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.

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.

YOLO26은 정확도와 속도의 균형이 뛰어나며 엣지 컴퓨팅 환경에 맞춰 특별히 설계되었습니다.

기타 Ultralytics 모델

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.

  1. 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.
  2. 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.
  3. 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.
  4. 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.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

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.
생태계 통합

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.mp4

적합한 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.