Ultralytics YOLO27:

YOLOv5 vs YOLO26#

컴퓨터 비전의 발전은 더 빠르고 정확하며 접근성이 높은 모델을 끊임없이 추구해 온 과정으로 정의되어 왔습니다. Ultralytics YOLOv5와 최첨단 Ultralytics YOLO26을 비교한다는 것은 견고한 레거시 시스템과 현대 AI 배포의 최첨단을 연결하는 패러다임의 전환을 살펴보는 일입니다.

이 가이드에서는 두 아키텍처를 포괄적으로 기술 분석하고, 성능 지표, 구조적 차이, 이상적인 배포 시나리오를 중점적으로 설명합니다.

모델 개요#

YOLOv5: 업계의 주력 모델#

2020년에 출시된 YOLOv5는 객체 감지의 접근성을 혁신적으로 높였습니다. 아키텍처를 기본적으로 PyTorch 프레임워크로 이전하여 개발자에게 전례 없는 "zero-to-hero" 경험을 제공했습니다.

YOLOv5는 지속적으로 관리되는 Ultralytics 생태계의 기반을 마련했습니다. 공격적인 데이터 증강 기법, 효율적인 학습 루프, CoreML 및 ONNX와 같은 엣지 형식으로 내보내기 위한 고도로 최적화된 경로를 도입했습니다. 사용이 쉽고 학습 중 메모리 요구량이 낮아 전 세계 스타트업과 연구자들이 표준적으로 사용하는 모델이 되었습니다.

YOLO26: 차세대 비전 AI 표준#

2026년 1월로 시간을 앞당겨 보면, Ultralytics YOLO26은 실시간 비전 AI의 정점에 해당합니다. YOLOv8 및 YOLO11과 같은 중간 세대에서 얻은 교훈을 기본적으로 통합하는 동시에, 대규모 언어 모델(LLM) 학습에서 영감을 얻은 획기적인 발전을 도입했습니다.

YOLO26은 성능 균형에 대한 새로운 기준을 세우며, 최첨단 정확도를 제공하는 동시에 엣지 컴퓨팅 시나리오를 정복하도록 명시적으로 설계되었습니다.

기타 Ultralytics 모델

기존 코드베이스를 마이그레이션하는 경우, 포즈 추정 및 방향성 바운딩 박스(OBB)와 같은 다양한 작업에 대한 초기 지원을 도입한 이전 세대 모델인 YOLO11과 YOLOv5를 비교해 보는 것도 좋습니다.

YOLO26의 아키텍처 혁신#

YOLOv5는 앵커 기반 감지 헤드와 표준 손실 함수를 사용하는 반면, YOLO26은 배포 병목 현상을 제거하기 위해 내부 메커니즘을 완전히 개편했습니다.

  1. 엔드 투 엔드 NMS-Free 설계: 가장 중요한 차이점은 YOLO26의 기본 엔드 투 엔드 아키텍처입니다. 중복 바운딩 박스를 필터링하기 위해 수동 비최대 억제(NMS)가 필요한 YOLOv5와 달리, YOLO26은 이 후처리 단계를 완전히 제거합니다. 이를 통해 추론 지연 시간이 결정론적으로 유지되며 C++ 또는 임베디드 하드웨어와의 통합이 크게 간소화됩니다.
  2. DFL 제거: YOLO26은 분포 초점 손실(DFL)을 제거합니다. 이 아키텍처 선택은 모델 내보내기를 크게 간소화하고, 복잡한 연산자를 처리하는 데 어려움을 겪는 저전력 엣지 디바이스 및 마이크로컨트롤러와의 호환성을 향상합니다.
  3. MuSGD 옵티마이저: Moonshot AI의 Kimi K2에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 사용합니다. 이를 통해 대규모 언어 모델 학습에서 확인된 안정성과 빠른 수렴을 컴퓨터 비전에 적용하여, Transformer 중심 모델에 비해 메모리 사용량을 줄이고 학습 주기를 단축합니다.
  4. ProgLoss + STAL: YOLO26은 정교한 ProgLoss 및 STAL 함수를 사용하여 작은 객체와 밀집된 객체를 감지하는 능력을 크게 향상합니다. 이는 YOLOv5가 역사적으로 겪어 온 과제였습니다.

