YOLOv5와 YOLOX 비교

실시간 컴퓨터 비전은 속도와 정확도를 개선하는 다양한 아키텍처와 함께 여러 이정표를 거치며 발전해 왔습니다. 이 분야에 큰 영향을 미친 모델 두 가지는 YOLOv5와 YOLOX입니다. 두 모델 모두 객체 감지 성능이 높지만, 아키텍처 접근 방식은 근본적으로 다릅니다.

이 가이드에서는 두 모델의 아키텍처, 성능 지표, 학습 방법론, 이상적인 배포 시나리오를 기술적으로 분석해 개발자와 연구자가 비전 AI 프로젝트에 적합한 도구를 선택하도록 돕습니다.

모델 개요 및 아키텍처 차이#

Ultralytics YOLOv5#

Ultralytics가 선보인 YOLOv5는 뛰어난 성능 균형, 사용 편의성, 메모리 효율성 덕분에 빠르게 업계 표준이 되었습니다. PyTorch 프레임워크를 기반으로 구현된 YOLOv5는 앵커 기반 아키텍처를 사용합니다. 사전 정의된 바운딩 박스 형태를 기반으로 객체 위치를 예측하므로 표준 객체 감지 작업에 매우 효과적입니다.

YOLOv5의 가장 큰 강점 중 하나는 잘 관리되는 생태계입니다. 방대한 문서, 간단한 Python API, Ultralytics Platform과의 기본 통합을 제공합니다. 이를 통해 개발자는 데이터셋 라벨링부터 학습, ONNX 및 TensorRT와 같은 형식으로의 내보내기까지 원활하게 진행할 수 있습니다.

생태계의 이점

Ultralytics YOLO 모델은 일반적으로 복잡한 Transformer 기반 대안보다 학습 중 GPU 메모리를 훨씬 적게 사용합니다. 메모리 사용량이 적어 소비자용 하드웨어로 작업하는 연구자도 YOLOv5를 쉽게 사용할 수 있습니다.

Megvii YOLOX#

Megvii의 연구자들이 개발한 YOLOX는 YOLO 계열에 앵커 프리 설계를 도입하며 기존과 다른 방향을 택했습니다. 앵커 박스를 제거해 탐지 헤드를 단순화하고, 학습 중 수동으로 조정해야 하는 휴리스틱 파라미터 수를 크게 줄였습니다.

YOLOX는 분류와 회귀 작업을 서로 다른 네트워크 브랜치로 분리하는 디커플드 헤드와 SimOTA 라벨 할당 전략도 적용합니다. 이러한 혁신은 학술 연구와 산업 응용 간의 격차를 좁히며, 객체 크기의 편차가 큰 환경에서 YOLOX가 특히 효과적으로 작동하게 합니다.

YOLOX에 대해 자세히 알아보기

성능 및 지표#

컴퓨터 비전 모델을 평가할 때 평균 정밀도(mAP)와 추론 속도 간의 균형은 매우 중요합니다. 두 모델 모두 다양한 하드웨어 제약에 맞춰 Nano부터 Extra-Large까지 여러 크기로 제공됩니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

YOLOXx는 최고 정확도(51.1 mAP)가 약간 더 높지만, YOLOv5는 CPU 및 GPU 하드웨어 전반에서 더 성숙하고 폭넓게 검증된 배포 파이프라인을 제공합니다. 또한 같은 크기에서 T4 TensorRT 지연 시간이 YOLOX보다 짧아 실시간 비디오 분석에 신뢰할 수 있는 선택입니다.

학습 방법 및 사용성#

두 아키텍처의 개발자 경험은 상당히 다릅니다.

YOLOX 접근 방식#

YOLOX를 학습하려면 일반적으로 원본 리포지토리를 복제하고, 특정 종속성을 관리하고, 복잡한 명령줄 스크립트를 실행해야 합니다. MegEngine을 통한 혼합 정밀도 학습 및 멀티 노드 설정과 같은 고급 기능을 지원하지만, 신속한 프로토타이핑이 필요한 개발자에게는 학습 곡선이 가파를 수 있습니다.

Ultralytics의 강점#

반면 Ultralytics는 간소화된 사용자 경험을 우선시합니다. ultralytics Python 패키지를 사용하면 개발자는 최소한의 상용구 코드로 모델을 불러오고 학습하며 검증할 수 있습니다. Ultralytics는 데이터 증강과 학습률 스케줄링을 자동으로 처리하고, 기본 제공 하이퍼파라미터 튜닝 기능도 제공합니다.

from ultralytics import YOLO

# 사전 학습된 YOLOv5 소형 모델 로드
model = YOLO("yolov5su.pt")  # YOLOv5u: ultralytics 패키지용 앵커 프리 YOLOv5 가중치

# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 모델 성능 검증
metrics = model.val()

YOLOv5의 다목적성은 표준 객체 감지에만 국한되지 않습니다. 원래 YOLOv5 리포지토리는 인스턴스 분할과 이미지 분류를 지원하며, ultralytics 패키지는 YOLO26과 같은 최신 모델로 이러한 작업을 지원합니다.

