Ultralytics YOLO27:

YOLOv8 vs YOLO26#

컴퓨터 비전 분야는 지난 몇 년 동안 눈부신 발전을 거듭해 왔습니다. 실시간 애플리케이션에 가장 널리 사용되는 아키텍처 중에는 Ultralytics가 개발한 모델이 있습니다. 이 종합 가이드에서는 획기적인 Ultralytics YOLOv8과 최신 최첨단 모델인 Ultralytics YOLO26을 기술적으로 상세히 비교합니다. 아키텍처, 성능 지표 및 이상적인 사용 사례를 분석하여 배포에 적합한 모델을 선택할 수 있도록 도와드립니다.

모델 개요#

YOLOv8과 YOLO26은 모두 YOLO 모델 제품군의 중요한 이정표를 나타냅니다. 두 모델은 통합된 Python 환경과 API를 통해 빠르고 정확하며 매우 쉽게 사용할 수 있는 모델을 제공한다는 Ultralytics의 핵심 철학을 공유합니다.

YOLOv8: 다목적 표준#

2023년 초에 출시된 YOLOv8은 YOLO 프레임워크를 대대적으로 개편하여 앵커 프리 설계와 다양한 컴퓨터 비전 작업에 대한 강력한 지원을 도입했습니다.

YOLOv8은 뛰어난 성능 균형과 Ultralytics 생태계와의 긴밀한 통합을 바탕으로 빠르게 업계 표준이 되었습니다. 기본적으로 객체 탐지, 인스턴스 세그멘테이션, 포즈 추정, 이미지 분류를 지원합니다. 그러나 후처리에 표준 비최대 억제(NMS)를 사용하므로, 리소스가 매우 제한된 엣지 환경에서는 지연 시간 병목이 발생할 수 있습니다.

YOLO26: 차세대 엣지 강자#

2026년 1월에 출시된 YOLO26은 이전 모델이 구축한 기반을 바탕으로 현대적인 배포 시나리오, 특히 엣지 AI와 저전력 디바이스에 맞게 적극적으로 최적화되었습니다.

YOLO26은 패러다임을 바꾸는 몇 가지 기술적 개선 사항을 도입했습니다. 가장 주목할 만한 점은 엔드투엔드 NMS 프리 설계입니다. YOLOv10에서 처음 개척된 이 아키텍처는 NMS 후처리의 필요성을 제거하여 내보내기 파이프라인을 크게 단순화하고 지연 시간의 변동성을 줄입니다. 또한 분포 초점 손실(DFL)을 제거하여 탐지 헤드를 간소화하므로 엣지 AI 하드웨어에 매우 적합합니다.

기타 Ultralytics 모델

YOLOv8과 YOLO26은 모두 매우 강력하지만, 두 세대 사이의 격차를 정 refined 아키텍처로 좁힌 YOLO11이나, 매우 구체적인 레거시 통합이 필요한 경우 YOLOv5도 고려할 수 있습니다.

아키텍처 및 학습 혁신#

YOLO26은 YOLOv8의 기준 성능을 크게 향상시키는 여러 가지 내부 개선 사항을 제공합니다.

MuSGD를 활용한 최적화된 학습#

학습 효율성은 Ultralytics 모델의 대표적인 특징으로, 일반적으로 RT-DETR과 같은 대규모 Transformer 기반 아키텍처보다 훨씬 적은 메모리를 사용합니다. YOLO26은 MuSGD 옵티마이저를 도입하여 이를 더욱 개선했습니다. 대규모 언어 모델(LLM) 학습 기법, 특히 Moonshot AI의 Kimi K2에서 영감을 받은 이 확률적 경사 하강법(SGD)과 Muon의 하이브리드 방식은 복잡한 데이터셋에서 더 빠른 수렴과 매우 안정적인 학습 동역학을 보장합니다.

고급 Loss Function#

드론 이미지나 IoT 센서처럼 높은 정밀도가 필요한 작업을 위해 YOLO26은 ProgLoss + STAL을 도입했습니다. 이러한 개선된 손실 함수는 작은 객체 인식 성능을 크게 향상시킵니다. 또한 YOLO26은 전반적으로 작업별 개선 사항을 제공합니다. 세그멘테이션에서 더 우수한 마스크 생성을 위한 멀티 스케일 프로토, 더욱 정밀한 포즈 추정을 위한 잔차 로그 가능도 추정(RLE), 방향성 BBox(OBB) 탐지에서 경계 문제를 해결하는 특수 각도 손실 등이 이에 해당합니다.

