YOLOv5와 YOLO26#
컴퓨터 비전의 발전은 더 빠르고 정확하며 접근성이 높은 모델을 향한 끊임없는 노력으로 정의되어 왔습니다. Ultralytics YOLOv5와 최첨단 Ultralytics YOLO26을 비교하면, 탄탄한 기존 시스템과 최신 AI 배포 기술 사이의 간극을 메우는 패러다임의 변화를 확인할 수 있습니다.
이 가이드에서는 두 아키텍처의 성능 지표, 구조적 차이, 이상적인 배포 시나리오를 살펴보며 포괄적인 기술 분석을 제공합니다.
모델 개요#
YOLOv5: 업계의 주력 모델#
2020년에 출시된 YOLOv5는 객체 탐지의 접근성을 혁신했습니다. 아키텍처를 PyTorch 프레임워크로 네이티브 이전하여 개발자에게 전례 없는 "초보자에서 전문가로" 이어지는 경험을 제공했습니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 문서: YOLOv5 문서
YOLOv5는 높은 수준으로 유지 관리되는 Ultralytics 생태계의 기반을 마련했습니다. 공격적인 데이터 증강 기법, 효율적인 학습 루프, CoreML 및 ONNX와 같은 엣지 포맷으로의 최적화된 내보내기 경로를 도입했습니다. 사용하기 쉽고 학습 중 메모리 요구량이 낮아 전 세계 스타트업과 연구자들이 널리 사용했습니다.
YOLO26: 차세대 비전 AI 표준#
2026년 1월로 건너뛰면, Ultralytics YOLO26은 실시간 비전 AI의 정점을 보여줍니다. YOLOv8 및 YOLO11과 같은 중간 세대 모델에서 얻은 교훈을 네이티브로 통합하고, 대규모 언어 모델(LLM) 학습에서 영감을 얻은 획기적인 발전을 선보입니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: YOLO26 문서
YOLO26은 성능 균형의 새로운 기준을 제시하며, 최첨단 정확도를 제공하는 동시에 엣지 컴퓨팅 환경에서 뛰어난 성능을 발휘하도록 명시적으로 설계되었습니다.
이전 코드베이스를 마이그레이션하는 경우, 포즈 추정 및 방향성 바운딩 박스(OBB)와 같은 다양한 작업을 지원하는 이전 세대 모델인 YOLO11과 YOLOv5를 비교해 보는 것도 좋습니다.
YOLO26의 아키텍처 혁신#
YOLOv5는 앵커 기반 탐지 헤드와 표준 손실 함수를 사용하지만, YOLO26은 배포 병목 현상을 제거하기 위해 내부 메커니즘을 전면 개편했습니다.
- 종단 간 NMS-Free 설계: 가장 큰 차이점은 YOLO26에서 네이티브로 제공하는 종단 간 추론 옵션입니다. 중복 바운딩 박스를 필터링하기 위해 비최대 억제(NMS)가 필요한 YOLOv5와 달리, YOLO26의 선택적 일대일 헤드(
nms=False)는 이 후처리 단계를 완전히 생략합니다. 이를 통해 추론 지연 시간이 결정적으로 유지되고 C++ 또는 임베디드 하드웨어와의 통합이 크게 간소화됩니다. - DFL 제거: YOLO26은 분포 초점 손실(DFL)을 제거합니다. 이러한 아키텍처적 선택은 모델 내보내기를 크게 간소화하고, 복잡한 연산자를 처리하는 데 어려움을 겪는 저전력 엣지 디바이스 및 마이크로컨트롤러와의 호환성을 높입니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2에서 착안한 YOLO26은 SGD와 Muon을 결합한 MuSGD 옵티마이저를 사용합니다. 이를 통해 LLM 학습에서 확인된 안정성과 빠른 수렴을 컴퓨터 비전에 적용하여, Transformer 기반 모델보다 메모리 사용량을 낮추고 학습 주기를 단축합니다.
- ProgLoss + STAL: YOLO26은 정교한 ProgLoss 및 STAL 함수를 사용하여 YOLOv5의 오랜 과제였던 작고 밀집된 객체 탐지 성능을 크게 향상합니다.
성능 비교#
COCO 데이터셋에서 모델을 비교하면, YOLO26은 모든 규모에서 정밀도(mAP)가 크게 향상되며, 중간 크기 모델부터는 파라미터 수도 더 적습니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
참고: YOLO26 Nano(YOLO26n)는 YOLOv5n의 28.0 mAP와 비교해 놀라운 40.9 mAP를 달성합니다. 파라미터를 0.5M만 추가해 12.9포인트 향상했으며, DFL 제거와 NMS-Free 헤드로 CPU 및 엣지 배포도 간소화됩니다.
