YOLOv10 대 YOLOX
컴퓨터 비전 분야는 실시간 객체 디텍션 아키텍처의 빠른 발전을 바탕으로 성장하고 있습니다. 이 상세한 기술 비교에서는 디텍터 효율성과 설계를 발전시킨 영향력 있는 두 모델인 YOLOv10과 YOLOX를 살펴봅니다. 아키텍처 차이, 성능 지표, 학습 방법론을 검토하여 개발자와 연구자가 견고한 비전 시스템을 배포할 때 충분한 정보를 바탕으로 결정을 내릴 수 있도록 합니다.
모델의 배경과 기원#
이러한 딥러닝 모델의 기원을 이해하면 아키텍처 목표와 대상 사용 사례를 파악하는 데 유용한 맥락을 얻을 수 있습니다.
YOLOv10: 진정한 엔드투엔드 탐지를 위한 NMS 제거#
오랜 시간 지속된 지연 시간 병목 현상을 해결하기 위해 개발된 YOLOv10은 YOLO 계열에 네이티브 엔드투엔드 접근 방식을 도입했습니다.
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 날짜: 2024년 5월 23일
- arXiv: 2405.14458
- GitHub: THU-MIG/yolov10
- 문서: Ultralytics YOLOv10 문서
YOLOX: 연구와 산업 간의 간극 해소#
YOLOX는 기존 YOLO 설계의 앵커 프리 버전으로 등장했으며, 산업 현장에서의 배포를 쉽게 하는 데 중점을 두고 경쟁력 있는 성능과 더 단순한 방법론을 제공합니다.
- 저자: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- 조직: Megvii
- 날짜: 2021년 7월 18일
- arXiv: 2107.08430
- GitHub: Megvii-BaseDetection/YOLOX
- 문서: YOLOX 공식 문서
아키텍처의 주요 특징과 혁신#
두 프레임워크 모두 기존 앵커 기반 탐지기와는 다르지만, 객체 탐지 파이프라인의 서로 다른 문제를 해결합니다.
YOLOX 아키텍처#
YOLOX는 2021년에 YOLO 설계에 몇 가지 중요한 업데이트를 도입했습니다. 주요 기여는 앵커 프리 검출기 설계로 전환한 것입니다. 사전 정의된 앵커 박스를 제거함으로써 YOLOX는 다양한 데이터셋에 필요한 설계 매개변수와 휴리스틱 튜닝을 줄였습니다.
또한 YOLOX는 분리형 헤드를 사용해 분류 작업과 회귀 작업을 분리합니다. 이를 통해 두 목표 간의 충돌을 해결하고 학습 중 수렴 속도를 높였습니다. 아울러 SimOTA를 사용해 동적으로 라벨을 할당하므로, COCO 데이터셋에서 흔히 나타나는 혼잡한 장면과 가려짐을 더 잘 처리합니다.
YOLOX에서 사용한 것과 같은 앵커 프리 설계는 모델 튜닝의 복잡성을 줄입니다. 개발자는 최적의 앵커 박스 크기를 정의하기 위해 더 이상 커스텀 데이터셋에 k-means 클러스터링을 수행할 필요가 없으므로 준비 시간을 절약할 수 있습니다.
YOLOv10 아키텍처#
YOLOX는 검출 헤드를 개선했지만 추론 중에는 여전히 비최대 억제(NMS)에 의존하므로 지연 시간의 변동이 발생합니다. YOLOv10은 NMS 없는 학습을 위한 일관된 이중 할당 전략을 도입해 이러한 한계를 구체적으로 해결했습니다. 학습 중에는 일대다 및 일대일 라벨 할당을 모두 사용하지만, 추론 중에는 일대다 헤드를 완전히 제거하고 NMS 후처리 없이 예측을 출력할 수 있습니다(Ultralytics 패키지에서는 nms=False을 사용해 이 헤드를 선택합니다).
YOLOv10은 효율성과 정확도를 종합적으로 고려한 모델 설계도 특징입니다. 경량 분류 헤드와 공간-채널 분리 다운샘플링을 적용해 정확도를 유지하면서 매개변수 수와 FLOPs를 줄입니다.
성능 비교#
NVIDIA T4 GPU와 같은 하드웨어에서 모델을 평가하면 모델 규모에 따라 뚜렷한 장점이 드러납니다. 아래 표에서 두 모델 계열을 비교합니다.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
위에서 볼 수 있듯이 YOLOv10은 다양한 규모로 잘 확장됩니다. YOLOv10x 변형은 가장 높은 정확도(54.4 mAP)를 달성하고, YOLOv10n 변형은 가장 빠른 보고 TensorRT 추론 속도를 제공합니다. 반면 YOLOX-Nano 모델은 리소스가 크게 제한된 환경에서 가장 작은 크기(416픽셀에서 매개변수 0.91M)를 차지합니다.
학습 방법론과 리소스 요구 사항#
프로덕션용 모델을 구현할 때는 학습 생태계와 리소스 요구량도 순수 추론 속도만큼 중요합니다.
