YOLOv5와 YOLOX#
실시간 컴퓨터 비전의 발전 과정에서는 속도와 정확도의 한계를 뛰어넘는 다양한 아키텍처가 등장하며 수많은 이정표가 세워졌습니다. 이 분야에서 큰 영향력을 발휘한 두 모델은 YOLOv5와 YOLOX입니다. 두 모델 모두 객체 감지에서 높은 성능으로 잘 알려져 있지만, 근본적으로 서로 다른 아키텍처 접근 방식을 사용합니다.
이 가이드에서는 두 모델의 아키텍처, 성능 지표, 학습 방법론 및 적합한 배포 시나리오를 심층적으로 기술 분석하여 개발자와 연구자가 비전 AI 프로젝트에 적합한 도구를 선택할 수 있도록 지원합니다.
모델 개요 및 아키텍처 차이#
Ultralytics YOLOv5#
- 작성자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: Ultralytics YOLOv5 리포지토리
- 문서: YOLOv5 공식 문서
Ultralytics가 선보인 YOLOv5는 뛰어난 성능, 사용 편의성 및 메모리 효율성의 균형 덕분에 빠르게 업계 표준이 되었습니다. PyTorch 프레임워크를 기반으로 네이티브하게 구축된 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 유지 관리되는 생태계입니다. 광범위한 문서, 매우 간단한 Python API, Ultralytics Platform과의 네이티브 통합을 제공합니다. 이를 통해 개발자는 데이터셋 라벨링부터 학습, ONNX 및 TensorRT와 같은 형식으로의 내보내기까지 원활하게 진행할 수 있습니다.
Ultralytics YOLO 모델은 일반적으로 복잡한 Transformer 기반 대안 모델에 비해 학습 중 필요한 GPU 메모리가 훨씬 적습니다. 이러한 낮은 메모리 사용량 덕분에 YOLOv5는 소비자용 하드웨어로 작업하는 연구자도 쉽게 활용할 수 있습니다.
Megvii YOLOX#
- 저자: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- 조직: Megvii
- 날짜: 2021-07-18
- Arxiv: YOLOX: 2021년 YOLO 시리즈를 뛰어넘다
- GitHub: Megvii YOLOX 리포지토리
- 문서: YOLOX GitHub 문서
Megvii의 연구자들이 개발한 YOLOX는 YOLO 제품군에 앵커 프리 설계를 도입하여 다른 방향을 선택했습니다. 앵커 박스를 제거함으로써 YOLOX는 감지 헤드를 단순화하고 학습 중 수동으로 조정해야 하는 휴리스틱 파라미터 수를 크게 줄였습니다.
YOLOX는 또한 분리형 헤드를 도입하여 분류 작업과 회귀 작업을 서로 다른 네트워크 브랜치로 분리하고, SimOTA 라벨 할당 전략을 활용합니다. 이러한 혁신은 학술 연구와 산업 애플리케이션 간의 격차를 줄여 YOLOX를 객체 크기의 편차가 큰 환경에서 특히 효과적으로 만듭니다.
성능 및 지표#
컴퓨터 비전 모델을 평가할 때 평균 정밀도(mAP)와 추론 속도 간의 상충 관계는 매우 중요합니다. 두 모델 모두 다양한 하드웨어 제약에 맞출 수 있도록 Nano부터 Extra-Large까지 여러 크기를 제공합니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
YOLOXx는 최고 정확도(51.1 mAP)가 약간 더 높지만, YOLOv5는 CPU와 GPU 하드웨어 전반에서 훨씬 더 견고하고 철저히 검증된 배포 파이프라인을 제공합니다. YOLOv5의 TensorRT 속도는 엣지 컴퓨팅 디바이스에 대한 심층적인 최적화를 보여 주며, 실시간 비디오 분석을 위한 매우 신뢰할 수 있는 선택이 됩니다.
학습 방법론 및 사용 편의성#
이 두 아키텍처의 개발자 경험은 상당히 다릅니다.
YOLOX 접근 방식#
일반적으로 YOLOX를 학습하려면 원본 리포지토리를 클론하고, 특정 종속성을 관리하며, 복잡한 CLI 스크립트를 실행해야 합니다. MegEngine을 통한 mixed-precision 학습 및 멀티 노드 설정과 같은 고급 기능을 지원하지만, 신속한 프로토타이핑이 필요한 개발자에게는 학습 곡선이 가파를 수 있습니다.
Ultralytics의 강점#
반면 Ultralytics는 매우 간소화된 사용자 경험을 우선시합니다. ultralytics Python 패키지를 사용하면 개발자는 최소한의 보일러플레이트 코드만으로 모델을 로드하고 학습하며 검증할 수 있습니다. Ultralytics는 복잡한 데이터 증강, 하이퍼파라미터 진화 및 학습률 스케줄링을 자동으로 처리합니다.
from ultralytics import YOLO
# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance
metrics = model.val()또한 YOLOv5의 다재다능함은 표준 객체 감지를 넘어 확장되어, 동일한 일관된 API 내에서 이미지 분류 및 인스턴스 세그멘테이션을 강력하게 지원합니다.
