YOLOX 대YOLO: 앵커 프리 방식과 NAS 기반 객체 탐지기의 비교
실시간 객체 탐지의 진화 과정에서는 앵커 기반에서 앵커 프리 아키텍처로의 전환, 수동 설계된 백본에서 자동화된 신경망 아키텍처 검색(NAS)으로의 전환 등 수많은 패러다임 전환이 이루어졌습니다. 본 포괄적인 기술 비교에서는 이 여정에서 두 가지 중요한 이정표인 YOLOX와 YOLO 분석할 것입니다. 두 모델의 아키텍처 혁신, 훈련 방법론, 성능 상의 장단점을 탐구하는 동시에, 현대적인 Ultralytics 현대 개발자들에게 어떻게 비교할 수 없는 대안을 제공하는지 조명할 것입니다.
YOLOX: 앵커 프리 패러다임의 개척자
2021년 7월 18일 메그비( Megvii)의 정거(Zheng Ge), 류송타오(Songtao Liu), 왕펑(Feng Wang), 리제밍(Zeming Li), 쑨젠(Jian Sun)이 발표한 YOLOX는 앵커 프리(anchor-free) 설계를 YOLO 성공적으로 통합함으로써 중대한 전환점을 마련했다. 아카이브(ArXiv)에 게재된 상세한 기술 보고서에서 설명된 바와 같이, YOLOX는 학술 연구와 산업적 적용 간의 격차를 해소하는 것을 목표로 했다.
주요 아키텍처 혁신
YOLOX는 이전 모델들을 획기적으로 개선한 몇 가지 핵심 구조적 변화를 도입했습니다:
- 앵커 프리 메커니즘: 객체의 중심과 경계 상자 크기를 직접 예측함으로써, YOLOX는 설계적 경험적 규칙의 수를 줄이고 복잡한 앵커 클러스터링 과정을 단순화했습니다. 이는 다양한 컴퓨터 비전 시나리오에 높은 적응성을 부여합니다.
- 분리된 헤드: 기존 YOLO 분류와 회귀 모두에 단일 결합 헤드를 사용했습니다. YOLOX는 분리된 헤드를 구현하여 분류와 로컬라이제이션을 별도로 처리함으로써 수렴 속도가 훨씬 빨라지고 정확도가 향상되었습니다.
- SimOTA 라벨 할당: 최적 수송 할당(OTA)의 단순화된 버전을 사용하여 양성 샘플을 동적으로 할당함으로써 훈련 시간을 단축하고 중심점 할당의 모호성을 극복하였다.
YOLOX의 유산
YOLOX의 분리형 헤드 설계는 이후 세대의 객체 탐지기에 큰 영향을 미쳤으며, 많은 현대 모델에서 표준 기능으로 자리 잡았다.
YOLO: 대규모 자동화된 아키텍처 탐색
알리바바 그룹의 쉬셴저(Xianzhe Xu)와 연구팀이 개발한YOLO 2022년 11월 23일에YOLO . ArXiv에 게재된 논문에서 상세히 설명된 바와 같이, 이 모델은 속도와 정확도의 파레토 최전선을 확장하기 위해 신경망 구조 탐색(NAS)을 적극 활용했습니다.
주요 아키텍처 혁신
YOLO 전략은 효율적인 구조 설계의 자동화를 기반으로 구축되었습니다:
- MAE-NAS 백본: 다목적 진화 알고리즘을 활용하여YOLO 특정 지연 시간 예산에 맞춤화된 고효율 백본을YOLO , 특히 TensorRT와 같은 프레임워크로 내보낼 때 특히 효과적이었습니다. TensorRT로 내보낼 때 특히 효과적이었습니다.
- 효율적인 RepGFPN: 서로 다른 공간 해상도 간 특징 융합을 크게 향상시키는 헤비넥(heavy-neck) 설계로, 항공 이미지 분석 및 다양한 규모에서 물체 탐지에 매우 유용합니다.
