Ultralytics YOLO27:

YOLOv10 vs YOLOX#

컴퓨터 비전 분야는 실시간 객체 감지 아키텍처의 급속한 발전에 의해 성장하고 있습니다. 이 상세한 기술 비교에서는 효율성과 설계 패러다임의 한계를 확장한 두 가지 영향력 있는 모델인 YOLOv10과 YOLOX를 살펴봅니다. 아키텍처 차이, 성능 지표, 학습 방법론을 검토함으로써 개발자와 연구자는 강력한 비전 시스템 배포를 위한 합리적인 결정을 내릴 수 있습니다.

모델 배경 및 기원#

이러한 딥러닝 모델의 기원을 이해하면 모델의 아키텍처 목표와 대상 사용 사례를 파악하는 데 유용한 배경지식을 얻을 수 있습니다.

YOLOv10: 진정한 엔드투엔드 감지를 위한 NMS 제거#

YOLOv10은 오랫동안 지속된 지연 시간 병목을 해결하기 위해 개발되었으며, YOLO 제품군에 네이티브 엔드투엔드 접근 방식을 도입했습니다.

YOLOv10에 대해 자세히 알아보기

YOLOX: 연구와 산업 간 격차 해소#

YOLOX는 기존 YOLO 설계를 앵커 프리 방식으로 구현한 버전으로 등장했으며, 경쟁력 있는 성능과 더불어 간소화된 방법론을 제공하여 특히 산업 현장에서의 배포를 용이하게 하는 데 초점을 맞췄습니다.

YOLOX에 대해 자세히 알아보기

아키텍처 주요 특징 및 혁신#

두 프레임워크 모두 기존 앵커 기반 검출기와는 다른 방식을 사용하지만, 객체 감지 파이프라인에서 서로 다른 문제를 해결합니다.

YOLOX 아키텍처#

YOLOX는 2021년에 생태계에 몇 가지 중요한 업데이트를 도입했습니다. 가장 큰 기여는 앵커 프리 검출기 설계로 전환한 것입니다. 사전 정의된 앵커 박스를 제거함으로써 YOLOX는 다양한 데이터 세트에 필요한 설계 매개변수와 휴리스틱 튜닝의 수를 크게 줄였습니다.

또한 YOLOX는 분리형 헤드를 사용하여 분류 작업과 회귀 작업을 분리합니다. 이를 통해 두 목표 간의 충돌을 해결하고 학습 중 수렴 속도를 크게 높였습니다. 또한 고급 라벨 할당을 위해 SimOTA를 활용하여 COCO 데이터 세트에서 흔히 발생하는 혼잡한 장면과 가림 현상에 대한 처리를 개선합니다.

앵커 프리 방식의 장점

YOLOX가 개척한 방식과 같은 앵커 프리 설계는 모델 튜닝의 복잡성을 크게 낮춥니다. 개발자는 더 이상 사용자 지정 데이터 세트에서 k-means 클러스터링을 수행하여 최적의 앵커 박스 크기를 정의할 필요가 없으므로, 귀중한 준비 시간을 절약할 수 있습니다.

YOLOv10 아키텍처#

YOLOX는 감지 헤드를 개선했지만 추론 중에는 여전히 비최대 억제(NMS)에 의존했으며, 이로 인해 지연 시간이 변동했습니다. YOLOv10은 NMS 없는 학습을 위한 일관된 이중 할당 전략을 도입하여 이 문제를 직접 해결했습니다. 학습 중에는 다대일 및 일대일 라벨 할당을 모두 사용하지만, 추론 중에는 다대일 헤드를 완전히 제거하여 NMS 후처리 없이 정제된 예측을 출력합니다.

YOLOv10은 효율성과 정확도를 종합적으로 고려한 모델 설계도 특징으로 합니다. 경량 분류 헤드와 공간-채널 분리형 다운샘플링을 적용하여 정확도를 저하시키지 않으면서 파라미터 수와 FLOPs를 크게 줄였습니다.

성능 비교#

NVIDIA T4 GPU와 같은 하드웨어에서 이러한 모델을 평가하면 규모에 따라 뚜렷한 장점이 나타납니다. 아래는 종합 비교 표입니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

위에서 확인할 수 있듯이 YOLOv10은 매우 뛰어난 확장성을 보여줍니다. YOLOv10x 변형은 가장 높은 정확도(54.4 mAP)를 달성하며, YOLOv10n 변형은 TensorRT 통합을 통해 가장 빠른 추론 속도를 제공합니다. 반면 기존 YOLOX nano 모델은 리소스가 크게 제한된 환경에 적합하도록 전체 규모가 가장 작습니다.

학습 방법론 및 리소스 요구 사항#

프로덕션에 모델을 구현할 때는 순수한 추론 속도만큼이나 학습 생태계와 리소스 요구 사항도 중요합니다.

YOLOX는 관리하기 번거로울 수 있는 오래된 환경 구성을 사용하는 경우가 많습니다. 또한 레거시 코드베이스로 인해 멀티 GPU 분산 학습이나 혼합 정밀도 최적화를 수행하려면 더 많은 보일러플레이트 코드가 필요합니다.

반면 YOLOv10은 최신 PyTorch 워크플로와 원활하게 통합되지만, 개발자 경험을 진정으로 혁신하는 요소는 Ultralytics 생태계입니다. Ultralytics 모델은 RT-DETR과 같은 Transformer 기반 아키텍처에 비해 학습 중 CUDA 메모리 사용량이 크게 낮다는 특징이 있습니다.