학습이 완료되면 YOLOv5 모델을 CoreML, TFLite 또는 OpenVINO로 내보내는 작업은 model.export(format="onnx")을 실행하는 것만큼 간단합니다. 따라서 연구 중심 리포지토리에서 흔히 필요한 서드파티 변환 스크립트가 필요하지 않습니다.
실제 애플리케이션#
이러한 모델 중 어떤 것을 선택할지는 배포 환경과 기술 요구 사항에 따라 달라집니다:
- 소매 및 재고 관리: NVIDIA Jetson과 같은 엣지 디바이스에서 실시간 제품 인식이 필요한 애플리케이션에는 YOLOv5가 특히 적합합니다. 최소한의 메모리 사용량과 빠른 TensorRT 추론 속도 덕분에 프레임 드롭 없이 여러 카메라를 추적할 수 있습니다.
- 학술 연구 및 맞춤형 아키텍처: YOLOX는 연구 커뮤니티에서 높은 평가를 받고 있습니다. 분리형 헤드와 앵커 프리 특성 덕분에 새로운 라벨 할당 전략을 실험하려는 엔지니어나 기존 앵커 박스가 일반화에 실패하는 데이터셋을 다루는 엔지니어에게 탁월한 베이스라인이 됩니다.
- 농업 AI: 드론을 활용한 과일 감지나 잡초 식별과 같은 정밀 농업 작업에서는 Ultralytics Platform을 사용해 YOLOv5 모델을 쉽게 학습하고 배포할 수 있으므로, 도메인 전문가는 고도의 머신러닝 엔지니어링 지식 없이도 AI 솔루션을 구현할 수 있습니다.
사용 사례 및 권장 사항#
YOLOv5와 YOLOX 중 어떤 것을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건 및 생태계 선호도에 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.
YOLOX를 선택할 시점#
다음과 같은 경우 YOLOX를 권장합니다.
- 앵커 프리 감지 연구: 새로운 감지 헤드 또는 손실 함수를 실험하기 위한 기준선으로 YOLOX의 깔끔한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
- 초경량 엣지 디바이스: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 레거시 모바일 하드웨어에 배포하는 경우입니다.
- SimOTA 라벨 할당 연구: 최적 수송 기반 라벨 할당 전략과 이러한 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.
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.
비전 AI의 미래: YOLO26의 등장#
YOLOv5와 YOLOX 모두 컴퓨터 비전 역사에서 확고한 위치를 차지하고 있지만, 이 분야는 빠르게 발전하고 있습니다. 오늘날 새로운 프로젝트를 시작하는 개발자에게 Ultralytics는 최신 플래그십 모델인 YOLO26을 살펴볼 것을 적극 권장합니다.
2026년 1월에 출시된 YOLO26은 성능과 사용 편의성 모두에서 큰 도약을 이루었습니다. 획기적인 엔드투엔드 NMS 프리 설계를 도입하여 Non-Maximum Suppression 후처리를 완전히 제거합니다. 이를 통해 지연 시간 변동성이 크게 줄어들고 저전력 디바이스에서의 배포 로직이 간소화됩니다.
또한 YOLO26은 LLM 학습 혁신에서 영감을 얻은 SGD와 Muon의 하이브리드 방식인 새로운 MuSGD 옵티마이저를 활용하여 매우 안정적이고 빠른 수렴을 실현합니다. DFL 제거(단순화된 내보내기와 엣지 및 저전력 디바이스 호환성 향상을 위해 Distribution Focal Loss 제거)를 통해 YOLO26은 최대 43% 더 빠른 CPU 추론을 달성하여 최신 엣지 컴퓨팅, 로보틱스 및 IoT 애플리케이션을 위한 최고의 모델로서 입지를 확고히 합니다. 또한 ProgLoss + STAL은 손실 함수를 개선하여 작은 객체 인식 성능을 크게 향상하며, 이는 IoT, 로보틱스 및 항공 이미지에서 중요합니다. 이전 세대에 관심이 있는 사용자는 YOLO11도 살펴볼 수 있지만, YOLO26은 논란의 여지 없이 최첨단 선택지입니다.
결론#
YOLOv5와 YOLOX는 모두 뛰어난 객체 감지 기능을 제공합니다. YOLOX는 2021년에 앵커 프리 설계가 기존 방식과 경쟁하고 이를 능가할 수 있음을 입증하며 아키텍처의 한계를 확장했습니다. 그러나 YOLOv5는 탁월한 사용 편의성, 광범위한 생태계 및 학습 중 더 낮은 메모리 요구 사항 덕분에 여전히 지배적인 위치를 유지하고 있습니다.
대부분의 상용 애플리케이션에서 Ultralytics 생태계는 원시 데이터셋에서 프로덕션에 배포된 모델까지 가장 빠른 경로를 제공합니다. 검증된 YOLOv5를 사용하든 최첨단 YOLO26으로 업그레이드하든, 개발자는 비전 AI를 접근성 높고 효율적이며 고성능으로 만들도록 설계된 프레임워크의 이점을 누릴 수 있습니다.