YOLOv8 vs YOLOv5#
적합한 컴퓨터 비전 아키텍처를 선택하는 것은 견고한 머신러닝 파이프라인을 구축하는 데 중요한 단계입니다. 이 상세한 기술 비교에서는 비전 AI 생태계에서 가장 인기 있는 두 모델인 YOLOv8과 YOLOv5의 차이를 살펴봅니다. 두 모델 모두 Ultralytics에서 개발되었으며 실시간 객체 탐지 분야에 큰 영향을 미쳐 속도, 정확도, 사용 편의성의 업계 표준을 세웠습니다.
엣지 디바이스에 배포하든 클라우드 추론을 확장하든, 두 모델의 아키텍처 변화, 성능 지표, 학습 방법론을 이해하면 컴퓨터 비전 프로젝트에 적합한 결정을 내리는 데 도움이 됩니다.
Ultralytics YOLOv8: 다재다능한 표준 모델#
2023년 초 출시된 YOLOv8은 이전 버전과 비교해 아키텍처가 크게 달라졌습니다. 인스턴스 분할, 이미지 분류, 포즈 추정 등 여러 비전 작업을 기본적으로 처리하는 통합 프레임워크로 처음부터 설계되었습니다.
- 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직: Ultralytics
- 날짜: 2023-01-10
- GitHub: ultralytics/ultralytics
- 문서: YOLOv8 문서
아키텍처 및 방법론#
YOLOv8은 앵커 프리 탐지 헤드를 도입했습니다. 이 헤드는 데이터셋 분포를 바탕으로 앵커 박스를 수동 설정할 필요가 없어 학습 과정을 간소화합니다. 따라서 사용자 정의 데이터셋에 대한 일반화 성능이 향상되고 박스 예측 수가 줄어들어 비최대 억제(NMS) 속도가 빨라집니다.
아키텍처에는 YOLOv5의 C3 모듈을 대체하는 C2f 모듈(두 개의 합성곱을 적용한 Cross-Stage Partial 병목)이 포함됩니다. C2f 모듈은 계산 비용을 크게 늘리지 않으면서 그래디언트 흐름을 개선하고 모델이 더 풍부한 특징 표현을 학습하도록 합니다. 또한 YOLOv8은 분류 작업과 회귀 작업을 분리하는 분리형 헤드 구조를 사용하여 수렴 속도와 정확도를 개선합니다.
YOLOv8을 포함한 Ultralytics YOLO 모델은 RT-DETR 같은 여러 Transformer 기반 대안보다 학습 중 CUDA 메모리 사용량이 적도록 최적화되어 있습니다. 따라서 개발자는 NVIDIA RTX 시리즈 같은 일반적인 소비자용 GPU에서 더 큰 배치 크기를 사용할 수 있습니다.
장점과 단점#
장점:
- 단순 바운딩 박스 탐지를 넘어 다양한 작업에서 탁월한 다재다능함을 제공합니다.
ultralytics패키지를 통한 간소화된 Python API로 학습과 내보내기를 매우 직관적으로 수행할 수 있습니다.- 모든 크기 변형 모델에서 YOLOv5보다 높은 평균 정밀도(mAP)를 제공합니다.
단점:
- 분리형 헤드와 C2f 모듈로 인해 소형 변형 모델의 매개변수 수와 FLOPs가 동급 YOLOv5 모델보다 증가합니다.
Ultralytics YOLOv5: 민첩한 선구자#
2020년에 출시된 YOLOv5는 YOLO를 PyTorch 생태계로 가져와 개발자의 접근성을 크게 향상했습니다. 빠르고 안정적이며 쉽게 배포할 수 있는 객체 탐지 모델의 업계 표준으로 빠르게 자리 잡았습니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: ultralytics/yolov5
- 문서: YOLOv5 문서
아키텍처 및 방법론#
YOLOv5는 앵커 기반 아키텍처를 사용하고 수정된 CSPDarknet53 백본을 적용합니다. 앵커 기반 접근 방식은 학습 전에 최적의 앵커를 정의하기 위해 데이터셋의 바운딩 박스를 신중하게 클러스터링해야 하지만, 명확하게 정의된 특정 데이터셋에서는 매우 효과적입니다.
YOLOv5는 매개변수 수를 적게 유지하면서 효율적으로 특징을 추출하는 C3 모듈을 사용합니다. 손실 함수는 분류 손실 및 바운딩 박스 회귀 손실과 결합된 객체성 손실을 중심으로 네트워크가 정확한 예측을 하도록 유도합니다.
장점과 단점#
장점:
- 매우 경량이므로 Nano(YOLOv5n) 및 Small(YOLOv5s) 변형 모델은 리소스가 제한된 엣지 AI 배포에 매우 적합합니다.
- 특히 CPU에서 추론 속도가 매우 빠릅니다.