- ZeroHead: 모델의 전체 평균 정밀도(mAP)를 희생하지 않으면서 계산적 중복성을 제거하는 단순화된 예측 헤드.
- AlignedOTA와 지식 증류: 고급 레이블 할당 및 교사-학생 지식 증류 기술을 통합하여 소규모 학생 모델에서 최대 성능을 끌어냅니다.
성능 및 지표 비교
이 두 모델을 비교할 때는 매개변수 수, 필요한 연산량(FLOPs), 지연 시간 프로파일을 살펴봐야 합니다. 아래는 다양한YOLO YOLOX와YOLO 비교한 벤치마크 데이터입니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
두 모델 모두 인상적인 결과를 달성하지만, 각각의 한계점이 존재한다. YOLOX는 분리된 헤드(decoupled head)의 세심한 튜닝이 필요하며,YOLO 지식 전수에 크게 의존하기 때문에 맞춤형 데이터셋으로의 재훈련 시 막대한 GPU 요구하는 등 자원 집약적이다.
사용 사례 및 권장 사항
YOLOX와YOLO 사이의 선택은 특정 프로젝트 요구사항, 배포 제약 조건 및 생태계 선호도에 따라YOLO .
욜록스를 선택해야 할 때
YOLOX는 다음과 같은 경우에 탁월한 선택입니다:
- 앵커 프리 탐지 연구: 새로운 탐지 헤드나 손실 함수를 실험하기 위한 기준으로 YOLOX의 깔끔한 앵커 프리 아키텍처를 활용한 학술 연구.
- 초경량 에지 디바이스: 마이크로컨트롤러 또는 레거시 모바일 하드웨어에 배포할 때 YOLOX-Nano 변형의 극히 작은 메모리 사용량(0.91M 매개변수)이 핵심적인 요소입니다.
- SimOTA 라벨 할당 연구: 최적 수송 기반 라벨 할당 전략과 훈련 수렴에 미치는 영향을 조사하는 연구 프로젝트들.
YOLO 선택해야 할 때
YOLO 다음에 권장YOLO :
- 고처리량 비디오 분석: 고정된 NVIDIA GPU 높은 FPS의 비디오 스트림을 처리하며, 배치 1 처리량이 주요 지표입니다.
- 산업용 제조 라인: 전용 하드웨어에서 엄격한 GPU 제약이 적용되는 시나리오, 예를 들어 조립 라인에서의 실시간 품질 검사.
- 신경망 구조 탐색 연구: 자동화된 구조 탐색(MAE-NAS)과 효율적인 재매개변수화 백본이 탐지 성능에 미치는 영향 연구.
Ultralytics YOLO26)를 선택해야 할 때
대부분의 신규 프로젝트에 대해 Ultralytics 성능과 개발자 경험의 최적 조합을 제공합니다:
- NMS 에지 배포: 복잡한 비최대 억제(NMS) 후처리 없이도 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
- CPU 전용 환경: 전용 GPU 없는 장치에서, YOLO26의 최대 43% 빠른 CPU 성능이 결정적인 이점을 제공합니다.
- 소형 물체 탐지: 항공 드론 영상이나 IoT 센서 분석과 같은 까다로운 시나리오에서 ProgLoss와 STAL이 미세한 물체의 정확도를 크게 향상시킵니다.
Ultralytics : YOLO26 소개
YOLOX와YOLO 중요한 역사적YOLO , 현대 개발자들은 최첨단 정확도와 비교할 수 없는 사용 편의성을 동시에 제공하는 솔루션을 필요로 합니다. 바로 이 지점에서 Ultralytics 판도를 바꿉니다. 2026년 1월 출시된 YOLO26은 NMS(네트워크 미세 조정)가 필요 없는 모델의 유산을 계승하여 속도, 정확도, 개발자 경험의 궁극적인 균형을 제공합니다.
왜 YOLO26을 선택해야 할까요?
