적용하여 다양한 구성 요소를 최적화하고 FLOPs와 파라미터 수를 크게 줄입니다.
YOLOv8 아키텍처#
YOLOv8은 앵커가 필요 없는 감지 헤드를 도입하여 이전 모델의 앵커 기반 접근 방식에서 벗어났습니다. 이를 통해 박스 예측 수가 줄어들고 NMS 연산 속도가 빨라집니다. 또한 YOLOv8은 C2f 모듈(두 개의 컨볼루션을 사용하는 Cross-Stage Partial 병목 구조)을 통합하여 그래디언트 흐름을 개선하고 계산 비용을 크게 늘리지 않으면서 네트워크가 더 풍부한 특징 표현을 학습할 수 있도록 합니다. 디커플링된 헤드 구조는 객체성, 분류, 회귀 작업을 분리하여 더 빠른 수렴과 전반적으로 높은 정확도를 제공합니다.
성능 및 벤치마크#
엣지 디바이스 또는 클라우드 서버에 모델을 배포할 때 속도와 정확도 간의 균형은 매우 중요합니다. 아래 표는 다양한 크기에서 두 모델을 직접 비교한 결과를 제공합니다.
| 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 |
| 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 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
참고: 빈 셀은 동일한 테스트 조건에서 공식적으로 보고되지 않은 지표를 나타냅니다.
데이터에서 확인할 수 있듯이 YOLOv10은 뛰어난 파라미터 효율성을 보이며, 더 적은 파라미터와 FLOPs를 사용하면서도 YOLOv8의 대응 모델과 비슷하거나 더 높은 mAP를 달성하는 경우가 많습니다. 그러나 YOLOv8도 매우 경쟁력 있는 모델로, 최신 GPU에서 추론 지연 시간을 최소화하는 고도로 최적화된 TensorRT 통합을 제공합니다.
프로덕션 환경을 대상으로 할 때 ONNX 또는 TensorRT와 같은 형식을 사용하면 추론 속도를 크게 향상할 수 있습니다. YOLOv8과 YOLOv10 모두 이러한 고도로 최적화된 그래프 형식으로 원활하게 내보내기를 지원합니다.
생태계, 학습 효율성 및 다재다능함#
모델 선택은 이론적 벤치마크를 넘어서는 문제이며, 개발자 경험과 주변 생태계도 그에 못지않게 중요합니다.
Ultralytics의 강점#
YOLOv8의 핵심 강점 중 하나는 Ultralytics 생태계와 긴밀하게 통합되어 있다는 점입니다. 이 환경은 매우 직관적인 Python API와 광범위한 문서를 바탕으로 한 "초보자에서 전문가까지"의 경험을 제공합니다. 복잡한 환경 설정이 필요할 수 있는 연구 중심 리포지토리와 달리, Ultralytics 모델은 사용 편의성으로 잘 알려져 있습니다.
또한 YOLOv8은 본질적으로 다재다능합니다. YOLOv10이 객체 감지에만 엄격히 최적화된 반면, Ultralytics 프레임워크에서는 개발자가 동일한 라이브러리와 API 구조 안에서 객체 감지, 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 지향성 바운딩 박스(OBB) 작업 간에 원활하게 전환할 수 있습니다.
메모리 요구 사항 및 학습#
Ultralytics YOLO 모델은 학습 효율성에 중점을 두고 설계되었습니다. 일반적으로 복잡한 Transformer 모델에 비해 학습 및 추론 중 메모리 사용량이 적으므로, 개발자는 CUDA 메모리 부족 없이 소비자용 하드웨어나 일반적인 클라우드 인스턴스에서 최첨단 모델을 학습할 수 있습니다. 하이퍼파라미터 튜닝과 데이터 증강을 자동으로 처리하므로 빠른 수렴이 가능합니다.
다음은 Ultralytics Python API를 사용하여 모델을 학습하고 검증하는 과정이 얼마나 간단한지 보여 주는 실용적인 예시입니다.
from ultralytics import YOLO
# Load a pretrained model (YOLOv8 recommended for general tasks)
model = YOLO("yolov8n.pt")
# Train the model on the COCO8 dataset with automatic memory management
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Run inference on a test image
predictions = model("https://ultralytics.com/images/zidane.jpg")
predictions[0].show()차세대 모델: YOLO26#
YOLOv8과 YOLOv10은 뛰어난 이정표이지만 머신러닝 분야는 끊임없이 발전하고 있습니다. 새로운 프로젝트를 시작하는 개발자에게는 2026년 1월 Ultralytics가 출시한 최신 플래그십 모델인 **YOLO26**을 활용할 것을 적극 권장합니다.
YOLO26은 지난 몇 년간의 주요 아키텍처 발전을 하나의 고도로 최적화된 프레임워크로 결합합니다. YOLOv10과 같은 모델이 개척한 엔드투엔드 NMS가 필요 없는 설계를 계승하여 배포 파이프라인을 간소화하고 지연 시간의 변동성을 줄입니다. 또한 YOLO26은 LLM 학습 안정성에서 영감을 얻은 하이브리드 방식인 MuSGD 옵티마이저를 도입하여 더 빠르고 안정적인 수렴을 보장합니다.
YOLO26의 주요 개선 사항은 다음과 같습니다.
- 최대 43% 더 빠른 CPU 추론: Distribution Focal Loss (DFL)을 제거하여 엣지 디바이스에 맞게 대폭 최적화했습니다.
- ProgLoss + STAL: 드론 이미지와 IoT 센서에 중요한 작은 객체 인식을 크게 향상하는 고급 손실 함수입니다.
- 작업별 개선: 세그멘테이션, 포즈 추정, OBB를 위한 특화 아키텍처를 적용하여 모든 비전 영역에서 최고 수준의 성능을 보장합니다.
이상적인 사용 사례 및 배포 전략#
이러한 아키텍처 중에서 선택할 때는 배포 환경의 구체적인 요구 사항을 고려해야 합니다.
- YOLOv10을 선택할 경우: 파라미터 효율성을 최대한 높이는 것이 중요하고 NMS가 필요 없는 아키텍처의 초기 구현을 실험하려는 순수 객체 감지 파이프라인에서 작업하는 경우에 적합합니다.
- Ultralytics YOLOv8을 선택할 경우: 견고한 Ultralytics Platform이 지원하는 매우 안정적이고 프로덕션 환경에 바로 사용할 수 있는 모델이 필요한 경우에 적합합니다. 통합되고 유지 관리하기 쉬운 코드베이스를 사용하여 여러 작업(예: 객체를 감지한 후 세그멘테이션)을 수행해야 하는 프로젝트에 이상적인 선택입니다.
- YOLO26(권장)을 선택할 경우: 최첨단 정확도, 기본 제공되는 엔드투엔드 NMS가 필요 없는 효율성, CPU 및 엣지 하드웨어에서 가능한 가장 빠른 속도의 궁극적인 균형을 원하는 경우에 적합합니다.
더 넓은 분야를 살펴보고 있다면 이러한 모델을 YOLO11과 비교하거나, 비전 AI 애플리케이션을 더욱 가속하기 위해 Intel OpenVINO와 같은 특정 엣지 배포 통합 기능을 확인해 보는 것도 좋습니다. Ultralytics가 제공하는 통합 도구를 활용하면 견고한 컴퓨터 비전 솔루션을 그 어느 때보다 쉽게 배포할 수 있습니다.