YOLOv6-3.0과 YOLOv5#
실시간 객체 탐지의 발전 과정에서는 다양한 배포 시나리오에 맞춰 최적화된 여러 아키텍처가 등장했습니다. 이번 심층 분석에서는 산업용에 초점을 둔 YOLOv6-3.0과 기반 모델이자 다목적성이 뛰어난 Ultralytics YOLOv5라는 두 대표 모델을 비교합니다. 각 모델의 아키텍처 선택, 성능 지표, 에코시스템 지원을 이해하면 실제 애플리케이션에 적합한 컴퓨터 비전 프레임워크를 선택하는 데 도움이 됩니다.
YOLOv6-3.0: 산업용 처리량과 하드웨어 최적화#
Meituan의 Vision AI 부서에서 개발한 YOLOv6-3.0은 고처리량 산업 환경에 맞춰 설계되었습니다. 전용 NVIDIA GPU와 같은 하드웨어 가속기에서 프레임 속도를 극대화하는 데 집중합니다.
- 저자: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, Xiangxiang Chu
- 조직: Meituan
- 날짜: 2023-01-13
- Arxiv: 2301.05586
- GitHub: meituan/YOLOv6
- 문서: YOLOv6 문서
아키텍처의 강점#
YOLOv6-3.0은 속도를 높이기 위해 설계된 여러 구조적 최적화를 도입합니다. 이 모델은 GPU 추론 시 하드웨어 친화성을 갖추도록 특별히 설계된 EfficientRep 백본을 사용합니다. 따라서 오프라인 배치 처리 작업에서 특히 강력한 아키텍처입니다.
학습 단계에서 모델은 앵커 지원 학습(AAT) 전략을 적용합니다. 이 접근법은 앵커 기반 학습의 안정성과 앵커 프리 추론의 속도를 결합하려고 합니다. 또한 넥 아키텍처에 양방향 연결(BiC) 모듈을 사용해 다양한 스케일의 특징 융합을 개선합니다. TensorRT를 사용하는 고급 서버 GPU에 맞춰 고도로 최적화되어 있지만, 이러한 특수화로 인해 CPU만 사용하는 디바이스나 저전력 엣지 디바이스에서는 지연 시간이 늘어날 수 있습니다.
Ultralytics YOLOv5: 누구나 활용할 수 있는 비전 AI의 선구자#
Ultralytics가 출시한 YOLOv5는 사용 편의성, 학습 효율성, 견고한 배포의 새로운 표준을 세웠습니다. 최신 딥러닝 워크플로와 긴밀하게 통합해 고성능 객체 탐지를 더 많은 개발자가 활용할 수 있도록 했습니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: ultralytics/yolov5
- 플랫폼: Ultralytics Platform
생태계 및 다재다능함#
YOLOv5의 특징은 사용 편의성입니다. PyTorch 프레임워크를 기반으로 구축된 저장소는 머신러닝 수명 주기를 크게 간소화하는 통합 Python API를 제공합니다. 데이터셋 구성부터 최종 배포까지 통합 에코시스템을 활용하면 개발자는 환경 디버깅 시간을 줄이고 애플리케이션 개발에 더 많은 시간을 쓸 수 있습니다.
YOLOv5는 객체 탐지에만 국한되지 않습니다. 이미지 분류와 인스턴스 분할을 기본적으로 지원하는 탁월한 다목적성을 제공합니다. 또한 스마트 캐싱, 자동 데이터 로더, 분산 멀티 GPU 학습 기본 지원을 갖춘 뛰어난 학습 효율성도 제공합니다.
모델 아키텍처를 비교할 때 메모리 사용량은 중요한 요소입니다. Ultralytics YOLO 모델은 무거운 Transformer 모델보다 학습과 추론 모두에서 VRAM 요구량이 훨씬 적어 일반 소비자용 하드웨어나 Google Colab과 같은 클라우드 노트북을 사용하는 개발자도 쉽게 활용할 수 있습니다.
성능 및 아키텍처 비교#
아래 표는 표준 COCO 데이터셋에서 평가한 두 아키텍처의 성능 지표를 보여 줍니다. 다양한 환경에서 모델이 평균 정밀도와 추론 속도 사이의 절충 관계에 어떻게 대응하는지 확인해 보세요.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| 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 |
분석#
YOLOv6-3.0은 인상적인 mAP 점수를 달성하며 T4 GPU의 TensorRT 파이프라인에 맞춰 고도로 최적화되어 있습니다. 반면 YOLOv5는 ONNX, CoreML, LiteRT를 포함한 여러 형식으로 즉시 내보낼 수 있는 매우 잘 관리되는 에코시스템을 갖추고 있습니다. 이러한 성능 균형 덕분에 YOLOv5는 전용 서버뿐 아니라 모바일 디바이스와 Raspberry Pi와 같은 엣지 컴퓨팅 환경에서도 안정적으로 작동합니다.
