YOLOv8 YOLOv5: 포괄적인 기술 비교
컴퓨터 비전 분야의 급속한 발전 속에서, 올바른 객체 탐지 모델을 선택하는 것은 프로젝트 성공에 매우 중요합니다. 이 역사에서 가장 중요한 두 가지 이정표는 YOLOv5 와 YOLOv8입니다. 두 모델 모두 Ultralytics가 개발했습니다. YOLOv5 출시 당시 사용 편의성과 신뢰성 측면에서 업계 표준을 YOLOv5 , YOLOv8 최첨단(SOTA) 성능을 재정의하는 아키텍처적 혁신을 YOLOv8 .
이 가이드는 두 아키텍처에 대한 심층적인 기술 분석을 제공하며, 성능 지표, 훈련 방법론 및 이상적인 사용 사례를 비교하여 개발자가 정보에 기반한 결정을 내릴 수 있도록 돕습니다.
Ultralytics YOLOv8: 최신 표준
2023년 1월 출시된 YOLOv8 는 YOLO 시리즈의 큰 도약입니다. 이전 버전의 성공을 바탕으로 물체 탐지, 인스턴스 분할, 자세 추정 작업을 위한 통합 프레임워크를 도입했습니다.
주요 아키텍처 혁신
YOLOv8 선행 모델들의 앵커 기반 설계에서 YOLOv8 앵커 없는 탐지 메커니즘을 채택합니다. 이러한 변화는 물체 중심을 직접 예측함으로써 모델의 복잡성을 단순화하고, 박스 예측 개수를 줄이며, 비최대 억제(NMS) 속도를 가속화합니다.
- C2f 모듈: 백본은 YOLOv5 사용된 C3 모듈을 대체하는 새로운 C2f 모듈을 활용합니다. 이 새로운 설계는 기울기 흐름을 향상시키고, 계산 비용을 크게 증가시키지 않으면서도 모델이 더 풍부한 특징 표현을 포착할 수 있도록 합니다.
- 분리형 헤드: 이전 버전의 결합형 헤드와 달리, YOLOv8 분류와 회귀 작업을 독립적인 분기로 YOLOv8 . 이러한 분리를 통해 각 작업을 개별적으로 최적화할 수 있어 수렴 속도가 빨라지고 정확도가 향상됩니다.
- 모자이크 증강: 두 모델 모두 모자이크 증강을 사용하지만, YOLOv8 정밀도 향상을 위해 훈련의 마지막 에포크 동안 이를 YOLOv8 비활성화합니다.
성능과 다용도성
YOLOv8 다용도성을 위해 YOLOv8 . 단순한 경계 상자 탐지를 넘어 다양한 작업을 기본적으로 지원하므로 자율주행 차량 및 스마트 리테일 분석과 같은 복잡한 애플리케이션에 적합한 견고한 선택지입니다.
YOLOv8 :
저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
소속:Ultralytics
날짜: 2023-01-10
GitHub:ultralytics
문서:YOLOv8
Ultralytics YOLOv5: 신뢰할 수 있는 워크포스
2020년 6월 출시 이후, YOLOv5PyTorch 타의 추종을 불허하는 안정성과 PyTorch 간편함 덕분에 전 세계 개발자들의 필수 모델로 자리매김했습니다. 이 모델은 강력한 비전 AI에 대한 접근성을 민주화하여 최소한의 설정만으로 맞춤형 데이터셋으로 모델을 쉽게 훈련할 수 있게 했습니다.
건축과 유산
YOLOv5 CSPDarknet 백본과 앵커 기반 탐지 헤드를 YOLOv5 . 초점 레이어 (이후 6x6 컨볼루션으로 대체됨)는 정보를 보존하면서 이미지를 다운샘플링하는 데 효율적이었습니다.
- 사용 편의성: YOLOv5 "바로 사용 가능한" 경험으로 YOLOv5 . 저장소 구조는 직관적이며, 다음과 같은 MLOps 도구와 원활하게 통합됩니다. Comet , ClearML과 같은 MLOps 도구와 원활하게 통합됩니다.
- 광범위한 배포 지원: 오랜 기간 개발되어 온 덕분에 YOLOv5 모바일 프로세서부터 TFLite 부터 NVIDIA 같은 에지 디바이스에 이르기까지 거의 모든 배포 대상에 걸쳐 광범위한 지원을 제공합니다.
YOLOv5 :
저자: Glenn Jocher
소속:Ultralytics
날짜: 2020-06-26
GitHub:yolov5
문서:YOLOv5
성능 비교
두 모델을 비교할 때, YOLOv8 정확도(mAP)와 추론 속도 YOLOv5 YOLOv8 능가하며, 특히 최신 GPU . 다음 표는 COCO 성능 차이를 보여줍니다.
| 모델 | 크기 (픽셀) | mAPval 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 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
메트릭 분석
- 정확도: YOLOv8 평균 정밀도(mAP)에서 상당한 우위를 YOLOv8 . 예를 들어, YOLOv8 Nano(n) 변형은 mAP 거의 10% 높은 mAP YOLOv8 , 소형 모델에서 높은 정확도가 중요한 응용 분야에 훨씬 더 우수합니다.
- 속도: YOLOv5 낮은 FLOPs로 인해 일부 CPU YOLOv5 약간 더 빠르지만, YOLOv8 더 나은 성능 균형을 YOLOv8 . 정확도 향상과 비교하면 이 차이는 종종 무시할 수 있을 정도로 작으며, YOLOv8 TensorRT를 활용한 GPU 위해 고도로 최적화되어 YOLOv8 . TensorRT를 사용하여 GPU 추론에 매우 최적화되어 있습니다.
