콘텐츠로 건너뛰기

YOLOv5 YOLOv8: Ultralytics 탐지의 진화

컴퓨터 비전 분야는 YOLO You Only Look Once) 객체 탐지기 계열의 지속적인 혁신에 힘입어 급속히 발전해 왔습니다. 이 계보에서 가장 영향력 있는 두 버전은 YOLOv5 와 YOLOv8입니다. 둘 다 Ultralytics 개발했습니다. YOLOv5 2020년 출시 당시 사용 편의성과 유연성 측면에서 업계 표준을 YOLOv5 , YOLOv8 2023년 출시) YOLOv8 최첨단 성능을 재정의하는 아키텍처적 혁신을 도입했습니다.

이 가이드는 개발자, 연구원 및 엔지니어가 특정 애플리케이션 요구사항에 맞는 적합한 모델을 선택할 수 있도록 심층적인 기술적 비교를 제공하며, YOLO26과 같은 해당 분야의 최신 발전 동향도 함께 소개합니다.

Ultralytics YOLOv5: 업계 표준

2020년 6월 출시된 YOLOv5 는 AI의 대중화에서 중대한 전환점이 YOLOv5 . 주로 C(Darknet)로 작성된 이전 버전들과 달리, YOLOv5 최초의 네이티브 PyTorch 구현체로서 Python 커뮤니티에 매우 접근하기 쉬운 모델이 되었습니다.

주요 기능 및 아키텍처

YOLOv5 속도, 정확도, 사용자 친화적 설계의 균형으로 YOLOv5 . 이 아키텍처는 YOLOv4 대비 다음과 같은 주요 개선점을 도입했습니다:

  • CSPDarknet 백본: 단계 간 부분 연결을 활용하여 기울기 흐름을 개선하고 매개변수를 줄입니다.
  • 자동 학습 앵커 박스: 훈련 시작 전에 사용자 정의 데이터셋에 대한 최적의 앵커 박스 크기를 자동으로 학습합니다.
  • 모자이크 데이터 증강: 네 장의 이미지를 하나로 결합하는 훈련 기법으로, 모델의 detect 객체 detect 능력을 향상시키고 문맥 일반화 능력을 개선합니다.

기술 사양:

5에 대해 자세히 알아보기

Ultralytics YOLOv8: 최첨단 기술의 기준을 제시하다

2023년 1월 출시된 YOLOv8 컴퓨터 비전 기술의 획기적인 발전을 보여주었습니다. YOLOv5 사용된 앵커 기반 탐지 방식에서 벗어나 앵커 프리(anchor-free) YOLOv5 전환함으로써 학습 과정을 단순화하고 다양한 물체 형태에 대한 일반화 능력을 향상시켰습니다.

아키텍처 혁신

YOLOv8 속도와 정확도를 모두 향상시킨 다양한 현대적 기법들을 YOLOv8 :

  • 앵커 프리 탐지: 수동 앵커 박스 구성이 필요 없으며, 객체 중심을 직접 예측합니다. 이를 통해 박스 예측 횟수가 감소하고 비최대 억제(NMS) 속도가 향상됩니다.
  • C2f 모듈: YOLOv5 C3 모듈을 대체하며, 더 풍부한 기울기 흐름을 제공하고 더 나은 특징 추출을 위해 채널 수를 조정합니다.
  • 분리된 헤드: 객체 인식, 분류 및 회귀 작업을 서로 다른 분기로 분리하여 각 작업이 더 효과적으로 수렴할 수 있도록 합니다.
  • 작업 다용도성: 탐지뿐만 아니라 인스턴스 분할, 자세 추정, 분류 및 OBB (방향성 경계 상자)까지 지원하도록 처음부터 설계되었습니다.

기술 사양:

8에 대해 자세히 알아보기

성능 비교

이 두 강자를 비교해 보면, 동급 하드웨어에서 YOLOv8 정확도(mAP)와 지연 시간 YOLOv5 YOLOv8 YOLOv5 우수한 성능을 보인다는 점이 분명합니다. 그러나 YOLOv5 레거시 시스템에 매우 효율적인 고성능 모델로 YOLOv5 .

아래 표는 COCO 성능을 보여줍니다. 굵은 글씨로 표시된 값은 각 범주에서 가장 우수한 성능을 나타냅니다.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8

분석

YOLOv8n 나노)은 매개변수 수가 약간 증가했을 뿐임에도 YOLOv5n(28.0)에 비해 현저히 높은 mAP 37.3)을 달성합니다. 이러한 효율성 향상으로 인해 정확도의 모든 백분율이 중요한 현대적인 에지 애플리케이션에서는 YOLOv8 .

학습 및 생태계

두 모델 모두 사용 편의성을 최우선으로 하는 Ultralytics 혜택을 크게 누립니다.

