YOLOX와 YOLO26 비교

지난 10년 동안 컴퓨터 비전 분야는 크게 변화했습니다. 이 여정의 두 이정표는 앵커 프리 아키텍처를 널리 알린 YOLOX의 출시와 실시간 탐지에 기본 종단 간 NMS 프리 설계를 도입한 Ultralytics YOLO26의 등장이었습니다. 이 비교에서는 개발자가 다음 AI 프로젝트에 적합한 선택을 내릴 수 있도록 두 모델의 아키텍처와 성능 지표, 이상적인 배포 시나리오를 살펴봅니다.

모델 개요#

각 모델의 기원과 주요 설계 목표를 이해하면 각 모델의 기술적 성과를 이해하는 데 필요한 맥락을 파악할 수 있습니다.

YOLOX#

2021년 중반에 소개된 YOLOX는 앵커 프리 설계와 분리형 헤드, SimOTA 레이블 할당 전략을 채택하여 큰 변화를 가져왔습니다. 이전 아키텍처를 지배하던 기존 앵커 박스 방식에서 벗어나, YOLOX는 간단하고 효과적인 객체 탐지 프레임워크를 제공해 학술 연구와 산업 응용 간의 격차를 해소하는 데 기여했습니다.

YOLOX에 대해 자세히 알아보기

YOLO26#

2026년 1월에 출시된 YOLO26은 수년간의 반복적인 개선을 바탕으로 엣지 배포와 간소화된 학습 파이프라인에 중점을 둡니다. 기존 비최대 억제(NMS) 후처리 단계를 생략하는 선택형 종단 간 NMS 프리 일대일 헤드(nms=False)를 도입하여 다양한 하드웨어에서 모델 배포를 간소화합니다. Distribution Focal Loss(DFL) 모듈을 제거해 헤드를 단순화하고 지연 시간을 줄였으므로, YOLO26은 최신 컴퓨터 비전 애플리케이션에 적합합니다.

아키텍처 혁신#

두 모델의 아키텍처는 특히 손실 함수와 후처리 측면에서 딥러닝 방법론이 빠르게 발전해 왔음을 보여 줍니다.

YOLOX 접근 방식#

YOLOX는 예측 헤드에서 분류와 회귀 작업을 분리해 학습 중 수렴 속도를 크게 높였습니다. 앵커 프리 특성 덕분에 설계 파라미터 수가 줄어 학습 전에 복잡한 앵커 튜닝을 수행할 필요도 완화되었습니다. SimOTA 레이블 할당 알고리즘과 결합해 YOLOX는 특히 COCO 데이터셋과 같은 표준 벤치마크에서 당시 최첨단 성능을 달성했습니다.

YOLO26의 장점#

YOLO26은 아키텍처 효율성에 중점을 둡니다. NMS를 제거하면 추론 지연 시간이 줄어들 뿐 아니라 일관되고 예측 가능한 실행 시간도 확보할 수 있으며, 이는 자율 주행 차량과 로보틱스에서 중요한 요소입니다.

YOLO26의 주요 혁신은 다음과 같습니다.

  • MuSGD 옵티마이저: 대규모 언어 모델(LLM) 학습 기법에서 영감을 얻은 SGD와 Muon의 하이브리드로, 안정적인 학습과 빠른 수렴을 지원합니다.
  • 최대 43% 더 빠른 CPU 추론: DFL을 제거하고 아키텍처를 간소화한 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로, 기본 IoT 센서부터 Raspberry Pi 보드에 이르는 리소스 제약이 있는 엣지 장치에 적합합니다.
  • ProgLoss + STAL: Progressive Loss와 소형 객체 인식 레이블 할당(STAL)은 항공 영상 분석 및 제조 자동화의 정밀 품질 관리에 중요한 소형 객체 탐지 성능을 향상합니다.
엣지 우선 최적화

전용 GPU가 없는 임베디드 시스템이나 모바일 애플리케이션을 대상으로 하는 프로젝트라면, YOLO26의 최적화된 CPU 성능이 이전 세대 모델보다 낮은 연산 오버헤드로 상당한 이점을 제공합니다.

성능 및 벤치마크#

프로덕션 환경에 사용할 모델을 평가할 때는 정확도와 속도, 연산 복잡도 간의 균형을 분석하는 것이 중요합니다. 아래에서는 이미지 크기 640픽셀(나노/타이니 변형은 416픽셀)에서 평가한 표준 모델을 자세히 비교합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

표에서 볼 수 있듯이 YOLO26 시리즈는 더 나은 성능 균형을 제공합니다. 예를 들어 YOLO26x은 YOLOXx보다 파라미터가 약 44% 적으면서 57.5 mAP를 달성하고 GPU 추론도 더 빠릅니다(11.8ms 대 16.1ms).

학습 및 에코시스템 경험#

이러한 아키텍처 간의 가장 큰 차이 중 하나는 사용성과 생태계 지원입니다.

