YOLOv5와 YOLOv10
실시간 컴퓨터 비전 분야는 지난 몇 년 동안 빠르게 성장했으며, 다양한 아키텍처가 최신 하드웨어에서 가능한 범위를 넓혀 왔습니다. 최첨단 아키텍처를 평가할 때 YOLOv5와 YOLOv10의 비교는 객체 탐지의 중요한 발전 단계를 보여 줍니다. 이 기술 비교에서는 두 모델의 아키텍처 패러다임과 성능 간 상충 관계, 개발자가 프로덕션 환경에서 이러한 도구를 활용하는 방법을 살펴봅니다.
아키텍처 심층 분석#
실제 환경에서 모델을 효율적으로 배포하려면 두 모델의 구조적 차이를 이해하는 것이 중요합니다.
Ultralytics YOLOv5: 업계 표준#
Ultralytics가 선보인 YOLOv5는 속도, 정확도, 접근성의 균형이 뛰어난 모델로 오랫동안 인정받아 왔습니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: YOLOv5 저장소
- 문서: YOLOv5 문서
YOLOv5는 앵커 기반 탐지 메커니즘과 고도로 최적화된 CSPDarknet 백본을 사용합니다. 이 아키텍처는 거의 모든 추론 엔진이 지원하는 표준 연산에 크게 의존하므로 이식성이 높습니다. 주요 강점은 간소화된 사용자 경험, 단순한 API, 풍부한 문서를 제공하는 Ultralytics Python SDK입니다. 또한 Transformer 기반 모델보다 메모리 요구량이 낮아 VRAM 부담이 크게 늘지 않으면서 일반 소비자용 GPU에서 빠르게 학습할 수 있습니다.
YOLOv10: NMS 프리 실시간 탐지#
칭화대학교 연구진이 개발한 YOLOv10은 이전 아키텍처에서 발견된 특정 지연 시간 병목 현상을 해결하는 것을 목표로 했습니다.
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 날짜: 2024-05-23
- arXiv: 2405.14458
- GitHub: YOLOv10 저장소
- 문서: YOLOv10 문서
YOLOv10의 핵심 특징은 NMS-free(비최대 억제) 설계입니다. 학습 중 일관된 이중 할당을 사용해 일대일 헤드가 추론 시 NMS 후처리를 없애므로 후처리 지연 시간을 줄이고 NVIDIA TensorRT 엔진과 같은 배포 파이프라인을 간소화합니다. Ultralytics 패키지에서 YOLOv10은 기본적으로 NMS를 사용하는 일대다 헤드를 사용합니다. NMS-free 헤드를 사용하려면 nms=False을 설정하세요.
YOLOv10은 흥미로운 아키텍처 혁신을 제공하지만, YOLOv5와 최신 YOLO26 같은 Ultralytics 모델은 Ultralytics Platform에서 기본적으로 지원되므로 효율적인 학습과 다양한 내보내기 옵션을 바로 사용할 수 있습니다.
성능 분석#
이 모델들을 비교할 때는 정확도(mAP)와 연산 비용(지연 시간 및 파라미터) 간의 균형에 따라 최적의 사용 사례가 결정됩니다. 아래는 COCO 데이터셋에서의 기술 성능 비교입니다.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
YOLOv10은 현대화된 효율성 및 정확도 중심의 모델 설계를 활용하여 동일한 크기 구간에서 더 높은 mAPval50-95를 분명히 달성합니다. 그러나 YOLOv5는 Nano 및 Small 구간에서 GPU 지연 시간이 더 낮아 NVIDIA Jetson 제품군과 같은 리소스 제약이 있는 임베디드 환경이나 OpenVINO를 사용하는 일반 CPU 환경에서 실용적인 선택입니다.
학습 방법론 및 생태계#
모델의 가치는 모델을 둘러싼 에코시스템과 밀접하게 연관되어 있습니다. Ultralytics는 다양한 작업을 지원하는 에코시스템을 활발히 개발하고 있습니다. YOLOv10이 2D 객체 탐지에만 집중하는 반면, Ultralytics는 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB)를 기본 지원합니다.
또한 Ultralytics 모델은 경쟁 트랜스포머 기반 방식보다 훨씬 적은 메모리 오버헤드로 학습할 수 있어, 개발 주기를 빠르고 비용 효율적으로 유지합니다.