통합된 Ultralytics 다음과 같은 기능을 제공함으로써 분산된 학술 저장소를 능가합니다:
- 엔드투엔드 NMS 설계: YOLO26은 추론 과정에서 비최대 억제(NMS)를 기본적으로 제거합니다. 이로 인해 에지 배포 및 자율주행 차량에 필수적인 예측 가능한 지연 시간을 극도로 빠르게 구현합니다.
- DFL 제거: 분산 초점 손실(DFL)을 제거함으로써 YOLO26은 에지 디바이스로의 내보내기 프로세스를 단순화하여 경량 애플리케이션의 메모리 요구 사항을 획기적으로 낮춥니다.
- MuSGD 최적화기: YOLO26은 SGD 뮤온 최적화기를 통해 대규모 언어 모델(LLM) 훈련 혁신을 차용하여, 견고한 훈련 안정성과 초고속 수렴을 보장합니다.
- 최대 43% 빠른 CPU : 심층 구조적 최적화 덕분에 YOLO26은 고가의 GPU 없이도 CPU에서 매우 빠르게 실행됩니다.
- 고급 손실 함수: ProgLoss와 STAL의 통합은 소형 물체 인식 성능을 획기적으로 향상시켜 드론 검사 및 IoT 모니터링과 같은 작업에 이상적입니다.
- 다용도성: 순수한 탐지기로만 기능하는YOLO 달리, YOLO26은 단일 통합 프레임워크 내에서 인스턴스 분할, 자세 추정, 이미지 분류, 방향성 바운딩 박스(OBB) 작업을 기본적으로 지원합니다.
즉시 구축 시작
Ultralytics Python 사용하면 모델을 배포하기 위해 복잡한 증류 파이프라인을 수동으로 구성하거나 수백 줄의 C++ 코드를 작성할 필요가 없습니다.
from ultralytics import YOLO
# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model effortlessly on a custom dataset
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run ultra-fast, NMS-free inference
results = model("https://ultralytics.com/images/bus.jpg")
# Export to ONNX or OpenVINO with a single command
model.export(format="openvino")
고려할 다른 모델
컴퓨터 비전 생태계는 방대합니다. 특정 제약 조건에 따라 Ultralytics 완전히 지원하는 다른 아키텍처도 살펴볼 수 있습니다:
- YOLO11: YOLO26의 고성능 전신으로, 소매 분석 및 제조 품질 관리 분야에서 뛰어난 견고성으로 유명합니다.
- YOLOv8: 전설적인, 매우 안정적인 앵커 프리 모델로, 광범위한 에지 배포를 대중화시켰습니다.
- RT-DETR: 바이두가 개발한 실시간 탐지 트랜스포머로, 글로벌 어텐션 메커니즘의 혜택을 크게 받는 작업에 탁월한 대안을 제공하지만, 더 높은 훈련 메모리 요구 사항이라는 대가를 치릅니다.
결론
YOLOX와YOLO 모두 딥러닝 발전에 중요한 개념을YOLO . YOLOX는 분리된 앵커 프리 접근법을 검증했으며,YOLO 자동화된 아키텍처 탐색의 힘을YOLO . 그러나 실제 생산 환경에서는 원본 연구 코드베이스의 복잡성으로 인해 민첩한 팀의 작업 속도가 저하될 수 있습니다.
포괄적인 Ultralytics 활용함으로써 개발자들은 이러한 장애물을 극복할 수 있습니다. YOLO26의 엔드투엔드 설계, 우수한 CPU , 그리고 방대한 문서화를 통해 최첨단 비전 AI를 구현하는 것이 그 어느 때보다 쉬워졌습니다. 스마트 시티 인프라 구축, 의료 진단, 또는 첨단 로봇 공학 분야를 막론하고, Ultralytics 원시 데이터에서 견고한 실제 환경 배포까지 가장 효율적인 경로를 Ultralytics .