YOLOv8과 YOLOv10 비교

실시간 객체 탐지는 빠르게 발전해 왔습니다. 개발자와 연구자가 파이프라인에 가장 효율적이고 정확한 컴퓨터 비전 모델을 통합하려면 주요 아키텍처를 비교하는 일이 필수적입니다. 이 가이드에서는 Ultralytics YOLOv8과 YOLOv10을 비교하고, 아키텍처 차이, 성능 지표, 이상적인 배포 시나리오를 살펴봄으로써 다음 AI 프로젝트에 적합한 모델을 정보에 기반해 선택할 수 있도록 돕습니다.

모델 개요: YOLOv8#

YOLO 계보에서 중요한 발전으로 등장한 YOLOv8은 통합적이고 다재다능한 프레임워크의 새로운 기준을 세웠습니다. 표준 바운딩 박스 외에도 다양한 작업을 지원하도록 처음부터 설계되어 최신 컴퓨터 비전을 위한 유연한 도구입니다.

YOLOv8 세부 정보:

아키텍처 및 강점#

YOLOv8은 앵커 프리 탐지 헤드와 새롭게 개선된 CSPDarknet 백본을 도입해 정확도와 추론 지연 시간을 모두 크게 개선했습니다. 앵커 박스를 제거해 박스 예측 수를 줄이므로 후처리 단계에서 비최대 억제(NMS)를 더 빠르게 수행합니다.

YOLOv8을 선택할 때 가장 두드러지는 장점 중 하나는 다재다능함입니다. 많은 모델이 객체 탐지에만 집중하는 반면, YOLOv8은 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB)를 기본 지원합니다. 따라서 여러 유형의 시각적 이해가 동시에 필요한 다단계 파이프라인에 적합합니다. 또한 학습 시 메모리 요구량이 RT-DETR과 같은 Transformer 기반 아키텍처보다 낮아 연구자가 일반 소비자용 GPU에서 대형 모델을 학습할 수 있습니다.

모델 개요: YOLOv10#

칭화대학교 연구진이 개발한 YOLOv10은 YOLO 계열의 오랜 병목 중 하나인 NMS 후처리 의존성을 해결하고자 했습니다.

YOLOv10 세부 정보:

아키텍처 및 강점#

YOLOv10의 핵심 혁신은 NMS 프리 학습과 종단 간 배포를 가능하게 하는 일관된 이중 할당 전략입니다. NMS 단계를 제거하면 YOLOv10의 추론 지연 시간이 줄어듭니다. 특히 후처리 연산의 계산 비용이 높은 엣지 장치에서 효과적입니다.

또한 YOLOv10은 전체적인 효율성과 정확도를 고려한 모델 설계를 적용해 각 계층의 계산 오버헤드를 세심하게 조정합니다. 그 결과 파라미터와 FLOPs는 적으면서도 경쟁력 있는 평균 정밀도(mAP)를 달성합니다. 순수 탐지 작업에서 지연 시간을 최소화해야 하는 사용 사례에 적합한 모델입니다.

엔드투엔드 탐지

YOLOv10에서 NMS를 제거하면 OpenVINO와 TensorRT 같은 프레임워크로 내보내는 과정이 간소화됩니다. 사용자 지정 후처리 계층 없이 모델 전체를 단일 그래프로 컴파일할 수 있기 때문입니다.

YOLOv10 자세히 알아보기

성능 및 지표 비교#

두 아키텍처를 비교할 때는 파라미터 수, FLOPs, 정확도 간의 상충 관계를 살펴보는 것이 중요합니다. 아래에서 COCO 데이터셋으로 측정한 두 모델의 성능 지표를 정확히 비교합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

이 표에서 YOLOv10은 모든 크기에서 더 적은 파라미터로 더 높은 mAP를 달성하지만, YOLOv8은 생태계가 더 성숙하고 작업 지원 범위가 넓습니다. 따라서 바운딩 박스 외의 기능도 필요한 프로덕션 환경에서 일반적으로 더 신뢰할 수 있습니다.