- 방대한 커뮤니티 튜토리얼과 타사 통합을 갖춘 탄탄한 생태계가 구축되어 있습니다.
단점:
- 앵커 박스 설정이 필요하므로 다양성이 매우 높거나 사용자 정의된 데이터셋에서는 설정이 복잡해질 수 있습니다.
- YOLOv8 및 YOLO26 같은 최신 앵커 프리 아키텍처에 비해 전반적인 정확도(mAP)가 낮습니다.
성능 비교#
이 모델들을 평가할 때는 속도와 정확도 사이의 균형을 맞추는 것이 무엇보다 중요합니다. 아래 표는 COCO 데이터셋에서 평가한 두 아키텍처의 성능 지표를 보여줍니다. CPU 속도는 ONNX를 사용해 측정했고, GPU 속도는 TensorRT를 사용해 테스트했습니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
YOLOv5는 Nano 변형 모델의 매개변수 수와 절대적인 원시 속도에서 여전히 우위를 유지하지만, YOLOv8은 전반적으로 mAP를 크게 향상하여 까다로운 실제 배포 시나리오에 더 적합한 성능 균형을 제공합니다.
사용 편의성 및 Ultralytics 생태계#
최신 Ultralytics 모델의 특징은 잘 관리되는 생태계입니다. YOLOv5에서 YOLOv8로 전환하면서 통합 ultralytics pip 패키지가 도입되어 사용자 경험이 크게 간소화되었습니다.
개발자는 모델 학습, 검증, 예측, 내보내기를 몇 줄의 Python 코드만으로 원활하게 수행할 수 있어, 과거 딥러닝 프로젝트에서 필요했던 복잡한 상용구 스크립트를 사용하지 않아도 됩니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv8 모델 불러오기
model = YOLO("yolov8n.pt")
# 사용자 정의 데이터로 모델을 효율적으로 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# 프로덕션 배포를 위해 모델을 ONNX로 내보내기
path = model.export(format="onnx")또한 Ultralytics Platform 같은 도구와의 통합으로 데이터셋 관리, 클라우드 학습, 배포가 간편해지며, 활발한 개발과 탄탄한 커뮤니티 지원을 보장합니다.
적합한 사용 사례#
YOLOv5를 선택할 시점: 레거시 시스템을 유지 관리하거나, Raspberry Pi처럼 성능이 크게 제한된 CPU에서 추론을 실행하거나, 모델 크기를 메가바이트의 일부라도 줄이는 것이 중요한 프로젝트를 진행한다면 YOLOv5는 여전히 신뢰할 수 있는 실용적인 선택입니다.
YOLOv8을 선택할 시점: 오늘날 시작하는 거의 모든 신규 프로젝트에는 YOLOv5보다 YOLOv8을 적극 권장합니다. YOLOv8의 고급 아키텍처는 복잡한 추적, 방향성 바운딩 박스(OBB), 분할을 손쉽게 처리합니다. 자율 로봇부터 의료 영상 분석, 스마트 시티 인프라까지 다양한 최신 애플리케이션에 적합합니다.
YOLOv8은 매우 뛰어난 성능을 제공하지만, 성능의 최전선을 추구하는 개발자는 YOLO26을 고려해야 합니다. 2026년에 출시된 YOLO26은 여러 획기적인 발전을 도입했습니다.
- 엔드투엔드 NMS 프리 설계: 선택 사항인 일대일 헤드(
nms=False)는 NMS 후처리를 제거하여 더 빠르고 간단한 배포를 가능하게 합니다. 이 개념은 YOLOv10에서 처음 선보였습니다. - MuSGD 옵티마이저: SGD와 Muon의 하이브리드로, LLM 학습의 혁신을 컴퓨터 비전에 적용하여 더 안정적인 학습과 빠른 수렴을 가능하게 합니다.
- CPU 추론 속도 최대 43% 향상: 전용 GPU가 없는 엣지 컴퓨팅 환경에 맞춰 집중적으로 최적화되었습니다.
- DFL 제거: Distribution Focal Loss를 제거하여 내보내기를 간소화하고 엣지 디바이스 호환성을 높였습니다.
- ProgLoss + STAL: 점진적 손실과 소형 타깃 인지 레이블 할당을 통해 소형 객체 인식 성능을 크게 개선합니다. 이는 항공 이미지와 IoT에 매우 중요합니다.
Ultralytics가 제공하는 종합적인 문서와 도구를 활용하면 YOLOv8을 쉽게 배포하거나 최첨단 YOLO26을 살펴보며 복잡한 시각적 문제를 전례 없는 속도와 정확도로 해결할 수 있습니다. 더 자세히 알아보려면 하이퍼파라미터 튜닝 및 모델 배포 모범 사례 가이드를 살펴보세요.