코드 예제#
모델 학습, 검증, 내보내기를 단일 API로 통합했습니다. 문자열만 변경하면 모델을 바꿀 수 있습니다.
from ultralytics import YOLO
# 기준 테스트를 위해 사전 학습된 YOLOv5 모델을 불러옵니다
model_v5 = YOLO("yolov5su.pt") # YOLOv5u: ultralytics 패키지용 앵커 프리 YOLOv5 가중치
# 비교를 위해 YOLOv10 모델을 불러옵니다
model_v10 = YOLO("yolov10s.pt")
# COCO8 데이터셋으로 모델을 효율적으로 학습합니다
results = model_v5.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # PyTorch CUDA 가속을 자동으로 사용합니다
batch=16,
)
# CPU 추론 배포를 위해 ONNX로 내보냅니다
model_v5.export(format="onnx", simplify=True)사용 사례 및 권장 사항#
YOLOv5와 YOLOv10 중 어느 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약, 선호하는 생태계에 따라 달라집니다.
YOLOv5를 선택할 경우#
YOLOv5는 다음과 같은 경우에 적합합니다:
- 프로덕션에서 검증된 시스템: YOLOv5의 오랜 안정성 기록, 폭넓은 문서, 대규모 커뮤니티가 중요한 기존 배포 환경에 적합합니다.
- 리소스 제약이 있는 학습: GPU 리소스가 제한된 환경에서 YOLOv5의 효율적인 학습 파이프라인과 적은 메모리 요구 사항이 유리합니다.
- 폭넓은 내보내기 형식 지원: ONNX, TensorRT, CoreML, LiteRT 등 다양한 형식으로 배포해야 하는 프로젝트입니다.
YOLOv10을 선택해야 하는 경우#
다음과 같은 경우 YOLOv10을 권장합니다:
- NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
- 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
- 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 기기에서 YOLO26n은 CPU 기준 YOLO11n보다 최대 43% 빠르게 실행됩니다.
- 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.
미래를 위한 선택: Ultralytics YOLO26#
YOLOv5가 객체 탐지를 널리 활용할 수 있도록 했고 YOLOv10이 NMS-free 아키텍처를 발전시켰지만, 최첨단 기술은 계속 진화하고 있습니다. 새로운 프로젝트에는 2026년 1월에 출시된 Ultralytics YOLO26을 권장합니다.
YOLO26은 Ultralytics 에코시스템의 신뢰성에 다음과 같은 여러 발전 사항을 결합합니다:
- 엔드투엔드 NMS 없는 설계: NMS 없는 패러다임을 선택 가능한 일대일 헤드(
nms=False) 형태로 Ultralytics 프레임워크에 직접 통합하여, YOLO26은 배포를 간소화하고 지연 시간을 줄입니다. - 최대 43% 빠른 CPU 추론: Distribution Focal Loss (DFL)를 제거하면 YOLO26n이 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로, GPU가 없는 엣지 디바이스에서 유용합니다.
- MuSGD 옵티마이저: Moonshot AI의 LLM 학습 혁신에서 영감을 얻은 MuSGD 옵티마이저는 더 안정적인 학습과 빠른 수렴을 지원합니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식 레이블 할당은 드론 이미지와 로보틱스 분야에서 중요한 소형 객체 인식 성능을 향상합니다.
Ultralytics Platform에서 YOLO26을 직접 관리하고 학습 및 배포할 수 있습니다.
결론#
YOLOv5와 YOLOv10 중 무엇을 선택할지는 대체로 구체적인 프로젝트 제약에 따라 달라집니다. YOLOv10은 연구 및 GPU의 원시 처리량을 활용하는 애플리케이션에 뛰어난 mAP를 제공합니다. 반면 YOLOv5는 표준 배포에 적합한 안정적이고 호환성이 뛰어난 실무용 모델로 계속 활용되고 있습니다.
그러나 컴퓨터 비전 분야는 빠르게 변화합니다. 성능, 범용성, 사용 편의성의 균형을 가장 잘 맞추려면 개발자는 Ultralytics YOLO26을 고려해야 합니다. Ultralytics YOLO26은 선택적 NMS 없는 추론과 문서가 잘 갖춰진 Ultralytics 생태계를 결합합니다. 특수한 사용 사례에서는 범용적인 안정성을 위한 YOLO11이나 Transformer 기반 정밀도를 위한 RT-DETR도 살펴볼 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.