성능 비교#

COCO 데이터셋에서 모델을 비교하면, YOLO26은 정밀도(mAP)를 크게 향상하는 동시에 파라미터 수를 줄이고 CPU 추론 속도를 높입니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9

참고: YOLO26 Nano(YOLO26n)는 YOLOv5n의 28.0 mAP와 비교해 놀라운 40.9 mAP를 달성하며, DFL 제거와 NMS-Free 헤드 덕분에 최대 43% 더 빠른 CPU 추론을 제공합니다.

다목적성과 작업 지원#

YOLOv5는 주로 객체 감지로 유명합니다. 이후 업데이트에서 기본적인 세그멘테이션이 도입되었지만, YOLO26은 처음부터 통합 멀티태스크 엔진으로 구축되었습니다.

YOLO26은 기본적으로 다음 작업을 지원합니다.

  • 인스턴스 세그멘테이션: 작업별 멀티스케일 프로토와 시맨틱 세그멘테이션 손실을 제공합니다.
  • 포즈 추정: 매우 정확한 키포인트 감지를 위해 잔차 로그 가능도 추정(RLE)을 활용합니다.
  • 방향성 바운딩 박스(OBB): 경계 불연속 문제를 해결하기 위한 특수 각도 손실을 포함하며, 위성 이미지 분석에 매우 중요합니다.
  • 이미지 분류: 전체 이미지에 대한 표준 분류입니다.
생태계 통합

두 모델 모두 Ultralytics Platform의 이점을 활용하여 원활한 데이터 주석, 자동화된 하이퍼파라미터 튜닝, 원클릭 클라우드 배포를 제공합니다. 그러나 YOLO26은 최신 API 구조를 최대한 활용합니다.

사용법 및 코드 예제#

Ultralytics Python API를 사용하면 모델 간 전환이 매우 간단합니다. 두 모델이 동일하게 잘 관리되는 생태계를 공유하므로 기존 YOLOv5 파이프라인을 YOLO26으로 업데이트할 때는 가중치 파일만 변경하면 됩니다.

Python 예제#

from ultralytics import YOLO

# To use YOLOv5, load a v5 weights file
# model = YOLO("yolov5su.pt")

# Migrate to the recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset using the efficient MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # YOLO26's low memory footprint allows larger batch sizes
)

# Run an NMS-free inference
predictions = model("https://ultralytics.com/images/bus.jpg")
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.mp4

이상적인 사용 사례#

YOLO26을 선택해야 하는 경우#

현대적인 컴퓨터 비전 프로젝트라면 YOLO26을 의심의 여지 없이 권장합니다.

  • 엣지 AI 및 IoT: CPU 추론 속도가 43% 빠르고 DFL이 제거되어 Raspberry Pi 또는 모바일 디바이스에 배포하기에 적합합니다.
  • 고속 파이프라인: NMS-Free 아키텍처는 안정적이고 예측 가능한 지연 시간을 보장하며, 이는 자율 로보틱스와 실시간 보안 경보 시스템에 매우 중요합니다.
  • 복잡한 시나리오: 애플리케이션에서 작은 객체(예: 드론 모니터링) 또는 회전하는 객체(OBB)를 추적해야 하는 경우, YOLO26의 고급 손실 함수(ProgLoss + STAL)가 정확도에서 큰 이점을 제공합니다.

YOLOv5를 선택해야 하는 경우#

  • 레거시 시스템: 프로덕션 환경이 YOLOv5의 특정 앵커 생성 또는 NMS 파싱 로직에 하드코딩된 종속성을 갖고 있다면 마이그레이션에 짧은 리팩터링 기간이 필요할 수 있습니다.
  • 특정 학술 기준선: 연구자들은 객체 감지 아키텍처의 역사적 발전을 보여 주기 위한 고전적인 기준선으로 YOLOv5를 자주 사용합니다.

요약#

YOLOv5에서 YOLO26으로의 전환은 단순한 반복적 업데이트가 아니라 객체 감지 모델을 학습하고 배포하는 방식의 근본적인 도약입니다. MuSGD 옵티마이저를 활용하고, NMS-Free 설계를 통해 복잡한 후처리를 제거하며, CPU 속도를 크게 향상함으로써 Ultralytics YOLO26은 속도와 정밀도 사이에서 타협하지 않는 균형을 제공합니다.

YOLOv5는 비전 AI를 대중화한 모델로 항상 기억되겠지만, 견고하고 프로덕션에 바로 사용할 수 있으며 미래에도 유효한 애플리케이션을 구축하려는 개발자라면 YOLO26을 기반으로 자신 있게 개발해야 합니다.

기여자
GLglenn-jocher8PDpderrenger1

댓글