YOLOX는 종속성과 환경 구성을 최신 소프트웨어 스택에서 관리하기 번거로울 수 있는 오래된 코드베이스에 의존합니다.
반면 YOLOv10은 Ultralytics 에코시스템에 통합되어 있어 개발자 경험을 간소화합니다. Ultralytics YOLO 모델은 RT-DETR과 같은 Transformer 기반 아키텍처보다 학습 중 CUDA 메모리도 적게 사용합니다.
코드 예제: 간소화된 학습#
통합 Ultralytics API를 사용하면 C++ 연산자를 직접 컴파일하거나 복잡한 구성 파일을 편집하지 않고도 Python 코드 몇 줄만으로 모델을 학습할 수 있습니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv10 모델 초기화
model = YOLO("yolov10s.pt")
# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 모델 성능 검증
metrics = model.val()
# 최적화된 모델을 ONNX 형식으로 내보내기
model.export(format="onnx")이 간단한 구문만으로 자동 혼합 정밀도, 자동 데이터 증강, Weights & Biases와 같은 도구와의 통합을 즉시 사용할 수 있습니다.
사용 사례 및 권장 사항#
YOLOv10과 YOLOX 중에서 선택할 때는 구체적인 프로젝트 요구 사항, 배포 제약, 선호하는 생태계를 고려해야 합니다.
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.
YOLOX를 선택해야 하는 경우#
다음과 같은 경우 YOLOX를 권장합니다.
- 앵커 프리 탐지 연구: 새로운 탐지 헤드나 손실 함수를 실험하기 위한 기준 모델로 YOLOX의 간결한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
- 초경량 엣지 장치: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 구형 모바일 하드웨어에 배포하는 경우입니다.
- SimOTA 레이블 할당 연구: 최적 수송 기반 레이블 할당 전략과 해당 전략이 학습 수렴에 미치는 영향을 조사하는 연구 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.
비전 AI의 미래: YOLO26의 등장#
YOLOv10과 YOLOX는 중요한 이정표이지만, 이 분야는 계속 발전하고 있습니다. 새 프로젝트를 시작하는 개발자에게는 Ultralytics YOLO26을 권장합니다.
2026년 1월에 출시된 Ultralytics YOLO26은 YOLOv10이 YOLO 모델에 도입한 엔드투엔드 NMS 프리 설계를 기반으로 하며, 선택적 일대일 헤드(nms=False)로 제공합니다.
YOLO26에는 그 밖에도 다음과 같은 개선 사항이 도입되었습니다.
- 최대 43% 더 빠른 CPU 추론: Distribution Focal Loss(DFL)를 제거해 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 GPU가 없는 엣지 디바이스에 유용합니다.
- MuSGD 옵티마이저: LLM 학습에서 영감을 받은 SGD와 Muon의 하이브리드로, 더 빠른 수렴과 안정적인 학습을 지원합니다.
- ProgLoss + STAL: Progressive Loss와 소형 객체 인식 라벨 할당은 소형 객체 인식 성능을 높입니다. 이는 항공 이미지와 IoT 센서에서 중요한 요소입니다.
- 다용도성: 엄밀히 말해 객체 검출기인 YOLOX와 달리 YOLO26은 단일 통합 라이브러리에서 인스턴스 분할, 시맨틱 분할, 깊이 추정, 이미지 분류, 포즈 추정, OBB 검출을 기본 지원합니다.
가장 간단하게 프로덕션 환경으로 전환하려면 개발자는 Ultralytics Platform을 사용해 데이터셋에 어노테이션을 추가하고, 클라우드에서 YOLO26 모델을 학습한 다음, 최소한의 설정으로 모델을 내보내거나 배포할 수 있습니다.
실제 애플리케이션#
적합한 모델은 배포 시나리오와 산업 분야에 따라 달라집니다.
고속 비디오 분석#
스마트 시티 교통 관리와 같이 밀집된 비디오 스트림을 처리할 때 YOLOv10은 NMS 프리 설계 덕분에 이점을 제공합니다. NMS 병목을 제거하면 지연 시간이 일정하게 유지되므로 BoT-SORT와 같은 추적 알고리즘과 함께 사용하기 좋습니다.
레거시 엣지 배포#
YOLOX를 기반으로 구축된 구형 학술 환경이나 레거시 Android 애플리케이션에서는 오래된 PyTorch 환경을 유지하는 것을 감수할 수 있다면 YOLOX-Tiny와 같은 소형 모델도 여전히 유용할 수 있습니다.
최신 엣지 및 IoT 디바이스#
로보틱스, 드론, 소매점 진열대 분석과 같은 차세대 하드웨어 배포에는 YOLO26을 권장합니다. 낮은 CPU 지연 시간과 향상된 소형 객체 검출 성능 덕분에 자율 주행과 세밀한 재고 관리에 적합합니다.
딥러닝 도구 모음을 확장하기 위해 다른 모델과 추가로 비교해 볼 수도 있습니다. 유연한 YOLO11이나 Transformer 기반 RT-DETR과 비교해 보세요.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.