간소화된 교육 워크플로우

YOLOv5 YOLOv8 전환은 모든 작업을 지원하는 통합된 CLI Python 도입했습니다. YOLOv5 특정 스크립트(예: train.py, detect.py), YOLOv8 후속 모델들처럼 YOLO26 모듈식 패키지 구조를 사용하십시오.

YOLOv5 :

python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt

YOLOv8 :

yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

Ultralytics 의 장점

두 모델 모두 Ultralytics 플랫폼과 원활하게 통합됩니다. 이를 통해 사용자는 훈련 실행을 시각화하고, 데이터셋을 관리하며, 다음과 같은 형식으로 원클릭 모델 내보내기를 수행할 수 있습니다. ONNX, TensorRT, CoreML 등의 형식으로 모델을 CoreML 내보낼 수 있습니다.

사용 사례 및 권장 사항

이 두 모델 중 선택은 구체적인 제약 조건에 따라 달라지지만, 신규 프로젝트에는 일반적으로 최신 모델을 권장합니다.

YOLOv5의 이상적인 시나리오

  • 레거시 시스템: YOLOv5 와 이미 깊게 통합되어 이주 비용이 높은 프로젝트들.
  • 특정 하드웨어 지원: 일부 구형 엣지 AI 가속기는 YOLOv5 특정 레이어 구조에 맞춰 고도로 최적화된 커널을 보유할 수 있습니다.
  • 단순성: 순수히 교육적 목적으로, YOLOv5 소의 명시적인 스크립트 기반 구조는 초보자가 한 줄씩 분석하기에 더 쉬울 수 있습니다.

YOLOv8 이상적인 시나리오

  • 고정밀도 요구 사항: 미세한 특징을 감지하는 것이 중요한 의료 영상이나 품질 검사 같은 응용 분야.
  • 다중 작업 학습: 탐지와 함께 분할 또는 자세 추정 작업이 필요한 프로젝트.
  • 미래 대비: 신규 프로젝트를 시작하는 개발자는 장기적인 지원과 최신 배포 도구와의 호환성을 보장하기 위해 YOLOv8 또는 그 이상 버전)을 선택해야 합니다.

미래: Ultralytics

YOLOv5 YOLOv8 , 해당 분야는 계속 진화해 왔습니다. 2026년 최고의 성능을 추구하는 개발자들에게는 Ultralytics 강력히 추천합니다.

왜 YOLO26을 선택해야 할까요? YOLO26은 v5와 v8의 유산을 계승하면서도 속도와 효율성을 위한 혁신적인 변화를 도입합니다:

  • 엔드투엔드 NMS 프리: 비최대 억제(NMS)의 필요성을 제거함으로써 YOLOv2는 배포 로직을 단순화하고 추론 지연 시간을 줄입니다. 이는 YOLOv10에서 선구적으로 제시된 개념입니다.
  • MuSGD 최적화기: 비전 모델에 LLM 훈련 안정성을 제공하는 하이브리드 최적화기로, 더 빠른 수렴을 보장합니다.
  • Edge용으로 강화됨: DFL 제거 및 특정 CPU 통해 YOLO26은 이전 세대에 비해 CPU에서 최대 43% 더 빠르게 실행됩니다.
  • 우수한 소형 물체 탐지: 새로운 ProgLoss 및 STAL 함수는 드론 영상 및 IoT 애플리케이션에 필수적인 소형 표적에 대한 성능을 크게 향상시킵니다.

YOLO26에 대해 더 알아보기

결론

YOLOv5 YOLOv8 모두 컴퓨터 비전 역사에서 기념비적인 성과를 YOLOv8 . YOLOv5 는 기존 애플리케이션에서 안정성과 낮은 메모리 사용량으로 인정받는 믿을 수 있는 저메모리 작업용 도구로 남아 있습니다. YOLOv8는 우수한 다용도성, 높은 정확도, 그리고 최신 연구 동향에 부합하는 보다 현대적인 아키텍처 설계를 제공합니다.

최첨단을 요구하는 이들을 위해, YOLO26 또는 YOLO11 을 고려하는 분들에게는 속도와 정밀도 측면에서 더 큰 이점을 제공할 것입니다. 궁극적으로 강력한 Ultralytics 은 어떤 모델을 선택하든 성공을 위한 도구, 문서 및 커뮤니티 지원을 보장합니다.

코드 예시: 추론 실행

Ultralytics API의 간편함을 경험해 보세요. 이 코드는 YOLOv8, YOLO11, YOLO26 모델에 모두 호환됩니다.

from ultralytics import YOLO

# Load a pretrained model (choose yolov8n.pt or yolo26n.pt)
model = YOLO("yolov8n.pt")

# Run inference on an image from the web
results = model("https://ultralytics.com/images/bus.jpg")

# Process results list
for result in results:
    boxes = result.boxes  # Boxes object for bbox outputs
    masks = result.masks  # Masks object for segmentation masks
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

이러한 모델을 워크플로에 통합하는 방법에 대한 자세한 내용은 빠른 시작 가이드를 참조하십시오.


댓글