성능 분석 및 비교#

다음 표는 COCO 데이터셋을 사용하여 두 모델의 성능 차이를 보여줍니다. 각 크기 범주에서 가장 우수한 성능을 보이는 값은 굵게 표시했습니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLO26n64040.938.91.72.45.4
YOLOv8s64044.9128.42.6611.228.6
YOLO26s64048.687.22.59.520.7
YOLOv8m64050.2234.75.8625.978.9
YOLO26m64053.1220.04.720.468.2
YOLOv8l64052.9375.29.0643.7165.2
YOLO26l64055.0286.26.224.886.4
YOLOv8x64053.9479.114.3768.2257.8
YOLO26x64057.5525.811.855.7193.9

메트릭 분석#

데이터는 세대가 크게 도약했음을 보여줍니다. YOLO26은 모든 지표에서 YOLOv8을 크게 앞섭니다. YOLO26 Nano(YOLO26n) 모델은 40.9 mAP라는 뛰어난 성능을 달성하여 YOLOv8n의 37.3보다 상당히 높으며, 더 적은 파라미터와 FLOPs를 사용합니다.

가장 두드러진 개선 사항 중 하나는 CPU 추론 속도입니다. 최적화된 아키텍처와 DFL 제거를 통해 YOLO26은 ONNX를 사용할 때 CPU 추론 속도가 최대 43% 더 빠릅니다. 따라서 YOLO26은 Raspberry Pi 및 기타 저사양 엣지 디바이스에 탁월한 선택입니다. TensorRT를 사용하는 GPU 속도는 두 모델 모두 경쟁력 있지만, YOLO26의 전반적인 파라미터 효율성은 학습과 추론 모두에서 더 작은 메모리 풋프린트로 이어집니다.

사용 편의성과 생태계#

두 모델 모두 잘 유지 관리되는 Ultralytics 생태계의 혜택을 크게 받습니다. 개발자들은 통합 API가 제공하는 편의성을 높이 평가하며, 모델 이름 문자열만 변경하면 YOLOv8과 YOLO26 사이를 전환할 수 있습니다.

하이퍼파라미터 튜닝을 수행하거나, 실험 추적을 진행하거나, 새로운 데이터셋을 탐색하는 경우에도 Ultralytics 문서에서 광범위한 리소스를 제공합니다. 또한 Ultralytics Platform은 이러한 모델에 주석을 추가하고, 학습하고, 클라우드 또는 로컬 환경에 원활하게 배포할 수 있는 간소화된 방법을 제공합니다.

코드 예제#

학습과 추론을 시작하는 과정은 매우 간단합니다. 아래에는 Ultralytics Python API를 사용하는 완전하고 실행 가능한 예제가 있습니다.

from ultralytics import YOLO

# Load the latest state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 50 epochs
# The MuSGD optimizer is automatically leveraged for YOLO26
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # Use '0' for GPU training
)

# Run inference on a sample image
# The NMS-free design provides clean, rapid predictions
results = model("https://ultralytics.com/images/bus.jpg")

# Display the predictions
results[0].show()

# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")
간편한 배포

YOLO26을 CoreML이나 OpenVINO와 같은 형식으로 내보내는 작업은 이전 모델보다 훨씬 원활합니다. NMS 프리 아키텍처가 내보낸 그래프에서 복잡한 사용자 지정 연산을 제거하기 때문입니다.

이상적인 사용 사례#

적합한 모델을 선택하는 것이 프로젝트의 성공을 좌우합니다.

YOLO26을 선택해야 하는 경우:

  • 엣지 컴퓨팅 및 로보틱스: CPU 속도가 43% 더 빠르고 NMS가 없으므로 임베디드 시스템, 모바일 디바이스, 자율 로봇에 가장 적합한 선택입니다.
  • 항공 및 위성 이미지: ProgLoss + STAL의 구현으로 인해 YOLO26은 복잡하고 고해상도인 지형에서 작은 객체를 탐지할 때 뚜렷한 이점을 제공합니다.
  • 새 프로젝트: 최신 안정화 릴리스인 YOLO26은 모든 작업에서 뛰어난 다목적성을 제공하므로 새로운 머신 러닝 파이프라인에 권장되는 모델입니다.

YOLOv8을 유지해야 하는 경우:

  • 레거시 인프라: 현재 프로덕션 파이프라인이 YOLOv8의 특정 출력 텐서와 앵커 메커니즘에 긴밀하게 결합되어 있다면 마이그레이션을 위해 약간의 조정이 필요할 수 있습니다.
  • 학술적 기준 모델: YOLOv8은 오래된 아키텍처를 비교하는 학술 컴퓨터 비전 연구에서 여전히 많이 인용되는 안정적인 기준 모델입니다.

결론적으로 YOLOv8이 실시간 비전 작업의 뛰어난 표준을 확립했다면, YOLO26은 가능한 범위를 새롭게 정의합니다. CPU에서의 대폭적인 효율성 향상과 LLM에서 영감을 받은 혁신적인 학습 옵티마이저를 결합함으로써 YOLO26은 개발자가 사실상 모든 하드웨어 환경에 매우 정확한 AI를 배포할 수 있도록 합니다.

기여자
GLglenn-jocher7PDpderrenger1

댓글