YOLOv5와 YOLOv6-3.0#

컴퓨터 비전 분야는 끊임없이 발전하고 있으며, 새로운 아키텍처가 속도와 정확도의 한계를 계속해서 확장하고 있습니다. 다음 비전 AI 프로젝트에 사용할 모델을 선택할 때 개발자는 검증된 다목적 프레임워크와 고도로 특화된 산업용 detector를 비교하게 되는 경우가 많습니다. 이 심층 분석에서는 Ultralytics YOLOv5와 Meituan의 YOLOv6-3.0 간의 기술적 차이를 살펴보고, 배포 요구 사항에 가장 적합한 도구를 선택할 수 있도록 지원합니다.

모델 소개#

Ultralytics YOLOv5: 다목적 표준#

2020년에 출시된 Ultralytics YOLOv5는 접근성이 뛰어난 고성능 객체 감지의 사실상 표준으로 빠르게 자리 잡았습니다. 놀라운 사용 편의성, 견고한 training pipeline, 광범위한 배포 통합 기능으로 널리 알려져 있습니다.

• 작성자: Glenn Jocher
• 조직: Ultralytics
• 날짜: 2020-06-26
• GitHub: ultralytics/yolov5

YOLOv5는 PyTorch 생태계에서 원활한 개발자 경험을 제공하도록 처음부터 설계되었습니다. 다양한 실제 배포 시나리오에 적합한 높은 inference 속도를 유지하면서 우수한 평균 정밀도(mAP)를 달성하는 균형 잡힌 성능을 제공합니다. 이러한 시나리오에는 edge device부터 cloud server까지 포함됩니다.

YOLOv6-3.0: 산업용 처리량#

Meituan의 Vision AI Department에서 개발한 YOLOv6-3.0은 산업용 애플리케이션에 특화되어 있으며, 전용 hardware accelerator에서의 raw throughput을 최우선으로 합니다.

• 저자: Chuyi Li, Lulu Li, Yifei Geng 외
• 조직: Meituan
• 날짜: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

YOLOv6은 NVIDIA T4와 같은 GPU에서 processing speed를 극대화하는 것을 목표로 합니다. 성능을 달성하기 위해 custom quantization 방법과 specialized backbone을 사용하므로, batch inference를 집중적으로 활용하는 backend server processing에 적합한 강력한 후보입니다.

YOLOv6에 대해 자세히 알아보세요

아키텍처 차이#

이러한 모델의 아키텍처 선택을 이해하는 것은 이상적인 사용 사례를 파악하는 데 매우 중요합니다.

YOLOv5 아키텍처#

YOLOv5는 고도로 최적화된 CSPDarknet backbone과 Path Aggregation Network (PANet) neck을 결합하여 사용합니다. 이 구조는 training 및 inference 중 memory requirement를 최소화하도록 집중적으로 fine-tuning되었습니다. 막대한 양의 CUDA memory와 긴 training time이 필요한 대규모 Transformer 모델과 달리, YOLOv5는 일반적인 consumer hardware에서 효율적으로 작동합니다.

또한 YOLOv5는 단순한 object detector가 아닙니다. 아키텍처가 다른 task로 원활하게 확장되며, image segmentation과 image classification을 기본적으로 강력하게 지원합니다.

YOLOv6-3.0 아키텍처#

YOLOv6-3.0은 특히 GPU 실행에 적합하도록 설계된 hardware-friendly EfficientRep backbone을 사용합니다. feature fusion을 향상하기 위해 neck에 Bi-directional Concatenation (BiC) module을 적용합니다.

training 중 YOLOv6은 convergence를 안정화하기 위해 Anchor-Aided Training (AAT) 전략을 사용하지만, inference 중에는 여전히 anchor-free detector로 작동합니다. 이 아키텍처는 GPU-accelerated task에서 뛰어난 성능을 보이지만, 높은 portability를 갖춘 YOLOv5 framework와 비교하면 다양한 edge device에 맞게 조정하기가 더 복잡할 수 있습니다.

성능 분석#

이러한 모델을 평가할 때는 raw speed와 accuracy metric이 중요합니다. 아래 비교 표에서는 COCO dataset에서 다양한 model size의 성능을 보여줍니다.

YOLOv6-3.0은 대형 variant에서 더 높은 mAP score를 달성하지만, YOLOv5는 매우 가벼운 footprint를 유지합니다. 예를 들어 YOLOv5n은 YOLOv6의 해당 모델보다 훨씬 적은 parameter와 FLOPs를 필요로 하므로 mobile 또는 CPU-bound deployment에 매우 적합합니다.

생태계 및 사용 편의성#

많은 engineering team에게 모델을 둘러싼 ecosystem이 진정한 결정 요소입니다.