코드 예제: Ultralytics를 사용한 간편한 학습#
Ultralytics 에코시스템의 가장 큰 장점 중 하나는 간소화된 사용자 경험입니다. 모델 학습, 평가, 내보내기에 Python 코드 몇 줄이면 충분합니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv5 소형 모델을 불러옵니다
model = YOLO("yolov5su.pt") # YOLOv5u: ultralytics 패키지용 앵커 프리 YOLOv5 가중치
# COCO8 데이터셋으로 모델 학습
# API가 데이터셋 다운로드와 하이퍼파라미터 구성을 자동으로 처리합니다
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# 이미지에서 추론 실행
predictions = model("https://ultralytics.com/images/bus.jpg")
# 유연한 배포를 위해 모델을 ONNX 형식으로 내보냅니다
model.export(format="onnx")이상적인 사용 사례 및 배포 시나리오#
이러한 아키텍처 중 어떤 것을 선택할지는 구체적인 인프라 제약에 따라 달라지는 경우가 많습니다.
- YOLOv6-3.0을 배포할 경우: 전용 NVIDIA GPU를 사용할 수 있고 지연 시간을 최소화해야 하는 자동화 제조 라인과 고처리량 서버 분석에 적합합니다. TensorRT 최적화를 최대한 활용할 수 있는 환경에서 아키텍처의 장점이 발휘됩니다.
- YOLOv5를 배포할 경우: 신속한 프로토타이핑, 크로스 플랫폼 배포, 통합 파이프라인을 원하는 팀에 적합한 선택입니다. 다양한 내보내기 기능 덕분에 엣지 디바이스를 활용하는 소매 분석과 농업용 드론 모니터링에 이상적입니다.
객체 탐지의 미래: YOLO26의 등장#
YOLOv5와 YOLOv6은 중요한 이정표이지만 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 새로운 프로젝트를 시작하거나 절대적인 최첨단 성능을 원하는 개발자에게 Ultralytics YOLO26(2026년 1월 출시)으로 업그레이드할 것을 적극 권장합니다.
YOLO26은 획기적인 종단 간 NMS 프리 설계를 도입해 엣지 우선 비전 AI의 기준을 새롭게 정의합니다. nms=False을 사용해 NMS 프리 헤드를 선택하면 비최대 억제 후처리를 없애 배포 로직을 간소화하고 지연 시간 변동을 크게 줄입니다.
YOLO26의 주요 혁신은 다음과 같습니다.
- MuSGD 옵티마이저: SGD와 Muon의 하이브리드로, 컴퓨터 비전에 고급 LLM 학습 안정성을 적용해 더 빠르고 신뢰할 수 있는 수렴을 실현합니다.
- 최대 43% 더 빠른 CPU 추론: 전용 가속기가 없는 환경에 맞춰 대폭 최적화되었습니다.
- DFL 제거: Distribution Focal Loss를 제거하면 내보내기 프로세스가 간소화되고 저전력 엣지 디바이스와의 호환성이 향상됩니다.
- ProgLoss + STAL: 소형 객체 인식을 크게 향상하는 고급 손실 함수로, 항공 이미지와 스마트 시티 IoT 센서에 중요합니다.
범용 작업에는 YOLO11도 Ultralytics 제품군에서 계속 우수한 완전 지원 모델로 선택할 수 있습니다.
결론#
YOLOv6-3.0과 YOLOv5는 모두 실시간 탐지 기술 발전에 중추적인 역할을 해왔습니다. YOLOv6-3.0은 GPU 가속 처리량을 위한 고도로 전문화된 아키텍처를 제공하는 반면, YOLOv5는 광범위한 문서, 사용 편의성, 멀티태스크 기능을 통해 탁월한 개발자 경험을 제공합니다.
최신 애플리케이션에서는 통합 Ultralytics 생태계를 활용하면 미래에도 유효한 워크플로를 구축할 수 있습니다. YOLO26과 같은 최신 아키텍처를 도입하면 배포 파이프라인에서 속도, 정확도, 알고리즘 단순성의 최신 혁신을 활용할 수 있습니다.