YOLOv5와 YOLO26
컴퓨터 비전의 발전은 더 빠르고 정확하며 접근성이 높은 모델을 향한 지속적인 노력으로 이루어져 왔습니다. Ultralytics YOLOv5와 Ultralytics YOLO26은 이러한 발전 과정의 두 지점을 나타냅니다. 하나는 널리 배포된 레거시 모델이고, 다른 하나는 현재 권장되는 Ultralytics 모델입니다.
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 탐지를 훨씬 더 쉽게 사용할 수 있도록 했습니다. 아키텍처를 PyTorch 프레임워크에 네이티브 방식으로 구현해 개발자가 설치부터 학습과 배포까지 간단하게 진행할 수 있도록 했습니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 문서: YOLOv5 문서
YOLOv5는 활발히 관리되는 Ultralytics 에코시스템의 기반을 마련했습니다. 강력한 데이터 증강 기법, 효율적인 학습 루프, CoreML 및 ONNX와 같은 엣지 형식으로의 최적화된 내보내기 경로를 도입했습니다. 사용이 쉽고 학습 중 메모리 요구량이 적어 전 세계 스타트업과 연구자들이 필수적으로 사용하는 모델이 되었습니다.
YOLO26: 차세대 비전 AI 표준#
2026년 1월에 출시된 Ultralytics YOLO26은 Ultralytics YOLO의 최신 세대 모델입니다. YOLOv8과 YOLO11 등 중간 세대에서 얻은 교훈을 통합하고, 대규모 언어 모델(LLM) 학습에서 영감을 받은 학습 기법을 도입했습니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: YOLO26 문서
YOLO26은 정확도와 속도의 균형이 뛰어나며 엣지 컴퓨팅 환경에 맞춰 특별히 설계되었습니다.
기존 코드베이스를 마이그레이션하는 경우, 포즈 추정 및 방향성 바운딩 박스(OBB)와 같은 다양한 작업을 지원하는 이전 세대 모델인 YOLOv5와 YOLO11 비교도 참고할 수 있습니다.
YOLO26의 아키텍처 혁신#
YOLOv5는 앵커 기반 탐지 헤드와 표준 손실 함수에 의존하지만, YOLO26은 배포 병목을 제거하기 위해 헤드, 손실 함수, 옵티마이저를 재설계했습니다.
- 엔드투엔드 NMS-free 설계: 가장 큰 차이점은 YOLO26이 네이티브 엔드투엔드 추론 옵션을 제공한다는 점입니다. 중복 바운딩 박스를 필터링하기 위해 비최대 억제(NMS)가 필요한 YOLOv5와 달리, YOLO26의 선택형 일대일 헤드(
nms=False)는 이 후처리 단계를 건너뜁니다. 따라서 추론 지연 시간이 더 예측 가능해지고 C++ 또는 임베디드 하드웨어에 간편하게 통합할 수 있습니다. - DFL 제거: YOLO26은 Distribution Focal Loss(DFL)를 제거합니다. 이러한 아키텍처 선택은 모델 내보내기를 간소화하고 복잡한 연산자를 처리하는 데 어려움을 겪는 저전력 엣지 디바이스 및 가속기와의 호환성을 높입니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2에서 착안한 YOLO26은 SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 사용합니다. 이를 통해 LLM 학습에서 확인된 안정성과 빠른 수렴을 컴퓨터 비전에 적용합니다.
- ProgLoss + STAL: YOLO26은 ProgLoss와 STAL을 사용해 작고 밀집된 객체의 탐지 성능을 개선합니다. 이는 YOLOv5가 과거에 어려움을 겪었던 과제입니다.
성능 비교#
COCO 데이터셋에서 모델을 비교하면 YOLO26은 모든 스케일에서 더 높은 정확도(mAP)를 보이며, 중형 모델부터는 파라미터 수도 더 적습니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 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 나노(YOLO26n)는 YOLOv5n의 28.0 mAP와 비교해 40.9 mAP를 달성합니다. 파라미터는 0.5M만 추가하면서 12.9포인트 향상되며, DFL 제거와 NMS-free 헤드로 CPU 및 엣지 배포도 간소화됩니다.
다용도성과 작업 지원#
YOLOv5는 주로 객체 탐지 모델로 알려져 있습니다. 이후 업데이트에서 기본적인 세그멘테이션 기능이 도입되었지만, 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: 더 정확한 키포인트 위치 추정을 위해 Residual Log-Likelihood Estimation(RLE)을 사용합니다.
- 방향성 바운딩 박스(OBB): 경계 불연속 문제를 해결하기 위한 전용 각도 손실을 포함하며, 위성 이미지 분석에 필수적입니다.
두 모델 모두 데이터 어노테이션, 클라우드 학습, 원클릭 배포를 제공하는 Ultralytics Platform의 이점을 활용할 수 있습니다.
사용법 및 코드 예제#
Ultralytics Python API를 사용하면 모델을 쉽게 전환할 수 있습니다. 두 모델이 동일하고 잘 관리되는 에코시스템을 공유하므로, ultralytics 패키지의 YOLOv5u 파이프라인을 YOLO26으로 업데이트하려면 가중치 파일만 바꾸면 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#
새로운 컴퓨터 비전 프로젝트에는 YOLO26을 권장합니다.
- 엣지 AI 및 IoT: 최대 43% 빠른 CPU 추론(YOLO26n과 YOLO11n 비교)과 DFL 제거로 Raspberry Pi나 모바일 디바이스에 배포하기 적합합니다.
- 고속 파이프라인: 선택형 NMS-free 헤드는 지연 시간을 더 예측 가능하게 하므로 자율 로보틱스와 실시간 보안 경보 시스템에 중요합니다.
- 복잡한 시나리오: 애플리케이션에서 소형 객체(예: 드론 모니터링)나 회전된 객체(OBB)를 탐지해야 하는 경우, YOLO26의 학습 개선 사항(ProgLoss + STAL 및 OBB 전용 각도 손실 함수)이 정확도를 높입니다.
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 점진적 업데이트가 아니라 객체 탐지 모델의 학습 및 배포 방식 자체를 바꾸는 변화입니다. MuSGD 옵티마이저, 후처리를 없애는 선택형 NMS-free 헤드, 더 빠른 CPU 추론을 통해 Ultralytics YOLO26은 속도와 정확도의 균형을 제공합니다.
YOLOv5는 폭넓은 개발자 커뮤니티가 비전 AI를 쉽게 사용할 수 있도록 한 모델로 여전히 의미가 있지만, 새로운 프로덕션 애플리케이션을 구축하는 개발자는 YOLO26으로 시작해야 합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.