YOLOv6은 인상적인 research repository이지만, 다양한 format에 배포하려면 상당한 boilerplate code가 필요합니다. 반면 Ultralytics는 streamlined user experience를 특징으로 하는 잘 유지 관리되는 ecosystem을 제공합니다. 통합 Python API와 직관적인 Ultralytics Platform을 통해 개발자는 원활한 dataset management, one-click training, ONNX 및 TensorRT와 같은 format으로의 direct export 기능을 이용할 수 있습니다.

코드 예제: 통합 Ultralytics API#

Ultralytics의 ultralytics pip package를 사용하면 몇 줄의 code만으로 model을 load, train 및 deploy할 수 있습니다.

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX for edge deployment
model.export(format="onnx")

사용 사례 및 권장 사항#

YOLOv5와 YOLOv6 중 무엇을 선택할지는 구체적인 project requirement, deployment constraint 및 ecosystem preference에 따라 달라집니다.

YOLOv5를 선택해야 하는 경우#

YOLOv5는 다음과 같은 경우에 적합합니다.

• 검증된 프로덕션 시스템: YOLOv5의 오랜 안정성 기록, 광범위한 documentation, 대규모 community support가 중요한 기존 deployment입니다.
• 리소스가 제한된 training: YOLOv5의 효율적인 training pipeline과 낮은 memory requirement가 유리한 제한된 GPU resource 환경입니다.
• 광범위한 export format support: ONNX, TensorRT, CoreML, TFLite를 비롯한 다양한 format으로 deployment해야 하는 project입니다.

YOLOv6을 선택해야 하는 경우#

다음과 같은 경우 YOLOv6을 권장합니다:

• 산업용 하드웨어 인식 배포: 모델의 하드웨어 인식 설계와 효율적인 재매개변수화가 특정 대상 하드웨어에서 최적화된 성능을 제공하는 시나리오입니다.
• 고속 단일 단계 감지: 제어된 환경에서 실시간 비디오 처리를 위해 GPU에서의 순수 추론 속도를 우선시하는 애플리케이션입니다.
• Meituan 생태계 통합: 이미 Meituan의 기술 스택과 배포 인프라를 사용하고 있는 팀입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

• NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
• CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
• 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.

향후 방향: YOLO26의 장점#

YOLOv5는 여전히 신뢰할 수 있는 workhorse이고 YOLOv6-3.0은 강력한 industrial GPU throughput을 제공하지만, state-of-the-art는 발전했습니다. 현재 새로운 project를 시작하는 개발자에게 권장되는 경로는 Ultralytics YOLO26입니다.

2026년 1월에 출시된 YOLO26은 획기적인 도약을 보여줍니다. Ultralytics ecosystem의 탁월한 versatility를 계승하는 동시에 다음과 같은 혁신적인 아키텍처 개선을 도입했습니다.

• End-to-End NMS-Free Design: YOLO26은 Non-Maximum Suppression post-processing을 제거하여 latency variance를 크게 줄이고 deployment logic을 간소화합니다.
• 최대 43% 더 빠른 CPU Inference: DFL 제거와 최적화된 head를 통해 edge 및 low-power device에서 이전 세대보다 훨씬 뛰어난 성능을 발휘합니다.
• MuSGD Optimizer: LLM training 혁신을 활용하는 새로운 MuSGD optimizer는 매우 안정적인 training과 놀라울 정도로 빠른 convergence를 보장합니다.
• Advanced Versatility: YOLO26은 Oriented Bounding Box (OBB), Pose Estimation 및 Segmentation을 원활하게 처리하며, ProgLoss와 STAL 같은 specialized task loss를 사용해 탁월한 small-object recognition 성능을 제공합니다.

Ultralytics ecosystem 내에서 다른 옵션을 살펴보고 있다면, general-purpose YOLO11 또는 open-vocabulary detection task를 위한 혁신적인 YOLO-World도 고려할 수 있습니다.

결론#

YOLOv5와 YOLOv6-3.0은 모두 computer vision 분야에 큰 영향을 미쳤습니다. YOLOv6-3.0은 high-end server hardware에서 우수한 throughput을 제공하므로 specialized offline analytics에 적합합니다. 그러나 YOLOv5는 견고하고 사용하기 쉬우며 매우 다목적인 model을 필요로 하고 world-class platform의 지원을 받고자 하는 개발자에게 여전히 더 나은 선택입니다.

차세대 accuracy, native NMS-free deployment 및 업계 최고의 developer experience를 최적으로 조합하려면 Ultralytics Platform을 통해 YOLO26으로 업그레이드하는 것이 modern vision AI solution을 위한 확실한 선택입니다.