에코시스템 및 학습 방법론#

최신 ML 워크플로에서 실제 차별점은 아키텍처를 둘러싼 생태계인 경우가 많습니다. YOLOv8과 같은 Ultralytics 모델을 선택하면 사용 편의성과 일관된 개발자 경험을 얻을 수 있습니다.

직관적인 Python SDK를 사용하면 개발자는 학습, 검증, 배포를 원활하게 수행할 수 있습니다. Ultralytics 생태계는 지속적으로 관리되며, 하이퍼파라미터 튜닝에 관한 상세한 문서와 Discord 및 GitHub와 같은 플랫폼의 강력한 커뮤니티 지원을 비롯해 자주 업데이트를 제공합니다.

코드 예제: 간소화된 학습#

Ultralytics Python API를 사용하면 어느 모델이든 간편하게 인스턴스화하고 학습 및 검증할 수 있습니다. 기반 아키텍처와 관계없이 동일한 워크플로를 적용할 수 있습니다.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train the model efficiently with automated learning rate scheduling
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # optimized CUDA memory usage
    batch=16,
)

# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")

# Export to ONNX for edge deployment
model.export(format="onnx")

사용 사례 및 권장 사항#

YOLOv8과 YOLOv10 중 무엇을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 에코시스템 선호도에 따라 달라집니다.

YOLOv8을 선택해야 하는 경우#

YOLOv8은 다음과 같은 경우에 적합합니다.

  • 다양한 작업의 통합 배포: Ultralytics 생태계에서 탐지, 분할, 분류, 포즈 추정에 검증된 모델이 필요한 프로젝트에 적합합니다.
  • 안정적인 프로덕션 시스템: 이미 YOLOv8 아키텍처를 기반으로 구축되어 안정적이고 충분히 테스트된 배포 파이프라인을 갖춘 기존 프로덕션 환경.
  • 폭넓은 커뮤니티 및 생태계 지원: YOLOv8의 방대한 튜토리얼, 타사 통합, 활발한 커뮤니티 리소스를 활용하는 애플리케이션.

YOLOv10을 선택해야 하는 경우#

다음과 같은 경우 YOLOv10을 권장합니다:

  • NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
  • 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
  • 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.

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 디바이스에서는 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
  • 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.

미래: YOLO26으로 도약#

YOLOv8은 다재다능한 올라운더이고 YOLOv10은 NMS 프리 아키텍처에 유용한 통찰을 제공하지만, 이 분야는 이미 더 발전했습니다. 속도, 정확도, 배포 단순성의 균형을 가장 잘 맞추기 위해 Ultralytics는 신규 프로젝트에 YOLO26을 권장합니다.

2026년 1월에 출시된 YOLO26은 이전 모델의 강점과 여러 새로운 기능을 결합했습니다.

  • 엔드투엔드 NMS 프리 설계: YOLOv10이 YOLO 모델에 도입한 NMS 프리 학습을 바탕으로, YOLO26은 더 빠르고 단순한 배포를 위해 선택적 NMS 프리 추론(nms=False)을 제공합니다.
  • DFL 제거: Distribution Focal Loss를 제거해 모델을 CoreML 및 엣지 장치로 더 원활하게 내보낼 수 있습니다.
  • MuSGD 옵티마이저: 대규모 언어 모델(LLM) 학습에서 영감을 얻은 SGD와 Muon의 하이브리드로, 더 빠른 수렴과 안정적인 학습을 제공합니다.
  • 더 빠른 CPU 추론: YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빨라 Raspberry Pi 및 IoT 애플리케이션에 적합합니다.
  • ProgLoss + STAL: Progressive Loss와 작은 객체 인식형 레이블 할당(STAL)은 항공 이미지와 로보틱스에 중요한 작은 객체 탐지 성능을 높입니다.

현재 모델을 평가하고 있다면 YOLO26의 직전 모델인 YOLO11도 고려할 수 있습니다. YOLO11은 기업용 솔루션에서 널리 사용되는 프로덕션 준비 모델입니다. 하지만 신규 프로젝트에서는 비전 AI의 주석 처리, 학습, 배포를 위한 권장 경로로 YOLO26과 Ultralytics Platform을 제안합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.