YOLOX와 YOLOv10 비교#
실시간 컴퓨터 비전 모델의 발전 과정은 중요한 아키텍처 도약으로 이어져 왔습니다. 이 과정의 두 가지 주요 이정표는 YOLOX와 YOLOv10입니다. 2021년에 출시된 YOLOX는 효과적인 앵커 프리 설계를 도입해 학술 연구와 산업 응용 사이의 간극을 성공적으로 좁혔습니다. 3년 후, YOLOv10은 후처리 단계에서 비최대 억제(NMS)의 필요성을 없애 효율성과 속도의 한계를 확장하며 이 분야에 혁신을 가져왔습니다.
이 포괄적인 기술 비교에서는 두 모델의 아키텍처, 성능 지표, 이상적인 활용 사례를 살펴보고, 다음 객체 탐지 프로젝트에 적합한 도구를 선택하는 데 필요한 정보를 제공합니다.
모델의 기원 및 메타데이터#
이 모델들의 기원을 이해하면 아키텍처 선택과 의도된 배포 환경을 파악하는 데 도움이 됩니다.
YOLOX 세부 정보
- 저자: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- 조직: Megvii
- 날짜: 2021-07-18
- Arxiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- 문서: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs
YOLOv10 세부 정보
- 저자: Ao Wang, Hui Chen, Lihao Liu, Kai Chen, Zijia Lin, Jungong Han, Guiguang Ding
- 조직: 칭화대학교
- 날짜: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- 문서: https://docs.ultralytics.com/models/yolov10
아키텍처 혁신#
YOLOX와 YOLOv10의 핵심적인 차이는 바운딩 박스 예측과 후처리를 처리하는 방식에 있습니다.
YOLOX: 앵커 프리 설계를 선도하다#
YOLOX는 YOLO 제품군을 앵커 프리 아키텍처로 전환해 주목받았습니다. 사전에 정의된 앵커 박스에 의존하는 대신 객체의 중심을 예측함으로써, YOLOX는 커스텀 데이터셋에 필요한 설계 파라미터와 휴리스틱 튜닝을 크게 줄였습니다. 또한 분류와 회귀 작업을 서로 다른 경로로 분리하는 디커플드 헤드를 도입했습니다. 이 접근 방식은 객체가 무엇인지 식별하는 작업과 객체가 어디에 있는지 판단하는 작업 간의 충돌을 해결해 수렴 속도와 정밀도를 눈에 띄게 높였습니다.
YOLOv10: NMS-Free 혁명#
YOLOX는 탐지 헤드를 단순화했지만, 중복 바운딩 박스 예측을 걸러내기 위해 여전히 NMS에 의존했습니다. YOLOv10은 이러한 근본적인 병목을 해결했습니다. 학습 중 일관된 이중 할당 방식을 사용하여 YOLOv10은 기본적으로 엔드투엔드 탐지를 구현합니다. 풍부한 감독 신호를 확보하기 위해 학습 중에는 일대다 헤드를 사용하고, 추론 시에는 일대일 헤드를 사용해 최종 예측을 직접 출력합니다. 효율성과 정확도를 모두 고려한 이 종합적인 설계는 NMS를 완전히 제거해 임베디드 칩의 추론 지연 시간을 크게 줄입니다.
비최대 억제는 신경망 처리 장치(NPUs)에서 가속하기 어려운 복잡한 연산인 경우가 많습니다. 이를 제거하면 YOLOv10은 전체 모델 그래프를 특수 하드웨어에서 원활하게 실행할 수 있어 OpenVINO 및 TensorRT와 같은 최적화 프레임워크와의 호환성이 크게 향상됩니다.
성능 지표 및 비교#
프로덕션용 모델을 평가할 때는 정확도와 연산 오버헤드의 균형이 중요합니다. 아래 표는 다양한 YOLOX 및 YOLOv10 모델 규모 간의 트레이드오프를 보여 줍니다.
| 모델 | 크기 (픽셀) | mAP검증 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
데이터 분석#
지표를 보면 YOLOv10이 세대 차이를 보여 주는 도약을 이뤘다는 점이 분명합니다. 예를 들어 YOLOv10-S는 YOLOX-m의 46.9%와 비교해 평균 정밀도가 46.3%이지만, 파라미터는 3분의 1 미만(7.2M 대 25.3M)만 사용하며 FLOPs도 훨씬 적습니다. 또한 최상위 모델인 YOLOv10-X는 mAP를 54.4%까지 끌어올려 까다로운 정확도 작업에서도 경쟁력을 갖추면서 이전 YOLOX-x 아키텍처보다 빠르게 작동합니다.
Ultralytics 생태계의 이점#
YOLOX는 여전히 견고한 오픈 소스 연구 구현체이지만, YOLOv10을 채택하면 Ultralytics가 제공하는 잘 관리된 생태계를 즉시 활용할 수 있습니다. Ultralytics가 지원하는 모델을 선택하면 간편한 API와 방대한 문서로 원활한 사용자 경험을 얻을 수 있습니다.
