YOLOv10 YOLOv8: 현대 객체 탐지 기술에 대한 심층 분석
실시간 객체 탐지 기술의 진화는 정확도, 추론 속도, 계산 효율성의 한계를 넘어서려는 시도들로 획기적인 아키텍처들이 빠르게 등장해 왔습니다. 이 포괄적인 기술 가이드에서는 컴퓨터 비전 분야의 두 주요 이정표인 YOLOv10 와 Ultralytics YOLOv8를 비교합니다. YOLOv8 매우 다재다능하고 즉시 생산에 투입 가능한 표준을 YOLOv8 반면, YOLOv10 후처리 병목 현상을 제거하기 위해 특별히 설계된 아키텍처적 변화를 YOLOv10 .
개발자와 연구자들이 최첨단 비전 AI 솔루션을 실제 환경에 적용하기 위해서는 이러한 모델들의 고유한 장점, 아키텍처 및 성능 지표를 이해하는 것이 매우 중요합니다.
기술 사양 및 저작권
이러한 모델들을 효과적으로 평가하기 위해서는 그 기원과 각 연구팀의 핵심 연구 방향을 이해하는 것이 도움이 된다.
YOLOv10: 종단 간 효율성
칭화대학교 연구진이 개발한 YOLOv10 이전 세대의 후처리 단계에서 발생하는 계산 오버헤드를 해결하기 위해 YOLOv10 .
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직:조직: 칭화 대학교
- 날짜:23
- Arxiv:2405.14458
- GitHub:THU-MIG/yolov10
- 문서:10 문서
Ultralytics YOLOv8: 다용도 표준
2023년 초 출시된 YOLOv8 견고한 아키텍처와 광범위한 머신러닝 생태계 내에서의 탁월한 통합성 덕분에 YOLOv8 업계 표준으로 자리매김했습니다.
- 작성자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직:Ultralytics
- 날짜:10
- GitHub:ultralyticsultralytics
아키텍처 혁신
두 모델 모두 기존 YOLO 상당한 개선을 가져왔지만, 파이프라인의 약간 다른 측면을 목표로 합니다.
YOLOv10
YOLOv10 가장 두드러진 특징은 NMSNon-MaximumNMS)NMS NMS 훈련 전략입니다. 기존 객체 탐지기는 추론 과정에서 중첩된 바운딩 박스를 걸러내기 위해 NMS 의존합니다. 이 단계는 지연 시간을 유발하고 종단 간 배포를 복잡하게 만들 수 있습니다. YOLOv10 훈련 과정에서 일관된 이중 할당(dual assignments)을 YOLOv10 모델이 객체당 단일하고 정확한 바운딩 박스를 본질적으로 예측할 수 있게 합니다. 또한 효율성과 정확도를 종합적으로 고려한 모델 설계를 활용하여 다양한 구성 요소를 최적화함으로써 FLOPs와 매개변수 수를 크게 줄입니다.
YOLOv8
YOLOv8 앵커 기반 접근법을 사용한 기존 모델들과 달리 앵커 프리 탐지 헤드를YOLOv8 . 이를 통해 박스 예측 개수를 줄이고 NMS 가속화합니다. 또한 YOLOv8 C2f 모듈 (두 개의 컨볼루션으로 구성된 크로스 스테이지 부분 병목)을 YOLOv8 기울기 흐름을 개선하고, 계산 비용을 크게 증가시키지 않으면서도 네트워크가 더 풍부한 특징 표현을 학습할 수 있게 합니다. 분리된 헤드 구조는 객체성, 분류, 회귀 작업을 분리하여 더 빠른 수렴과 전반적인 정확도 향상을 이끌어냅니다.
성능 및 벤치마크
모델을 에지 디바이스나 클라우드 서버에 배포할 때 속도와 정확도 사이의 절충은 가장 중요한 요소입니다. 아래 표는 다양한 크기의 두 모델을 직접 비교한 것입니다.
| 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 조건 하에서 공식적으로 보고되지 않은 지표를 나타냅니다.
데이터에서 볼 수 있듯이, YOLOv10 탁월한 매개변수 효율성을 YOLOv10 . 종종 YOLOv8 mAP 동일하거나 초과하는 성능을 발휘하면서도 더 적은 매개변수와 FLOPs를 사용합니다. 그러나 YOLOv8 매우 경쟁력 있는 성능을 YOLOv8 , 현대 GPU에서 최소한의 추론 지연 시간을 보장하는 고도로 최적화된 TensorRT 제공합니다.
하드웨어 가속
프로덕션 환경을 대상으로 할 때, 다음과 같은 형식을 활용하는 것이 좋습니다. ONNX 또는 TensorRT 같은 형식을 TensorRT 추론 속도를 획기적으로 향상시킬 TensorRT . YOLOv8 YOLOv10 모두 이러한 고도로 최적화된 그래프 형식으로의 원활한 내보내기를 YOLOv10 .
