YOLO Vision 2026:

YOLOv5 대 YOLO26#

컴퓨터 비전의 진화는 더 빠르고, 더 정확하며, 더 접근하기 쉬운 모델을 향한 지속적인 노력으로 정의되어 왔습니다. Ultralytics YOLOv5와 최첨단 Ultralytics YOLO26을 비교할 때, 우리는 견고한 레거시 시스템과 현대 AI 배포의 최첨단 기술 사이의 간극을 좁히는 패러다임의 전환을 목격하고 있습니다.

본 가이드는 두 아키텍처에 대한 포괄적인 기술 분석을 제공하며, 성능 지표, 구조적 차이점 및 이상적인 배포 시나리오를 강조합니다.

모델 개요#

YOLOv5: 업계의 핵심 모델#

2020년에 출시된 YOLOv5는 객체 검출의 접근성을 혁신적으로 바꾸어 놓았습니다. 아키텍처를 PyTorch 프레임워크에 네이티브로 마이그레이션함으로써, 개발자들에게 전례 없는 "제로 투 히어로(zero-to-hero)" 경험을 제공했습니다.

YOLOv5는 활발히 유지 관리되는 Ultralytics 생태계의 기반을 다졌습니다. 이 모델은 적극적인 데이터 증강 기법, 효율적인 학습 루프, 그리고 CoreML 및 ONNX와 같은 엣지 포맷으로의 고도로 최적화된 내보내기 경로를 도입했습니다. 사용 편의성과 학습 중 낮은 메모리 요구량 덕분에 전 세계의 스타트업과 연구원들에게 필수적인 도구가 되었습니다.

YOLOv5에 대해 더 알아보기

YOLO26: 차세대 비전 AI 표준#

시간을 2026년 1월로 앞당겨 보면, Ultralytics YOLO26은 실시간 비전 AI의 정점을 나타냅니다. 이 모델은 YOLOv8 및 YOLO11과 같은 중간 세대에서 얻은 교훈을 네이티브로 통합하는 동시에, 대규모 언어 모델(LLM) 학습에서 영감을 받은 대규모 혁신을 도입했습니다.

YOLO26은 성능 균형에 대한 새로운 벤치마크를 설정하며, 최첨단 정확도를 제공하는 동시에 에지 컴퓨팅 시나리오를 압도하도록 특별히 설계되었습니다.

YOLO26에 대해 자세히 알아보기

기타 Ultralytics 모델

기존 코드베이스를 마이그레이션하는 경우, 자세 추정 및 회전된 바운딩 박스(OBB)와 같은 다양한 작업에 대한 초기 지원을 도입했던 이전 세대 모델인 YOLO11과 YOLOv5를 비교하는 데에도 관심이 있으실 수 있습니다.

YOLO26의 아키텍처 혁신#

YOLOv5가 앵커 기반 탐지 헤드와 표준 손실 함수에 의존하는 반면, YOLO26은 내부 메커니즘을 완전히 개편하여 배포 병목 현상을 제거했습니다.

  1. 엔드투엔드 NMS-Free 설계: 가장 중요한 차이점은 YOLO26의 네이티브 엔드투엔드 아키텍처입니다. 중복된 경계 상자를 필터링하기 위해 수동 NMS(Non-Maximum Suppression)가 필요한 YOLOv5와 달리, YOLO26은 이 후처리 단계를 완전히 제거합니다. 이는 결정론적 추론 지연 시간을 보장하며 C++ 또는 임베디드 하드웨어로의 통합을 획기적으로 단순화합니다.
  2. DFL 제거: YOLO26은 분포 초점 손실(DFL)을 제거합니다. 이러한 아키텍처 선택은 모델 내보내기를 크게 단순화하고, 종종 복잡한 연산자로 인해 어려움을 겪는 저전력 에지 장치 및 마이크로컨트롤러와의 호환성을 향상시킵니다.
  3. MuSGD 옵티마이저: Moonshot AI의 Kimi K2에서 힌트를 얻은 YOLO26은 SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 사용합니다. 이는 LLM 학습에서 볼 수 있는 안정성과 빠른 수렴을 컴퓨터 비전으로 가져와 트랜스포머 기반 모델 대비 더 낮은 메모리 사용량과 더 빠른 학습 주기를 실현합니다.
  4. ProgLoss + STAL: YOLO26은 정교한 ProgLoss 및 STAL 함수를 사용하여 YOLOv5의 고질적인 과제였던 작고 밀집된 객체를 탐지하는 능력을 크게 향상시킵니다.