간소화된 배포

학습이 완료되면 YOLOv5 모델을 ONNX, CoreML, LiteRT 또는 OpenVINO로 내보내는 작업은 model.export(format="onnx")과 같은 명령을 한 번 호출하는 것만큼 간단합니다. 따라서 연구 중심 리포지토리에서 흔히 필요한 타사 변환 스크립트를 사용할 필요가 없습니다.

실제 애플리케이션#

이러한 모델 중 어떤 것을 선택할지는 배포 환경과 기술 요구 사항에 따라 달라집니다.

  • 리테일 및 재고 관리: NVIDIA Jetson과 같은 엣지 장치에서 실시간 제품 인식이 필요한 애플리케이션에는 YOLOv5가 적합합니다. 작은 메모리 사용량과 빠른 TensorRT 추론 속도를 바탕으로 실시간 프레임 속도의 다중 카메라 파이프라인을 지원합니다.
  • 학술 연구 및 맞춤형 아키텍처: YOLOX는 연구 커뮤니티에서 높은 평가를 받습니다. 디커플드 헤드와 앵커 프리 구조 덕분에 새로운 라벨 할당 전략을 실험하려는 엔지니어나 기존 앵커 박스가 일반화에 실패하는 데이터셋으로 작업하는 엔지니어에게 훌륭한 기준 모델이 됩니다.
  • 농업 AI: 드론을 이용한 과일 탐지나 잡초 식별과 같은 정밀 농업 작업에서는 Ultralytics Platform을 활용해 YOLOv5 모델을 쉽게 학습하고 배포할 수 있습니다. 따라서 해당 분야 전문가는 머신러닝 엔지니어링에 대한 깊은 지식 없이도 AI 솔루션을 구현할 수 있습니다.

사용 사례 및 권장 사항#

YOLOv5와 YOLOX 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 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.

YOLOX를 선택해야 하는 경우#

다음과 같은 경우 YOLOX를 권장합니다.

  • 앵커 프리 탐지 연구: 새로운 탐지 헤드나 손실 함수를 실험하기 위한 기준 모델로 YOLOX의 간결한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
  • 초경량 엣지 장치: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 구형 모바일 하드웨어에 배포하는 경우입니다.
  • SimOTA 레이블 할당 연구: 최적 수송 기반 레이블 할당 전략과 해당 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.

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.

비전 AI의 미래: YOLO26의 등장#

YOLOv5와 YOLOX는 모두 컴퓨터 비전 역사에서 입지를 굳혔지만, 이 분야는 빠르게 발전하고 있습니다. 오늘 새 프로젝트를 시작하는 개발자에게 Ultralytics는 최신 모델인 YOLO26을 권장합니다.

2026년 1월 출시된 YOLO26은 성능과 사용 편의성 모두에서 크게 발전한 모델입니다. 선택형 종단 간 NMS 없는 설계(nms=False)를 도입해 비최대 억제 후처리를 제거합니다. 이를 통해 지연 시간 변동을 줄이고 저전력 장치의 배포 로직을 단순화합니다.

또한 YOLO26은 LLM 학습 혁신에서 영감을 얻은 SGD와 Muon의 하이브리드인 MuSGD Optimizer를 사용해 안정적이고 빠른 수렴을 지원합니다. DFL 제거(간소화된 내보내기와 엣지 및 저전력 장치와의 호환성 향상을 위해 Distribution Focal Loss를 제거)를 통해 YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠르므로 최신 엣지 컴퓨팅, 로보틱스, IoT 애플리케이션에 적합합니다. 또한 ProgLoss + STAL(점진적 손실과 소형 객체 인식형 라벨 할당)은 소형 객체 인식 성능을 크게 향상합니다. 이는 IoT, 로보틱스, 항공 이미지에서 특히 중요합니다. 이전 세대에 관심이 있다면 YOLO11도 살펴볼 수 있지만, 새 프로젝트에는 YOLO26을 권장합니다.

결론#

YOLOv5와 YOLOX는 모두 강력한 객체 감지 기능을 제공합니다. YOLOX는 2021년에 앵커 프리 설계가 앵커 기반 방식과 동등하거나 더 나은 성능을 낼 수 있음을 보여주었습니다. 그러나 YOLOv5는 사용 편의성, 폭넓은 생태계, 학습 중 낮은 메모리 요구량 덕분에 여전히 널리 사용됩니다.

대다수 상용 애플리케이션에서 Ultralytics 생태계는 원시 데이터셋부터 배포된 프로덕션 모델까지 가장 빠르게 도달할 수 있는 경로를 제공합니다. 검증된 YOLOv5를 사용하든 YOLO26으로 업그레이드하든, 개발자는 비전 AI를 더 쉽게 효율적으로 활용하도록 설계된 프레임워크의 이점을 얻습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.