다용도성과 작업 지원#
YOLOv5는 주로 객체 탐지로 잘 알려져 있습니다. 이후 업데이트에서 기본적인 세그멘테이션 기능이 추가되었지만, YOLO26은 처음부터 통합 멀티태스크 엔진으로 설계되었습니다.
YOLO26은 다음 작업을 기본적으로 지원합니다.
- 인스턴스 세그멘테이션: 작업별 멀티스케일 프로토와 시맨틱 세그멘테이션 손실을 제공합니다.
- 시맨틱 세그멘테이션: 픽셀 단위의 조밀한 클래스 라벨링입니다.
- 깊이 추정: 단일 이미지에서 픽셀별 깊이를 예측합니다.
- 이미지 분류: 이미지 전체를 표준 방식으로 분류합니다.
- 포즈 추정: 정확도가 높은 키포인트 탐지를 위해 잔차 로그 가능도 추정(RLE)을 활용합니다.
- 방향성 바운딩 박스(OBB): 경계 불연속 문제를 해결하기 위한 전용 각도 손실을 포함하며, 위성 이미지 분석에 필수적입니다.
두 모델 모두 Ultralytics Platform을 활용해 원활한 데이터 어노테이션, 클라우드 학습, 원클릭 배포를 지원합니다. 다만 YOLO26은 최신 API 구조를 최대한 활용합니다.
사용법 및 코드 예제#
Ultralytics Python API를 사용하면 모델을 매우 간단하게 전환할 수 있습니다. 두 모델 모두 동일하게 잘 유지 관리되는 생태계를 공유하므로, 기존 YOLOv5 파이프라인을 YOLO26으로 업데이트할 때 가중치 파일만 변경하면 됩니다.
Python 예제#
from ultralytics import YOLO
# YOLOv5를 사용하려면 v5 가중치 파일을 로드합니다
# model = YOLO("yolov5su.pt")
# 권장 YOLO26 모델로 마이그레이션합니다
model = YOLO("yolo26n.pt")
# COCO8 데이터셋으로 학습합니다. optimizer="auto"는 더 긴 실행(>10k iterations)에 MuSGD를 선택합니다
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=32, # YOLO26은 메모리 사용량이 적어 더 큰 배치 크기를 사용할 수 있습니다
)
# NMS-Free 추론을 실행합니다
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()CLI 예제#
최대 GPU 처리량을 위해 TensorRT 통합을 사용하여 명령줄에서 YOLO26을 직접 배포할 수 있습니다.
# Export the model to TensorRT format
yolo export model=yolo26n.pt format=engine
# Run inference with the compiled engine
yolo predict model=yolo26n.engine source=path/to/video.mp4적합한 사용 사례#
YOLO26을 선택해야 하는 경우#
최신 컴퓨터 비전 프로젝트라면 YOLO26을 단연 추천합니다.
- 엣지 AI 및 IoT: YOLO11n보다 CPU 추론이 최대 43% 빠르고 DFL을 제거했으므로, Raspberry Pi나 모바일 디바이스에 배포하기에 적합합니다.
- 고속 파이프라인: NMS-Free 아키텍처는 안정적이고 예측 가능한 지연 시간을 보장하므로 자율 로봇 및 실시간 보안 경보 시스템에 중요합니다.
- 복잡한 시나리오: 애플리케이션에서 작은 객체(예: 드론 모니터링)나 회전 객체(OBB)를 추적해야 한다면, YOLO26의 고급 손실 함수(ProgLoss + STAL)가 정확도를 크게 높여줍니다.
YOLOv5를 선택해야 하는 경우#
- 레거시 시스템: 프로덕션 환경에 YOLOv5의 특정 앵커 생성 방식이나 NMS 파싱 로직에 대한 하드코딩된 종속성이 있다면, 마이그레이션 과정에서 짧은 리팩터링 기간이 필요할 수 있습니다.
- 특정 학술 기준선: 연구자들은 객체 탐지 아키텍처의 역사적 발전을 보여주는 고전적인 기준 모델로 YOLOv5를 사용하는 경우가 많습니다.
요약#
YOLOv5에서 YOLO26으로의 전환은 단순한 반복 업데이트가 아니라 객체 탐지 모델의 학습과 배포 방식에 근본적인 도약을 가져옵니다. MuSGD 옵티마이저를 활용하고, NMS-Free 설계로 복잡한 후처리를 제거하며, CPU 속도를 크게 높인 Ultralytics YOLO26은 속도와 정밀도 사이에서 타협 없는 균형을 제공합니다.
YOLOv5는 비전 AI를 대중화한 모델로 기억되겠지만, 견고하고 프로덕션에 바로 사용할 수 있으며 미래에도 유효한 애플리케이션을 구축하려는 개발자라면 YOLO26을 기반으로 자신 있게 개발할 수 있습니다.