코드 예제: 간소화된 학습#

통합 Ultralytics API를 사용하면 몇 줄의 Python 코드만으로 최첨단 모델을 원활하게 학습할 수 있습니다. 이를 통해 C++ 연산자를 수동으로 컴파일하거나 복잡한 구성 파일을 작성할 필요가 없습니다.

from ultralytics import YOLO

# Initialize a pre-trained YOLOv10 model
model = YOLO("yolov10s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

# Export the optimized model to ONNX format
model.export(format="onnx")

이 간단한 구문을 사용하면 자동 혼합 정밀도, 자동 데이터 증강, Weights & Biases와 같은 도구와의 통합을 별도의 설정 없이 즉시 활용할 수 있습니다.

사용 사례 및 권장 사항#

YOLOv10과 YOLOX 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.

YOLOv10을 선택해야 하는 경우#

YOLOv10은 다음과 같은 경우에 적합합니다:

  • NMS-Free 실시간 탐지: 비최대 억제 없이 엔드투엔드 탐지의 이점을 활용하여 배포 복잡성을 줄이는 애플리케이션입니다.
  • 균형 잡힌 속도-정확도 절충: 다양한 모델 규모에서 추론 속도와 탐지 정확도 사이의 뛰어난 균형이 필요한 프로젝트입니다.
  • 일관된 지연 시간이 필요한 애플리케이션: 로보틱스 또는 자율 시스템과 같이 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.

YOLOX를 선택할 시점#

다음과 같은 경우 YOLOX를 권장합니다.

  • 앵커 프리 감지 연구: 새로운 감지 헤드 또는 손실 함수를 실험하기 위한 기준선으로 YOLOX의 깔끔한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
  • 초경량 엣지 디바이스: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 레거시 모바일 하드웨어에 배포하는 경우입니다.
  • SimOTA 라벨 할당 연구: 최적 수송 기반 라벨 할당 전략과 이러한 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

  • NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
  • 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.

비전 AI의 미래: YOLO26의 등장#

YOLOv10과 YOLOX가 주요 이정표를 세웠지만, 컴퓨터 비전 분야는 끊임없이 발전하고 있습니다. 오늘날 새로운 프로젝트를 시작하는 개발자에게는 Ultralytics YOLO26을 확실히 권장합니다.

2026년 1월에 출시된 Ultralytics YOLO26은 YOLOv10이 개척한 엔드투엔드 NMS 없는 설계라는 기반의 혁신을 바탕으로 더욱 향상된 안정성과 속도를 제공합니다.

YOLO26은 다음과 같은 몇 가지 큰 도약을 통해 차별화됩니다.

  • 최대 43% 더 빠른 CPU 추론: YOLO26은 Distribution Focal Loss(DFL)를 전략적으로 제거하여 GPU가 없는 엣지 디바이스에서 훨씬 뛰어난 성능을 달성합니다.
  • MuSGD Optimizer: LLM 학습의 안정성에서 영감을 받은 이 새로운 SGD와 Muon의 하이브리드는 더 빠른 수렴과 매우 안정적인 학습 실행을 보장합니다.
  • ProgLoss + STAL: 이러한 고급 손실 함수는 소형 객체 인식 성능을 크게 향상하며, 이는 항공 이미지와 IoT 센서에서 중요한 요소입니다.
  • 탁월한 범용성: YOLOX가 엄격하게 객체 검출기 역할만 수행하는 것과 달리, YOLO26은 단일 통합 라이브러리에서 인스턴스 세그멘테이션, 자세 추정, 이미지 분류, OBB 감지를 네이티브로 지원합니다.
Ultralytics Platform 활용

프로덕션으로 전환하는 가장 간단한 방법으로 개발자는 Ultralytics Platform을 사용하여 데이터 세트에 어노테이션을 지정하고, 클라우드에서 YOLO26 모델을 학습하며, 별도의 설정 없이 모든 엣지 디바이스에 배포할 수 있습니다.

실제 애플리케이션#

적합한 모델을 선택하는 것은 다양한 산업 분야에서 실제 배포의 성공을 좌우합니다.

고속 비디오 분석#

스마트 시티 교통 관리와 같이 밀집된 비디오 스트림을 처리할 때 YOLOv10은 NMS 없는 후처리 덕분에 상당한 이점을 제공합니다. NMS 병목을 제거하면 일관되게 낮은 지연 시간을 구현할 수 있어 BoT-SORT와 같은 트래킹 알고리즘과 함께 사용하기에 적합합니다.

레거시 엣지 배포#

기존 학술 환경이나 순수 합성곱 패러다임에 맞게 고도로 최적화된 레거시 Android 애플리케이션에서는, 오래된 PyTorch 환경을 유지하는 것이 허용 가능한 절충안인 특수한 사용 사례에 YOLOX-Tiny와 같은 소형 모델을 여전히 활용할 수 있습니다.

최신 엣지 및 IoT 디바이스#

로보틱스, 드론, 소매점 선반 분석과 같은 차세대 하드웨어 배포에는 YOLO26이 최적의 솔루션입니다. 크게 줄어든 CPU 지연 시간과 뛰어난 소형 객체 감지 성능을 바탕으로 자율 내비게이션과 세밀한 재고 관리에 특히 적합합니다.

딥러닝 도구 모음을 확장하기 위한 추가 비교로, 유연한 YOLO11이나 Transformer 기반 RT-DETR과 같은 대안과 비교했을 때 이러한 모델이 어떤 성능을 보이는지도 살펴볼 수 있습니다.

기여자
GLglenn-jocher14PDpderrenger1

댓글