YOLOv8과 YOLO26
컴퓨터 비전 분야는 지난 몇 년간 빠르게 발전했습니다. 실시간 애플리케이션에 가장 널리 사용되는 아키텍처 중에는 Ultralytics가 개발한 모델이 있습니다. 이 가이드에서는 Ultralytics YOLOv8과 최신 Ultralytics YOLO26의 아키텍처, 성능 지표, 적합한 사용 사례를 기술적으로 비교하여 배포에 적합한 모델을 선택할 수 있도록 돕습니다.
모델 개요#
YOLOv8과 YOLO26은 모두 YOLO 모델 제품군의 중요한 이정표입니다. 두 모델은 통합 Python API를 통해 빠르고 정확하며 사용하기 쉬운 모델을 제공한다는 Ultralytics의 핵심 철학을 공유합니다.
YOLOv8: 다용도 표준#
2023년 초에 출시된 YOLOv8은 YOLO 프레임워크를 대대적으로 개편하고 앵커 프리 설계와 다양한 컴퓨터 비전 작업에 대한 강력한 지원을 도입했습니다.
- 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직: Ultralytics
- 날짜: 2023-01-10
- GitHub: Ultralytics 저장소
- 문서: YOLOv8 문서
YOLOv8은 성능의 균형과 Ultralytics 생태계와의 긴밀한 통합 덕분에 빠르게 널리 채택되었습니다. 객체 탐지, 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB)를 기본 지원합니다. 그러나 후처리에 표준 비최대 억제(NMS)를 사용하므로 리소스가 매우 제한된 엣지 환경에서는 지연 시간 병목이 발생할 수 있습니다.
YOLO26: 차세대 엣지 AI#
2026년 1월에 출시된 YOLO26은 이전 모델을 기반으로 최신 배포 시나리오, 특히 엣지 AI와 저전력 장치에 최적화되었습니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2026-01-14
- GitHub: Ultralytics 저장소
- 문서: YOLO26 문서
YOLO26은 몇 가지 기술적 개선 사항을 도입했습니다. 가장 주목할 점은 YOLOv10이 YOLO 모델에 도입한 엔드투엔드 NMS 프리 설계입니다. 이 아키텍처는 NMS 후처리를 없애 내보내기 파이프라인을 단순화하고 지연 시간 변동성을 줄입니다. 분포 초점 손실(DFL)을 제거하면 탐지 헤드도 간소화되어 엣지 AI 하드웨어에 더 쉽게 배포할 수 있습니다.
아키텍처 및 학습 혁신#
YOLO26은 내부적으로 여러 가지 발전을 이루어 YOLOv8의 기준 성능을 개선했습니다.
MuSGD를 활용한 최적화 학습#
Ultralytics 모델은 효율적인 학습으로 잘 알려져 있으며, 일반적으로 RT-DETR과 같은 Transformer 기반 아키텍처보다 메모리를 적게 사용합니다. YOLO26은 MuSGD 옵티마이저를 도입해 이를 개선했습니다. 대규모 언어 모델(LLM) 학습 기법, 특히 Moonshot AI의 Kimi K2에서 영감을 얻은 이 확률적 경사 하강법(SGD)과 Muon의 하이브리드는 복잡한 데이터셋 전반에서 더 빠른 수렴과 안정적인 학습을 제공합니다.
손실 및 레이블 할당#
드론 이미지나 IoT 센서처럼 높은 정확도가 필요한 작업에 YOLO26은 ProgLoss + STAL을 도입했습니다. Progressive Loss와 작은 객체 인식형 레이블 할당(STAL)은 작은 객체 탐지 성능을 높입니다. 또한 YOLO26은 다양한 작업별 개선 사항을 제공합니다. 분할의 마스크 생성을 개선하는 멀티스케일 프로토, 더 정밀한 자세 추정을 위한 잔차 로그 가능도 추정(RLE), 방향성 바운딩 박스(OBB) 탐지의 경계 문제를 해결하는 특수 각도 손실이 포함됩니다.
성능 분석 및 비교#
다음 표는 COCO 데이터셋을 사용해 두 모델의 성능 차이를 보여줍니다. 각 크기 범주에서 성능이 가장 높은 값은 굵게 표시했습니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
지표 분석#
데이터에서 세대 간 성능 향상을 확인할 수 있습니다. YOLO26은 거의 모든 지표에서 YOLOv8보다 우수합니다. YOLO26 Nano(YOLO26n) 모델은 YOLOv8n의 37.3보다 훨씬 높은 40.9 mAP를 달성하면서 파라미터 수와 FLOPs는 더 적습니다.