개발자는 프레임워크의 낮은 메모리 요구량으로 큰 이점을 얻습니다. Ultralytics 모델 학습은 일반적으로 RT-DETR과 같은 대규모 Transformer 기반 대안보다 CUDA 메모리를 훨씬 적게 사용합니다. 효율적인 학습 메모리 사용량 덕분에 일반 소비자용 하드웨어에서도 배치 크기를 늘릴 수 있어 데이터 수집부터 모델 배포까지 걸리는 시간을 단축할 수 있습니다. 또한 이 프레임워크는 뛰어난 유연성을 제공하므로 코드 변경을 최소화하면서 객체 탐지, 인스턴스 분할, 포즈 추정 간에 원활하게 전환할 수 있습니다.
학습 및 추론 예제#
통합 API를 사용하면 아이디어를 매우 빠르게 검증할 수 있습니다. 다음 코드 조각은 PyTorch 백엔드로 YOLOv10 모델을 얼마나 쉽게 학습하고 배포할 수 있는지 보여 줍니다:
from ultralytics import YOLO
# 사전 학습된 YOLOv10 나노 모델 불러오기
model = YOLO("yolov10n.pt")
# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 샘플 이미지에서 추론 실행
predictions = model.predict("https://ultralytics.com/images/bus.jpg")
# 엣지 배포를 위해 모델 내보내기
model.export(format="engine", quantize=16)내장된 내보내기 기능을 활용하면 TensorRT 또는 ONNX와 같은 형식으로 모델을 변환하는 데 코드 한 줄이면 충분하므로 복잡한 컴파일 문제를 완전히 피할 수 있습니다.
이상적인 사용 사례 및 배포 시나리오#
이러한 아키텍처 중 어떤 것을 선택할지는 주로 하드웨어 제약과 구체적인 도메인 요구 사항에 따라 달라집니다.
실시간 비디오 분석#
자율 주행이나 실시간 교통 모니터링처럼 초저지연이 필요한 애플리케이션에는 YOLOv10이 더 적합합니다. 엔드투엔드 NMS-Free 설계로 실행 시간을 결정론적으로 보장하므로, 후처리 지연 시간의 변동을 허용할 수 없는 안전 시스템에 매우 중요합니다. NVIDIA Jetson 시리즈와 같은 디바이스에서 높은 프레임 속도를 손쉽게 달성할 수 있습니다.
학술 연구 기준 모델 및 엣지 마이크로컨트롤러#
연구자가 레이블 할당 전략을 실험할 때 깔끔한 디커플드 헤드 기준 모델을 원한다면 학술 환경에서도 YOLOX는 여전히 유용합니다. 또한 파라미터가 100만 개 미만인 매우 작은 YOLOX-Nano는 하드웨어가 표준 컨볼루션 연산을 지원하는 경우, 메모리가 극도로 제한된 엣지 디바이스에도 탑재할 수 있습니다.
궁극의 표준: Ultralytics YOLO26#
YOLOv10은 NMS를 제거해 획기적인 발전을 이뤘지만, 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 오늘날 동급 최고 성능을 구현하려는 개발자에게 YOLO26을 살펴볼 것을 적극 권장합니다.
비전 AI의 최신 표준으로 출시된 YOLO26은 이전 모델들의 기반 아이디어를 한층 발전시켰습니다. 탐지, 분할, 포즈, 방향 바운딩 박스를 기본적으로 지원하며 최상의 성능 균형을 제공합니다.
최신 컴퓨터 비전 파이프라인에 YOLO26을 권장하는 이유는 다음과 같습니다:
- 엔드투엔드 NMS-Free 설계: YOLOv10의 혁신을 바탕으로 YOLO26은 네이티브 엔드투엔드 추론(
nms=False)을 지원하여 NMS 후처리 병목 없이 더 빠르고 결정론적인 추론을 제공합니다. - 최대 43% 더 빠른 CPU 추론: 엣지 컴퓨팅에 특화되어 최적화되었으며, 모바일 프로세서와 개별 GPU가 없는 디바이스에서도 뛰어난 성능을 보장합니다.
- MuSGD 옵티마이저: 대규모 언어 모델 학습, 특히 Moonshot AI의 Kimi K2에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드를 사용해 매우 안정적인 학습과 빠른 수렴을 구현합니다.
- ProgLoss + STAL: 이러한 고급 손실 함수는 소형 객체 인식 성능을 크게 개선하며, 항공 영상 및 드론 내비게이션과 같은 까다로운 분야에서 중요한 역할을 합니다.
- DFL 제거: 분포 초점 손실을 제거해 YOLO26의 모델 그래프를 단순화하고 엣지 및 저전력 디바이스로 원활하게 내보낼 수 있습니다.
- 태스크별 개선: 포즈 추정에 잔차 로그 가능도 추정(RLE)을 사용하든 OBB에 특화된 각도 손실을 사용하든, YOLO26은 모든 주요 비전 태스크에 맞게 미세 조정됩니다.
가장 효율적인 학습 및 배포 도구로 파이프라인을 업그레이드하려는 개발자는 Ultralytics Platform으로 전환하고 YOLO26을 활용해 인공지능의 최첨단을 유지할 수 있습니다. 이전 세대의 안정적인 아키텍처에 관심이 있는 사용자라면 광범위한 커뮤니티 지원과 검증된 견고성을 갖춘 YOLO11 또는 YOLOv8도 검토할 수 있습니다.