- 모델 크기: YOLOv8 일반적으로 소형이지만, 학습 능력을 향상시키기 위해 Nano 및 Small 아키텍처에 더 많은 매개변수를 포함합니다.
학습 방법론 및 생태계
두 모델 모두 강력한 Ultralytics 혜택을 받지만, YOLOv8 통해 워크플로가 크게 발전했습니다.
교육 효율성
Ultralytics 훈련 효율성으로 유명합니다. Transformer 기반 아키텍처와 비교해 CUDA 요구량이 현저히 적습니다. RT-DETR과 같은 트랜스포머 기반 아키텍처에 비해 CUDA 메모리 요구량이 현저히 적어, 사용자가 일반 소비자용 GPU로도 더 큰 배치 크기로 훈련할 수 있습니다.
- 5 독립형 저장소 구조를 사용하며, 훈련은 다음과 같은 스크립트를 통해 시작됩니다:
train.py. - 8 소개했다
ultralyticsPython . 이 통합된 CLI Python 작업 간 전환과 모델 내보내기를 더 쉽게 만들어 줍니다.
Ultralytics를 통한 효율적인 교육
에 지정되어 있습니다. ultralytics 이 패키지는 YOLOv8 YOLO26과 같은 최신 모델의 훈련 과정을 간소화합니다. 단 세 줄의 코드로 모델을 불러오고, 훈련시키고, 검증할 수 있습니다.
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Train on a custom dataset with efficient memory usage
model.train(data="coco8.yaml", epochs=100, imgsz=640)
Ultralytics
두 모델의 사용자는 모두 Ultralytics (구 HUB)을 활용할 수 있습니다. 이 웹 기반 도구는 데이터셋 관리, 라벨링 및 훈련 시각화를 간소화합니다. ONNX 및 OpenVINO과 같은 형식으로 모델을 원클릭 내보내기를 지원하여 프로토타입에서 생산 환경으로의 전환을 간소화합니다.
이상적인 사용 사례
8 선택해야 할 때
2026년 기준, 최신 YOLOv26의 특정 에지 최적화가 필요하지 않은 대부분의 신규 프로젝트에서는 YOLOv8 선호되는 YOLOv8 .
- 다중 작업 애플리케이션: 항공 이미지의 OBB 탐지나 스포츠 분석을 위한 자세 추정과 같은 작업을 수행하는 프로젝트라면, YOLOv8 이를 기본적으로 YOLOv8 .
- 높은 정확도 요구 사항: 결함 탐지와 같은 안전이 중요한 작업에서 YOLOv8 우수한 mAP 더 적은 거짓 음성 결과를 YOLOv8 .
5 선택해야 할 때
- 레거시 시스템: 특정 YOLOv5 구조와 깊이 통합된 프로젝트의 경우 마이그레이션보다는 유지보수를 계속하는 것이 더 쉬울 수 있습니다.
- 극한의 경계 제약: CPU 1밀리초마저 중요한 극도로 자원이 제한된 하드웨어 환경에서는, YOLOv5n의 약간 낮은 FLOPs가 미미한 이점을 제공할 수 있으나, YOLO26과 같은 최신 모델들은 이제 이 격차를 효과적으로 해소하고 있다.
앞으로 바라보기: 미래는 YOLO26이다
YOLOv8 YOLOv5 훌륭한 YOLOv5 , 컴퓨터 비전 분야는 빠르게 발전하고 YOLOv5 . 오늘날 새로운 프로젝트를 시작하는 개발자라면, Ultralytics 고려해 보시길 강력히 권장합니다.
왜 YOLO26으로 업그레이드해야 할까요? YOLO26은 이전 버전의 장점을 계승하면서도, 후처리 과정 없이도 작동하는 원생적인 엔드투엔드 NMS 프리 설계를 도입하여 배포 과정을 획기적으로 간소화합니다.
- 43% 더 빠른 CPU : 에지 디바이스에 특화하여 최적화되어 YOLOv8 YOLOv5 YOLOv8 더 빠릅니다.
- MuSGD 최적화기: 안정적이고 빠른 수렴을 위한 LLM 훈련에서 영감을 받은 하이브리드 최적화기.
- 향상된 정확도: 개선된 손실 함수(ProgLoss + STAL)로 소형 물체 탐지 성능이 향상되었습니다.
결론
둘 다 YOLOv8 와 YOLOv5 는 Ultralytics 접근성 높고 고성능인 AI를 제공하겠다는 의지를 보여주는 사례입니다. YOLOv5 특히 기존 배포 환경에서 YOLOv5 신뢰할 수 있고 폭넓게 지원되는 옵션입니다. 그러나 YOLOv8 우수한 성능 균형, 현대적인 아키텍처, 더 넓은 작업 지원을 YOLOv8 대부분의 표준 애플리케이션에 더 나은 선택입니다.
모바일 및 에지 배포 환경에서 속도와 정확도의 최첨단을 추구하는 분들을 위해 새롭게 출시된 YOLO26이 새로운 기준을 제시합니다. 어떤 선택을 하시든, 풍부한 Ultralytics 활발한 커뮤니티가 성공에 필요한 자원을 보장합니다.
추가 탐구를 위해 다음과 같은 다른 특수 모델에 대해 읽어보시기 바랍니다. YOLO11 또는 YOLOv10에 대해 읽어보시기 바랍니다.