가장 크게 개선된 부분 중 하나는 CPU 추론 속도입니다. 간소화된 아키텍처와 DFL 제거 덕분에 YOLO26n은 CPU ONNX 추론에서 YOLOv8n의 80.4ms보다 빠른 38.9ms를 기록합니다. 또한 YOLO26 논문은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠르다고 보고합니다. 따라서 YOLO26은 Raspberry Pi와 기타 저사양 엣지 장치에 적합합니다. TensorRT를 사용하는 GPU 속도는 두 모델 모두 경쟁력 있는 수준이며, YOLO26은 파라미터 효율성 덕분에 학습 및 추론 시 메모리 사용량도 줄일 수 있습니다.
사용 편의성 및 생태계#
두 모델 모두 잘 관리되는 Ultralytics 생태계의 이점을 누립니다. 통합 API를 사용하면 모델 이름 문자열만 바꿔 YOLOv8과 YOLO26 사이를 전환할 수 있습니다.
하이퍼파라미터 튜닝, 실험 추적, 새로운 데이터셋 탐색 등 어떤 작업을 수행하든 Ultralytics 문서는 방대한 자료를 제공합니다. 또한 Ultralytics Platform을 사용하면 클라우드나 로컬 환경에서 데이터를 간편하게 주석 처리하고, 모델을 학습 및 배포할 수 있습니다.
코드 예제#
아래는 Ultralytics Python API를 사용한 학습, 추론, 내보내기의 전체 실행 가능 예제입니다.
from ultralytics import YOLO
# 최신 YOLO26 Nano 모델을 로드합니다
model = YOLO("yolo26n.pt")
# COCO8 데이터셋으로 50 에포크 동안 모델 학습
# optimizer="auto"는 장시간 실행(>10k iterations)에는 MuSGD를, 이 예제처럼 짧은 실행에는 AdamW를 선택합니다
train_results = model.train(
data="coco8.yaml",
epochs=50,
imgsz=640,
device="cpu", # GPU 학습에는 '0'을 사용합니다
)
# 샘플 이미지에서 추론 실행
# NMS 프리 설계로 깔끔하고 빠른 예측을 생성합니다
results = model("https://ultralytics.com/images/bus.jpg", nms=False)
# 예측 결과 표시
results[0].show()
# CPU 배포를 위해 ONNX로 내보냅니다
export_path = model.export(format="onnx")적합한 사용 사례#
적합한 선택은 배포 대상과 기존 인프라에 따라 달라집니다.
YOLO26을 선택해야 하는 경우:
- 엣지 컴퓨팅 및 로보틱스: 더 빠른 CPU 추론과 NMS 프리 설계 덕분에 임베디드 시스템, 모바일 장치, 자율 로봇에 적합합니다.
- 항공 및 위성 이미지: ProgLoss + STAL은 복잡한 고해상도 장면에서 작은 객체를 탐지할 때 YOLO26에 이점을 제공합니다.
- 신규 프로젝트: 최신 안정 버전인 YOLO26은 모든 신규 머신러닝 파이프라인에 권장되는 모델이며, 시맨틱 분할과 깊이 추정까지 더 폭넓은 작업을 지원합니다.
YOLOv8을 유지해야 하는 경우:
- 레거시 인프라: 현재 프로덕션 파이프라인이 YOLOv8의 특정 출력 텐서와 NMS 후처리에 긴밀하게 결합되어 있다면, 마이그레이션 시 약간의 조정이 필요할 수 있습니다.
- 학술 연구 기준선: YOLOv8은 이전 아키텍처를 비교하는 학술 컴퓨터 비전 연구에서 인용이 많고 안정적인 기준선으로 계속 활용되고 있습니다.
결론적으로 YOLOv8은 실시간 비전 작업의 강력한 기준을 세웠으며, YOLO26은 이를 한층 발전시켰습니다. CPU 효율성의 큰 향상, NMS 프리 배포, LLM에서 영감을 얻은 학습 최적화를 통해 YOLO26은 다양한 하드웨어에 정확한 모델을 실용적으로 배포할 수 있게 합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.