YOLOv5와 YOLOv8 비교
확장 가능하고 효율적인 컴퓨터 비전 애플리케이션을 구축할 때 적합한 아키텍처를 선택하는 것은 매우 중요합니다. Ultralytics 생태계는 속도와 정확도를 꾸준히 개선하고, 실제 환경 배포를 위한 강력한 도구를 개발자에게 제공합니다. 이 기술 비교에서는 YOLOv5와 YOLOv8의 차이를 살펴보고 아키텍처, 성능 절충점, 이상적인 사용 사례를 검토하여 다음 AI 프로젝트에서 정보에 기반한 결정을 내릴 수 있도록 돕습니다.
두 모델은 실시간 객체 탐지 역사에서 중요한 이정표이며, 모두 Ultralytics 생태계의 특징인 낮은 메모리 요구 사항과 사용 편의성의 이점을 누립니다.
YOLOv5: 신뢰받는 업계 표준#
2020년에 공개된 YOLOv5는 빠르고 접근성이 높으며 신뢰할 수 있는 객체 탐지의 표준으로 빠르게 자리 잡았습니다. 네이티브 PyTorch 구현을 활용해 전 세계 엔지니어의 학습 및 배포 수명 주기를 간소화했습니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: ultralytics/yolov5
- 문서: YOLOv5 문서
아키텍처의 강점#
YOLOv5는 앵커 기반 탐지 방식을 사용하며, 객체 경계를 예측하기 위해 사전 정의된 앵커 박스에 의존합니다. 아키텍처에는 그래디언트 흐름을 최적화하고 계산 중복을 줄이는 Cross-Stage Partial (CSP) 네트워크 백본이 포함됩니다. 그 결과 메모리 사용량이 적어 표준 소비자용 GPU에서도 빠르게 학습할 수 있습니다.
적합한 사용 사례#
YOLOv5는 최대 처리량과 최소 리소스 사용을 우선시하는 프로젝트에 적합합니다. Raspberry Pi나 모바일 디바이스에 배포하는 엣지 AI 환경에서 강점을 보입니다. 성숙한 모델인 만큼 수천 건의 상용 배포를 통해 검증되었으며, 기존 객체 탐지 워크플로에서 안정적으로 작동합니다.
YOLOv8: 통합 비전 프레임워크#
2023년 1월에 공개된 YOLOv8은 전용 객체 탐지기에서 다목적 멀티태스크 비전 프레임워크로 발전하며 아키텍처를 크게 전환했습니다.
- 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직: Ultralytics
- 날짜: 2023-01-10
- GitHub: ultralytics/ultralytics
- 문서: YOLOv8 문서
아키텍처 혁신#
이전 모델과 달리 YOLOv8은 앵커 프리 탐지 헤드를 도입했습니다. 이를 통해 데이터셋 분포에 따라 앵커 구성을 수동으로 조정할 필요가 없어져, 널리 사용되는 COCO 데이터셋부터 다양한 맞춤형 데이터까지 데이터셋 전반에서 일반화 성능이 향상됩니다.
또한 아키텍처는 백본을 업그레이드하여 기존 C3 모듈을 C2f 모듈(두 개의 합성곱을 포함하는 Cross-Stage Partial 병목 블록)로 대체했습니다. 이 개선은 메모리 부담을 크게 늘리지 않으면서 특징 표현을 향상합니다. 또한 분류와 회귀 작업을 분리하는 디커플드 헤드를 구현하여 모델 학습 중 수렴 성능을 개선합니다.
다용도성 및 Python API#
YOLOv8은 최신 ultralytics Python API를 도입하여 다양한 컴퓨터 비전 작업의 워크플로를 표준화했습니다. 인스턴스 세그멘테이션, 이미지 분류, 자세 추정 중 어떤 작업을 수행하든 통합 API에서는 설정을 조금만 변경하면 됩니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv8 모델 불러오기
model = YOLO("yolov8n.pt")
# 내장된 메모리 효율성을 활용해 사용자 지정 데이터셋으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 추론을 실행하고 결과를 간편하게 파싱합니다
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()상세 성능 비교#
두 세대를 비교하면 전형적인 절충 관계가 나타납니다. YOLOv8은 전반적으로 더 높은 평균 정밀도(mAP)를 달성하는 반면, YOLOv5는 가장 작은 모델 변형에서 절대 추론 속도와 매개변수 수 측면의 우위를 유지합니다.