생태계, 훈련 효율성 및 다용도성
모델 선택은 이론적 벤치마크를 넘어 개발자 경험과 주변 생태계 역시 동등하게 중요합니다.
Ultralytics 이점
YOLOv8 핵심 강점 중 하나는 Ultralytics 긴밀한 YOLOv8 . 이 환경은 매우 직관적인 Python 방대한 문서로 특징지어지는 "초보자도 전문가처럼" 사용할 수 있는 경험을 제공합니다. 복잡한 환경 설정이 필요할 수 있는 연구 중심 저장소와 달리, Ultralytics 사용 편의성으로 유명합니다.
또한 YOLOv8 본질적으로 다목적성을 YOLOv8 . YOLOv10 객체 탐지에만 엄격히 YOLOv10 반면, Ultralytics 개발자가 동일한 라이브러리 및 API 구조 내에서 객체 탐지, 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB) 작업 간에 원활하게 전환할 수 있도록 합니다.
메모리 요구 사항 및 훈련
Ultralytics YOLO 훈련 효율성에 중점을 두고 설계되었습니다. 복잡한 트랜스포머 모델에 비해 훈련 및 추론 시 일반적으로 메모리 사용량이 적어, 개발자가 CUDA 부족 없이 소비자 등급 하드웨어나 표준 클라우드 인스턴스에서 최첨단 모델을 훈련할 수 있습니다. 하이퍼파라미터 튜닝과 데이터 증강을 자동으로 처리하여 빠른 수렴을 보장합니다.
Ultralytics Python 사용하여 모델을 훈련하고 검증하는 것이 얼마나 간단한지 보여주는 실용적인 예시는 다음과 같습니다:
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: YOLO26
YOLOv8 YOLOv10 탁월한 이정표를 YOLOv10 , 머신러닝 분야는 끊임없이 발전하고 있습니다. 새로운 프로젝트를 시작하는 개발자들에게는 YOLO26를 활용할 것을 강력히 Ultralytics .
YOLO26은 지난 몇 년간의 최고의 아키텍처 발전을 단일하고 고도로 최적화된 프레임워크로 통합합니다. YOLOv10 같은 모델들이 개척한 엔드투엔드 NMS 설계를 계승하여 배포 파이프라인을 간소화하고 지연 시간 변동성을 줄입니다. 또한 YOLO26은 LLM 훈련 안정성에서 영감을 받은 하이브리드 방식인 MuSGD 최적화기를 도입하여 더 빠르고 안정적인 수렴을 보장합니다.
YOLO26의 주요 개선 사항은 다음과 같습니다:
- 최대 43% 빠른 CPU : 분포 초점 손실(DFL) 제거를 통해 에지 디바이스에 최적화되었습니다.
- ProgLoss + STAL: 드론 영상 및 IoT 센서에 필수적인 소형 물체 인식 성능을 획기적으로 향상시키는 고급 손실 함수.
- 작업 특화 개선 사항: 분할, 자세 추정, OBB(OpenBoundingBox)를 위한 특화된 아키텍처로 모든 비전 영역에서 최상위 성능을 보장합니다.
이상적인 사용 사례 및 배포 전략
이러한 아키텍처 중에서 선택할 때는 배포 환경의 특정 요구 사항을 고려하십시오:
- YOLOv10 선택하십시오: 순수한 객체 탐지 파이프라인을 작업 중이며 매개변수 효율성을 극대화하는 것이 중요하고, NMS 초기 아키텍처 구현을 실험하고자 할 때.
- YOLOv8 Ultralytics YOLOv8 선택하십시오: 강력한 Ultralytics 지원하는 매우 안정적이고 즉시 생산 환경에 적용 가능한 모델이 필요한 경우입니다. 통합되고 유지보수가 쉬운 코드베이스로 여러 작업(예: 객체 탐지 후 분할)을 수행해야 하는 프로젝트에 이상적인 선택입니다.
- YOLO26(권장)을 선택해야 하는 경우: 최첨단 정확도, 네이티브 엔드투엔드 NMS 효율성, 그리고 CPU 에지 하드웨어에서 가능한 가장 빠른 속도 사이의 궁극적인 균형을 원할 때.
더 넓은 지형을 탐색 중이라면, 이 모델들을 다음과 비교해 보는 것도 흥미로울 수 있습니다. YOLO11 과 비교하거나 Intel OpenVINO 과 같은 특정 에지 배포 통합을 살펴보는 것도 비전 AI 애플리케이션 가속화에 도움이 될 수 있습니다. Ultralytics 제공하는 통합 도구를 활용하면 강력한 컴퓨터 비전 솔루션 배포가 그 어느 때보다 쉬워졌습니다.