YOLOX와 YOLOv10 비교
실시간 컴퓨터 비전 모델의 발전은 중요한 아키텍처 혁신으로 이어졌습니다. 이 과정에서 중요한 두 이정표는 YOLOX와 YOLOv10입니다. 2021년에 출시된 YOLOX는 효과적인 앵커 프리 설계를 도입해 학술 연구와 산업 응용 간의 격차를 해소하는 데 기여했습니다. 3년 후 YOLOv10은 후처리에서 비최대 억제(NMS)가 필요하지 않도록 하여 효율성과 속도를 개선했습니다.
이 기술 비교에서는 다음 객체 탐지 프로젝트에 적합한 도구를 선택할 수 있도록 두 모델의 아키텍처와 성능 지표, 이상적인 사용 사례를 살펴봅니다.
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 전환했습니다. 사전에 정의된 앵커 박스에 의존하는 대신 객체의 중심을 예측하여 YOLOX는 사용자 지정 데이터셋에 필요한 설계 파라미터 수와 휴리스틱 튜닝을 크게 줄였습니다. 또한 분류와 회귀 작업을 별도의 경로로 나누는 분리형 헤드를 도입했습니다. 이 접근 방식은 객체가 무엇인지 식별하는 작업과 객체가 어디에 있는지 판단하는 작업 간의 충돌을 줄여 수렴 속도와 정확도를 눈에 띄게 향상했습니다.
YOLOv10: NMS 프리 실시간 탐지#
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 억제(Non-Maximum Suppression)는 신경망 처리 장치(NPUs)에서 가속하기 어려운 복잡한 작업인 경우가 많습니다. YOLOv10은 비최대 억제를 제거하여 전체 모델 그래프를 특수 하드웨어에서 실행할 수 있으므로, OpenVINO 및 TensorRT와 같은 최적화 프레임워크와의 호환성이 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) | mAPval50-95 | 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 세대별로 얼마나 개선되었는지 알 수 있습니다. 예를 들어 YOLOv10-S는 평균 정밀도가 46.3%로 YOLOX-m의 46.9%보다 낮지만, 파라미터 수는 3분의 1 미만(7.2M 대 25.3M)이며 FLOPs도 훨씬 적습니다. 또한 최상위 모델인 YOLOv10-X는 mAP를 54.4%까지 높여 까다로운 정확도 작업에서 높은 경쟁력을 갖추면서도 이전 YOLOX-x 아키텍처보다 빠릅니다.
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 요구량을 활용할 수 있습니다. Ultralytics 모델을 학습할 때는 일반적으로 RT-DETR과 같이 메모리 사용량이 큰 Transformer 기반 대안보다 CUDA 메모리를 훨씬 적게 사용합니다. 효율적인 학습 메모리 사용량 덕분에 일반 소비자용 하드웨어에서도 배치 크기를 키울 수 있어 데이터 수집부터 모델 배포까지 걸리는 시간이 단축됩니다. 프레임워크는 여러 작업도 지원하므로, 사용자는 코드 변경을 최소화하면서 객체 탐지, 인스턴스 분할, 자세 추정 간에 전환할 수 있습니다.
학습 및 추론 예제#
통합 API를 사용하면 아이디어를 빠르게 검증할 수 있습니다. 다음 코드 조각은 PyTorch 백엔드를 사용하여 YOLOv10 모델을 학습하고 배포합니다:
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 모델을 TensorRT 또는 ONNX와 같은 형식으로 변환하는 데 코드 한 줄이면 충분하므로 복잡한 컴파일 단계를 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#
자율주행이나 실시간 교통 모니터링과 같이 지연 시간이 매우 짧아야 하는 애플리케이션에는 YOLOv10이 더 적합합니다. 종단 간 NMS 없는 설계는 예측 가능한 실행 시간을 제공하며, 이는 후처리 지연 시간의 변동을 허용할 수 없는 안전 시스템에서 매우 중요합니다. NVIDIA Jetson 시리즈와 같은 장치에서 높은 프레임 속도를 구현합니다.
학술 연구 기준 모델 및 엣지 마이크로컨트롤러#
연구자가 레이블 할당 전략을 실험하기 위한 깔끔한 분리형 헤드 기준 모델을 원하는 학술 환경에서는 YOLOX도 여전히 유용합니다. 또한 매우 작은 YOLOX-Nano(파라미터 1백만 개 미만)는 메모리가 엄격히 제한된 초저사양 엣지 장치에서도 사용할 수 있습니다. 단, 해당 하드웨어가 표준 컨볼루션 연산을 지원해야 합니다.
권장 모델: Ultralytics YOLO26#
YOLOv10은 NMS 제거에 큰 진전을 이루었지만 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 새 프로젝트에는 2026년 1월에 출시된 YOLO26을 Ultralytics에서 권장합니다.
YOLO26은 이전 모델의 아이디어를 발전시켜 우수한 성능 균형을 제공하며, 객체 탐지, 인스턴스 및 시맨틱 분할, 깊이 추정, 분류, 자세 추정, 방향성 바운딩 박스를 기본적으로 지원합니다.
최신 컴퓨터 비전 파이프라인에 YOLO26을 권장하는 이유는 다음과 같습니다:
- 종단 간 NMS 없는 설계: YOLOv10을 바탕으로 한 YOLO26은 기본 종단 간 추론(
nms=False)을 지원하여 NMS 후처리 병목 없이 더 빠르고 예측 가능한 추론 시간을 제공합니다. - 최대 43% 빠른 CPU 추론: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 모바일 프로세서와 별도 GPU가 없는 장치에 적합합니다.
- MuSGD 옵티마이저: 대규모 언어 모델 학습, 특히 Moonshot AI의 Kimi K2에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드 방식을 사용하여 안정적인 학습과 빠른 수렴을 지원합니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식 레이블 할당(STAL)은 소형 객체 탐지 성능을 높입니다. 이는 항공 이미지 분석 및 드론 내비게이션과 같이 까다로운 분야에서 중요합니다.
- DFL 제거: YOLO26은 Distribution Focal Loss를 제거하여 모델 그래프를 단순화하고 엣지 및 저전력 장치로 더 쉽게 내보낼 수 있도록 합니다.
- 작업별 개선: 자세 추정에 잔차 로그 우도 추정(RLE)을 사용하든 OBB에 특화된 각도 손실을 사용하든, YOLO26은 각 주요 비전 작업에 맞춘 개선 사항을 제공합니다.
파이프라인을 업그레이드하는 개발자는 YOLO26이 포함된 Ultralytics Platform에서 효율적인 학습 및 배포 도구를 활용할 수 있습니다. 검증된 아키텍처를 원하는 사용자는 폭넓은 커뮤니티 지원과 입증된 견고성을 갖춘 YOLO11 또는 YOLOv8도 살펴볼 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.