아래는 이미지 크기 640픽셀 기준 COCO 데이터셋에서의 성능 지표 상세 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
데이터를 보면 YOLOv8이 정확도를 크게 향상하는 것을 알 수 있습니다. 예를 들어 YOLOv8s은 44.9 mAP를 달성하는 반면, YOLOv5s은 37.4 mAP로 7.5포인트 낮아 밀집 장면과 소형 객체에서 성능 차이가 나타납니다. 그러나 제약이 매우 큰 환경에서는 YOLOv5n가 가장 낮은 매개변수 수와 FLOPs를 제공하는 가장 효율적인 선택입니다.
두 모델 모두 트랜스포머 모델과 같이 더 큰 아키텍처보다 학습 시 CUDA 메모리 사용량이 적도록 고도로 최적화되어 있습니다. 따라서 일반 GPU에서 더 큰 배치 크기를 활용해 연구 주기를 단축할 수 있습니다.
생태계의 이점#
YOLOv5 또는 YOLOv8을 선택하면 개발자는 잘 관리되는 Ultralytics Platform을 이용할 수 있습니다. 이 통합 환경은 데이터셋 어노테이션, 클라우드 학습, 모델 모니터링을 위한 간편한 도구를 제공하며, ultralytics 패키지는 내장된 하이퍼파라미터 튜닝 기능을 추가합니다. 활발한 개발과 탄탄한 커뮤니티 지원 덕분에 개발자는 문제를 빠르게 해결하고 Weights & Biases, ClearML과 같은 외부 도구를 통합할 수 있습니다.
다른 프레임워크는 학습 곡선이 더 가파를 수 있지만, Ultralytics는 간소화된 사용자 경험을 우선시하여 다양한 실제 배포 시나리오에 적합한 속도와 정확도의 균형을 제공합니다.
v8 이후: YOLO11 및 YOLO26 살펴보기#
YOLOv8은 매우 유능한 프레임워크이지만 인공지능 분야는 빠르게 발전합니다. 최첨단 성능에 관심이 있는 개발자는 v8을 기반으로 정확도와 속도를 개선한 YOLO11도 살펴보아야 합니다.
새 프로젝트에는 Ultralytics가 Ultralytics YOLO26을 권장합니다. 2026년 1월에 공개된 YOLO26은 다음과 같은 여러 개선 사항을 도입합니다.
- 엔드투엔드 NMS 프리 설계: YOLOv10이 YOLO 모델에 도입한 NMS 프리 학습을 바탕으로, YOLO26의 선택적 일대일 헤드(
nms=False)는 비최대 억제 후처리를 제거하여 배포 파이프라인을 더 간단하고 빠르게 만듭니다. - MuSGD 옵티마이저: Kimi K2 같은 모델에서 볼 수 있는 LLM 학습 혁신에서 영감을 얻은 YOLO26은 하이브리드 옵티마이저를 사용해 더 안정적인 학습과 빠른 수렴을 지원합니다.
- 엣지 컴퓨팅: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로, 전용 GPU가 없는 디바이스에 적합합니다.
- 정확도 향상: 새로운 점진적 손실과 소형 객체 인식 레이블 할당(ProgLoss + STAL)을 활용해 소형 객체 인식 성능을 개선합니다. 이는 로보틱스와 항공 드론 이미지에서 중요합니다.
YOLOv5로 레거시 시스템을 유지 관리하거나, YOLOv8로 범용 애플리케이션을 확장하거나, 새 프로젝트에 YOLO26을 도입하는 경우에도 Ultralytics 생태계는 최신 비전 AI를 학습하고 배포하며 유지 관리할 수 있는 도구를 제공합니다.
댓글1
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.
EllaSophia(수정됨)
Excellent breakdown of YOLOv5 vs. YOLOv8! It's clear how YOLOv8 introduces major improvements in model architecture, task flexibility, and training pipeline. This YOLOv8 comparison really helps in understanding how far the framework has evolved, especially for those upgrading from YOLOv5.