YOLOX와 YOLOv5
적합한 객체 탐지 모델을 선택하는 일은 모든 컴퓨터 비전 프로젝트에서 중요한 결정입니다. 이 가이드에서는 영향력 있는 두 모델인 Megvii의 YOLOX와 Ultralytics YOLOv5를 기술적으로 비교합니다. 아키텍처, 성능 지표, 학습 생태계를 분석하여 개발자와 연구자가 특정 배포 환경에 적합한 모델을 선택할 수 있도록 돕습니다.
모델 소개#
두 모델은 모두 실시간 객체 탐지가 빠르게 발전하던 시기에 등장했지만, 성능을 구현하기 위해 서로 다른 아키텍처 접근 방식을 택했습니다.
YOLOX: 앵커 프리 접근 방식#
2021년 7월 18일 Megvii의 연구자 Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun이 발표한 YOLOX는 기존 앵커 박스 방식에서 벗어나 중요한 변화를 이끌었습니다. YOLOX는 arXiv 기술 보고서에 설명되어 있으며, 앵커 없는 설계와 분리형 헤드, SimOTA 레이블 할당 전략을 통합했습니다. 이 설계는 표준 데이터셋에서 우수한 성능을 제공하면서 학술 연구와 산업 응용 간의 격차를 좁히는 것을 목표로 했습니다.
YOLOv5: 프로덕션 비전 AI의 표준#
Glenn Jocher가 작성하고 2020년 6월 26일 Ultralytics에서 출시한 YOLOv5는 빠르게 가장 널리 배포되는 컴퓨터 비전 모델 중 하나가 되었습니다. PyTorch 프레임워크를 기반으로 구축된 YOLOv5는 사용 편의성, 빠른 학습, 완성도 높은 코드 저장소를 통해 최첨단 AI에 대한 접근성을 높였습니다. YOLOv5의 아키텍처는 속도, 정확도, 배포 편의성의 균형을 이루어 엣지 디바이스부터 대규모 클라우드 배포까지 다양한 환경에서 널리 사용됩니다.
아키텍처 차이#
이 네트워크 간의 핵심적인 메커니즘 차이를 이해하면 다양한 작업에서 성능이 달라지는 이유를 명확히 파악할 수 있습니다.
앵커 프리와 앵커 기반 비교#
가장 뚜렷한 차이는 YOLOX의 앵커 없는 메커니즘입니다. YOLOv5와 같은 기존 앵커 기반 모델은 바운딩 박스를 예측하기 위해 사전 정의된 앵커 박스를 사용하므로, 최적의 앵커 크기를 결정하려면 학습 데이터셋에 대한 클러스터링 분석이 필요합니다. YOLOX는 이 과정을 없애고 각 공간 위치에서 바운딩 박스 좌표를 직접 예측합니다. 앵커 없는 접근 방식은 설계 매개변수와 휴리스틱 튜닝의 수를 줄이지만, YOLOv5는 자동 앵커 기능을 활용해 개선된 앵커 기반 접근 방식으로 안정적이고 예측 가능한 학습 수렴을 기본적으로 지원합니다.
분리형 헤드와 결합형 헤드 비교#
YOLOX는 분리형 헤드를 사용합니다. 즉, 분류 작업과 회귀 작업을 별도의 신경망 분기로 나눕니다. 저자들은 이 방식이 공간 특징 학습과 의미 특징 학습 간의 충돌을 해결한다고 주장했습니다. 반면 YOLOv5는 초기 버전에서 계산 효율을 극대화하고 추론 지연 시간을 줄이는 고도로 최적화된 결합형 헤드를 사용했습니다. 이는 실시간 엣지 컴퓨팅에 매우 중요합니다.
라벨 할당 전략#
YOLOX는 레이블 할당에 SimOTA를 활용합니다. SimOTA는 정답 객체와 예측값의 매칭을 최적 수송 문제로 정식화합니다. 이 동적 할당 방식은 혼잡한 장면을 더 효과적으로 처리합니다. YOLOv5는 견고한 형상 규칙 기반 할당 방식을 사용하여 고품질 양성 샘플을 손실 함수에 일관되게 전달하며, 이를 통해 학습 안정성을 높입니다.
성능 및 벤치마크#
속도와 정확도 간의 균형은 이러한 아키텍처를 평가하는 핵심 기준입니다. 아래 표는 표준 벤치마크에서 다양한 모델 크기의 성능을 보여줍니다.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
YOLOX는 s부터 x 크기까지 더 높은 정확도를 보이는 반면, YOLOv5는 전반적으로 T4 TensorRT에서 더 빠릅니다. 예를 들어 YOLOv5s는 1.92ms에 실행되는 반면 YOLOXs는 2.56ms가 걸립니다. 이는 매 밀리초가 중요한 실시간 애플리케이션에서 의미 있는 차이입니다.
Ultralytics의 강점: 학습과 사용성#
연구에서 프로덕션으로 전환할 때는 모델 자체만큼이나 모델을 둘러싼 생태계가 중요할 때가 많습니다. 이 점에서 Ultralytics 생태계의 장점은 분명합니다.