성능 비교#

COCO dataset에서 모델들을 비교할 때, YOLO26은 파라미터 수와 CPU 추론 속도를 동시에 줄이면서 정밀도(mAP)에서 엄청난 향상을 보여줍니다.

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 mAP 대비 압도적인 40.9 mAP를 달성하며, DFL 제거 및 NMS-Free 헤드 덕분에 최대 43% 더 빠른 CPU 추론을 제공합니다.

다양성 및 작업 지원#

YOLOv5는 주로 object detection으로 유명합니다. 이후 업데이트를 통해 기본적인 분할 기능이 도입되기도 했지만, YOLO26은 처음부터 통합 멀티태스킹 엔진으로 구축되었습니다.

YOLO26은 기본적으로 다음을 지원합니다:

  • 인스턴스 세그멘테이션: 작업별 다중 스케일 프로토(protos) 및 의미론적 세그멘테이션 손실 기능을 포함합니다.
  • 자세 추정: 고정밀 키포인트 탐지를 위해 RLE(Residual Log-Likelihood Estimation)를 활용합니다.
  • 회전된 바운딩 박스(OBB): satellite image analysis에 필수적인 경계 불연속성 문제를 해결하기 위한 특수 각도 손실 함수를 포함합니다.
  • 이미지 분류: 표준 전체 이미지 분류 기능을 포함합니다.
생태계 통합

두 모델 모두 Ultralytics Platform의 혜택을 받아 원활한 데이터 주석, 자동화된 하이퍼파라미터 튜닝, 원클릭 클라우드 배포를 제공합니다. 그러나 YOLO26은 현대적인 API 구조를 최대한 활용합니다.

사용 및 코드 예제#

Ultralytics Python API를 사용하면 모델 간 전환이 매우 간단합니다. 두 모델 모두 잘 관리되는 동일한 생태계를 공유하므로, 기존 YOLOv5 파이프라인을 YOLO26으로 업데이트하려면 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 커맨드 라인을 통해 직접 YOLO26을 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 모든 컴퓨터 비전 프로젝트에 대해 YOLO26은 의심할 여지 없는 권장 모델입니다.

  • 엣지 AI 및 IoT: 43% 더 빠른 CPU 추론과 DFL 제거 덕분에 Raspberry Pi나 모바일 기기 배포에 완벽합니다.
  • 고속 파이프라인: NMS가 없는 아키텍처는 자율 로봇 공학과 실시간 security alarm systems에 필수적인 안정적이고 예측 가능한 지연 시간을 보장합니다.
  • 복잡한 시나리오: 애플리케이션에 작은 객체 추적(예: drone monitoring) 또는 회전하는 객체(OBB)가 필요한 경우, YOLO26의 고급 손실 함수(ProgLoss + STAL)가 엄청난 정확도 이점을 제공합니다.

YOLOv5를 선택해야 하는 경우#

  • 레거시 시스템: 프로덕션 환경에 YOLOv5의 특정 앵커 생성 또는 NMS 파싱 로직에 대한 하드코딩된 종속성이 있는 경우, 마이그레이션에 짧은 리팩토링 기간이 필요할 수 있습니다.
  • 특정 학술적 기준선: 연구자들은 object detection architectures의 역사적 발전을 입증하기 위한 고전적인 기준선으로 종종 YOLOv5를 사용합니다.

요약#

YOLOv5에서 YOLO26으로의 전환은 단순한 반복적 업데이트가 아닙니다. 이는 객체 탐지 모델이 학습되고 배포되는 방식에 있어서의 근본적인 도약입니다. MuSGD 옵티마이저를 활용하고, NMS-Free 설계를 통해 복잡한 후처리를 배제하며, CPU 속도를 대폭 가속화함으로써 Ultralytics YOLO26은 속도와 정밀도 사이의 타협 없는 균형을 제공합니다.

YOLOv5는 항상 비전 AI를 대중화한 모델로 기억되겠지만, 견고하고 프로덕션 수준이며 미래를 대비한 애플리케이션을 구축하려는 개발자들은 자신 있게 YOLO26을 기반으로 구축해야 합니다.

기여자
GLglenn-jocher7PDpderrenger1

댓글