YOLOX는 앵커 프리 메커니즘과 레이블 할당을 연구하는 연구자에게 여전히 기반이 되는 저장소이지만, 종속성과 연산자를 수동으로 구성해야 하는 경우가 많아 설정이 복잡할 수 있습니다. 반면 Ultralytics 생태계는 사용 편의성을 고려해 설계되었습니다.

통합 Python API를 사용하면 개발자는 몇 줄의 코드로 YOLO26 모델을 초기화하고 학습하고 배포할 수 있습니다. 데이터셋 다운로드를 처리하고 하이퍼파라미터 튜닝을 지원하며, ONNX, TensorRT, OpenVINO와 같은 형식으로 내보낼 수 있습니다.

from ultralytics import YOLO

# 엔드투엔드 YOLO26 소형 모델 초기화
model = YOLO("yolo26s.pt")

# 모델을 학습합니다. optimizer="auto"는 장시간 실행(>10k 반복) 시 MuSGD를 선택합니다.
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 검증 세트에서 모델 성능을 검증합니다.
metrics = model.val()

# 엣지 배포를 위해 최적화된 모델 내보내기
model.export(format="onnx")

Ultralytics YOLO 모델은 일반적으로 무거운 Transformer 기반 대안보다 학습 시 메모리 요구량이 낮아, 엔지니어가 일반 소비자용 하드웨어에서도 더 큰 배치 크기로 학습할 수 있습니다.

실제 애플리케이션#

YOLOX와 YOLO26 중 어떤 모델을 선택할지는 궁극적으로 배포 제약 조건과 멀티태스크 요구 사항에 따라 달라집니다.

YOLOX가 강점을 보이는 분야#

YOLOX는 특정 학술 벤치마크와 기존 YOLOX 코드베이스를 기반으로 구축된 레거시 시스템에서 여전히 실행 가능한 후보입니다. 역사적 중요성 덕분에 앵커 프리 탐지기와 사용자 지정 할당 전략을 연구할 때 인기 있는 기준 모델로 사용됩니다.

YOLO26이 탁월한 분야#

YOLO26은 현대 산업 애플리케이션을 위해 설계되었습니다. 인스턴스 분할, 시맨틱 분할, 깊이 추정, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB)를 기본적으로 지원하므로 탐지 전용 모델보다 다재다능합니다.

  • 스마트 리테일 및 재고 관리: NMS 프리 설계는 자동 결제 시스템이 후처리 병목 없이 낮은 지연 시간으로 영상 스트림을 처리하고 제품을 인식하도록 지원합니다.
  • 드론 및 항공 분석: OBB용 특수 각도 손실과 ProgLoss + STAL을 통해 YOLO26은 회전된 객체와 대형 위성 이미지의 작은 특징을 탐지하는 데 적합합니다.
  • 엣지 보안 시스템: YOLO11n 대비 최대 43% 빠른 CPU 추론 속도를 제공하는 YOLO26을 사용하면 기업은 값비싼 클라우드 연산이 필요 없이 저렴한 로컬 하드웨어에서 강력한 보안 분석을 직접 배포할 수 있습니다.

사용 사례 및 권장 사항#

YOLOX와 YOLO26 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 에코시스템 선호도에 따라 달라집니다.

YOLOX를 선택해야 하는 경우#

YOLOX는 다음과 같은 경우에 적합합니다.

  • 앵커 프리 탐지 연구: 새로운 탐지 헤드나 손실 함수를 실험하기 위한 기준 모델로 YOLOX의 간결한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
  • 초경량 엣지 장치: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 구형 모바일 하드웨어에 배포하는 경우입니다.
  • SimOTA 레이블 할당 연구: 최적 수송 기반 레이블 할당 전략과 해당 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.

YOLO26을 선택해야 하는 경우#

YOLO26은 다음과 같은 경우에 권장됩니다:

  • NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 장치에서는 YOLO26의 최대 43% 빠른 CPU 추론(YOLO26n 대 YOLO11n)이 결정적인 이점을 제공합니다.
  • 소형 객체 탐지: 항공 드론 영상이나 IoT 센서 분석처럼 까다로운 시나리오에서 ProgLoss와 STAL이 작은 객체의 정확도를 높입니다.

다른 Ultralytics 모델 살펴보기#

컴퓨터 비전의 발전 과정을 살펴보고 있다면, Ultralytics 제품군에서 검토할 만한 다른 유능한 모델도 있습니다:

  • YOLO11: YOLO26의 직전 모델로, 안정적인 프로덕션 환경에 적합한 강력한 성능과 폭넓은 커뮤니티 지원을 제공합니다.
  • YOLOv8: 수천 건의 실제 배포에서 사용 편의성과 유연성의 기준을 세운 검증된 아키텍처입니다.

결론적으로 YOLOX는 객체 탐지에 중요한 개념을 도입했으며, YOLO26은 속도와 정확도, 배포 간편성에서 세대적 도약을 이루어 신규 프로젝트에 권장되는 선택입니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.