간소화된 사용자 경험#
YOLOv5는 간편한 개발자 경험으로 널리 알려져 있습니다. Ultralytics Python API와 CLI를 사용하면 몇 줄의 코드만으로 모델을 불러오고 학습 및 배포할 수 있습니다. 반면 Megvii GitHub 저장소에서 YOLOX를 실행하려면 환경 변수 수동 설정, 복잡한 Python 경로 구성, 그리고 학술 연구 코드베이스에서 흔히 요구되는 더 높은 학습 곡선이 필요합니다.
학습 효율성 및 메모리 요구 사항#
Ultralytics 모델은 학습 중 메모리 사용량을 최소화하도록 설계되었습니다. YOLOv5는 RT-DETR과 같이 파라미터가 많은 Transformer 모델이나 최적화되지 않은 연구 모델에 비해 CUDA 메모리를 훨씬 적게 사용합니다. 따라서 개발자는 일반 소비자용 하드웨어에서도 더 큰 배치 크기로 학습할 수 있어 반복적인 개발 주기를 단축할 수 있습니다.
다양한 작업 지원#
YOLOX는 객체 탐지 프레임워크에만 초점을 맞추지만, Ultralytics 생태계에서는 YOLOv5가 여러 비전 작업을 지원하도록 발전했습니다. 별도의 설정 없이도 동일한 API 구문을 사용해 객체 탐지, 인스턴스 세그멘테이션, 이미지 분류를 수행할 수 있습니다.
포즈 추정 또는 방향성 바운딩 박스 (OBB) 탐지와 같은 더욱 고급 작업이 필요하다면, 이러한 작업을 기본적으로 높은 정확도로 지원하는 Ultralytics YOLO26으로 업그레이드하는 것을 고려해 보세요.
코드 비교#
사용성의 차이는 코드를 통해 가장 잘 드러납니다.
YOLOv5로 학습하기:
from ultralytics import YOLO
# 사전 학습된 YOLOv5s 모델 로드
model = YOLO("yolov5su.pt") # YOLOv5u: ultralytics 패키지용 앵커 프리 YOLOv5 가중치
# COCO8 예제 데이터셋으로 모델 학습
model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 이미지에서 추론 실행
results = model("https://ultralytics.com/images/zidane.jpg")
# 결과 표시
results[0].show()YOLOX로 학습하기: (저장소 수동 복제, setup.py 설치, 복잡한 CLI 인수 필요)
# Example YOLOX training command
python tools/train.py -f exps/default/yolox_s.py -d 1 -b 64 --fp16 -oUltralytics 방식은 불필요한 작업을 줄여 설정 파일 디버깅보다 데이터셋과 애플리케이션 로직에 집중할 수 있도록 합니다. Weights & Biases 및 Comet ML 통합을 통해 실험 추적 기능도 기본 제공됩니다.
적합한 사용 사례 및 실제 응용 분야#
이 모델 중 무엇을 선택할지는 프로젝트의 운영 환경에 따라 달라집니다.
YOLOX가 강점을 보이는 분야#
YOLOX는 연구자가 앵커 프리 패러다임이나 레이블 할당 전략을 명시적으로 연구하는 학술 환경에서 여전히 유력한 선택지입니다. 혼잡한 장면 탐지가 주요 평가 지표이고 엣지 배포 속도는 부차적인 시나리오에서도 유용합니다.
YOLOv5의 강점#
YOLOv5는 실용적인 배포에 검증된 선택지입니다.
- 고속 제조: 조립 라인의 결함 탐지에서 YOLOv5는 엣지 GPU에서 추론 지연 시간이 짧아 컨베이어 벨트의 속도를 늦추지 않고 제품을 검사할 수 있습니다.
- 드론 및 항공 이미지: 메모리 사용량이 적어 드론의 경량 보조 컴퓨터에서 농업 모니터링, 야생 동물 추적과 같은 작업을 실행할 수 있습니다.
- 스마트 리테일: 자동 결제부터 재고 관리까지, YOLOv5는 TensorRT와 ONNX로 손쉽게 내보낼 수 있어 수천 대의 매장 카메라에 대규모로 배포할 수 있습니다.
앞으로의 방향: YOLO26의 이점#
YOLOv5가 여전히 널리 사용되고 있지만, AI 분야는 빠르게 발전하고 있습니다. 지금 새 프로젝트를 시작한다면 Ultralytics는 최신 세대 Ultralytics 모델을 권장합니다.
2026년 1월에 출시된 Ultralytics YOLO26은 선택형 엔드투엔드 NMS-Free 설계(nms=False)를 제공하여 비최대 억제(NMS) 후처리를 없애고 배포 로직을 단순화합니다. Distribution Focal Loss(DFL)를 제거한 YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 더 빠르며, MuSGD Optimizer는 학습 안정성을 높이고 ProgLoss + STAL(점진적 손실 및 소형 객체 인식 레이블 할당)은 소형 객체의 정확도를 향상합니다.
YOLOv5와 YOLO26 중 무엇을 선택하든, Ultralytics Platform은 컴퓨터 비전 솔루션을 구상부터 프로덕션까지 구현하는 도구를 제공하며, Ultralytics 문서는 파이프라인의 각 단계를 다룹니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.