YOLOX와 YOLOv8 비교

지난 몇 년 동안 컴퓨터 비전 분야의 실시간 객체 탐지는 빠르게 발전했습니다. 연구자와 엔지니어가 정확도와 속도를 계속 개선하면서 사용 가능한 모델 중 적합한 모델을 선택하기가 어려워지고 있습니다. 이 가이드에서는 영향력 있는 두 아키텍처인 YOLOX와 Ultralytics YOLOv8을 기술적으로 비교합니다.

개발자는 아키텍처, 학습 방법론, 배포 기능을 분석하여 인공지능 프로젝트에 적합한 프레임워크를 선택할 때 정보에 입각한 결정을 내릴 수 있습니다.

YOLOX: 연구와 산업의 연결#

YOLOX는 학술 연구와 산업 응용 간의 격차를 좁히는 데 기여한 중요한 모델로 등장했습니다. 앵커 없는 설계로 전환하여 기존 앵커 기반 탐지기에 필요했던 설계 매개변수와 휴리스틱 튜닝을 크게 줄였습니다.

모델 세부 정보:

아키텍처 주요 특징#

YOLOX는 이전 모델과 차별화되는 몇 가지 핵심 변경 사항을 통합했습니다. 가장 주목할 만한 변경은 분류 작업과 바운딩 박스 회귀 작업을 별도의 경로로 분리하는 분리형 헤드입니다. 이 아키텍처는 회귀에 필요한 공간 정렬과 분류에 필요한 이동 불변성 간의 충돌을 줄여 학습 수렴 속도를 높입니다.

또한 YOLOX는 SimOTA 레이블 할당 전략을 사용합니다. 이 동적 할당 방식은 정답 객체와 예측 결과 간의 매칭을 최적 수송 문제로 정식화해 학습 시간을 효과적으로 줄이고 평균 정밀도(mAP)를 높입니다. 모델은 MixUp 및 Mosaic를 포함한 강력한 데이터 증강 기법도 사용하지만, 학습된 특징을 안정화하기 위해 마지막 에포크에서는 해당 기법을 비활성화합니다.

YOLOX에 대해 자세히 알아보기

YOLOv8: 다목적 생태계 표준#

수년간 이어진 지속적인 연구를 바탕으로 한 Ultralytics YOLOv8은 Ultralytics 모델의 큰 발전을 보여줍니다. 객체 탐지기뿐만 아니라 접근성 높은 API를 통해 다양한 시각 인식 문제를 처리할 수 있는 포괄적인 멀티태스크 프레임워크로 처음부터 설계되었습니다.

모델 세부 정보:

아키텍처의 발전#

YOLOv8은 C3 모듈을 더 효율적인 C2f 모듈로 대체하는 간소화된 아키텍처를 도입하여 파라미터 수를 크게 늘리지 않으면서 그래디언트 흐름과 특징 추출을 개선합니다. YOLOX와 마찬가지로 YOLOv8은 앵커 없는 설계와 분리형 헤드를 사용하지만, Distribution Focal Loss(DFL)와 CIoU 손실을 적용해 손실 계산을 개선함으로써 특히 작거나 겹치는 객체의 바운딩 박스를 더 정밀하게 예측합니다.

Ultralytics 생태계

YOLOv8의 가장 큰 강점 중 하나는 Ultralytics 생태계와 긴밀하게 통합되어 있다는 점입니다. 통합 Python API를 사용하든 Ultralytics Platform의 시각적 인터페이스를 사용하든 학습에서 배포로의 전환이 간편하며, ONNX부터 TensorRT까지 다양한 형식을 기본적으로 지원합니다.

표준 객체 탐지 외에도 YOLOv8은 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB)를 기본적으로 지원합니다. 이러한 멀티태스크 활용성은 여러 유형의 모델을 유지 관리해야 하는 복잡한 프로덕션 환경에서 매력적인 선택지입니다.

성능 및 지표 비교#

이 모델들을 비교할 때 개발자는 정확도, 추론 지연 시간, 계산 오버헤드 간의 절충점을 고려해야 합니다. 아래 표에는 두 모델 계열의 벤치마크가 나와 있습니다.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

YOLOv8은 비슷한 파라미터 수에서 YOLOX보다 지속적으로 높은 mAP를 달성하면서 GPU 속도도 우수하게 유지합니다. 또한 Ultralytics 모델은 학습 시 메모리 요구량이 낮은 것으로 알려져 있습니다. 이는 특히 CUDA 메모리를 훨씬 더 많이 사용하는 RT-DETR과 같은 리소스 집약적인 Transformer 아키텍처와 비교할 때, 일반 소비자용 하드웨어에서 배치 크기를 늘리는 데 중요한 이점입니다.

개발 및 배포 경험#

레거시 연구 코드베이스를 사용하려면 복잡한 환경을 구성하고 추론을 위한 사용자 지정 상용구 코드를 작성해야 하는 경우가 많습니다. 반면 Ultralytics API를 사용하면 이를 Python 코드 몇 줄로 간소화할 수 있습니다.

from ultralytics import YOLO

# YOLOv8 소형 모델 초기화
model = YOLO("yolov8s.pt")

# 사용자 지정 데이터 세트로 모델을 학습합니다.
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 모델의 정확도 검증
metrics = model.val()

# 테스트 이미지에서 추론 실행
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

이러한 통합 인터페이스는 잘 관리되는 Ultralytics 생태계의 특징으로, 개발자가 환경 문제를 디버깅하는 데 쓰는 시간을 줄이고 컴퓨터 비전 솔루션을 반복 개선하는 데 더 집중할 수 있도록 합니다.

사용 사례 및 권장 사항#

YOLOX와 YOLOv8 중 무엇을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 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.

YOLOv8을 선택해야 하는 경우#

다음과 같은 경우 YOLOv8을 권장합니다.

  • 다양한 작업의 통합 배포: Ultralytics 생태계에서 탐지, 분할, 분류, 포즈 추정에 검증된 모델이 필요한 프로젝트에 적합합니다.
  • 안정적인 프로덕션 시스템: 이미 YOLOv8 아키텍처를 기반으로 구축되어 안정적이고 충분히 테스트된 배포 파이프라인을 갖춘 기존 프로덕션 환경.
  • 폭넓은 커뮤니티 및 생태계 지원: YOLOv8의 방대한 튜토리얼, 타사 통합, 활발한 커뮤니티 리소스를 활용하는 애플리케이션.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.

  • NMS 프리 엣지 배포: 비최대 억제 (NMS) 후처리의 복잡성 없이 일관되고 낮은 지연 시간으로 추론해야 하는 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서는 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
  • 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.

미래를 향해: YOLO26 아키텍처#

YOLOv8은 정확도와 사용 편의성의 균형이 우수하지만 AI는 빠르게 발전하고 있습니다. 2026년 1월에 출시된 YOLO26은 이전 세대의 기반을 바탕으로 최신 엣지 및 클라우드 배포에 권장되는 모델입니다.

YOLO26은 종단 간 NMS 없는 설계를 도입했습니다. 선택적 일대일 헤드(nms=False)는 휴리스틱 NMS 후처리 단계를 건너뛰어 다양한 배포 대상에서 안정적이고 예측 가능한 지연 시간을 제공합니다. Distribution Focal Loss(DFL) 모듈을 제거한 YOLO26n은 YOLO11n보다 최대 43% 빠른 CPU 추론을 구현하므로 임베디드 시스템과 모바일 애플리케이션에 적합합니다.

YOLO26은 수렴을 가속하는 SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 통해 학습 안정성도 개선합니다. 또한 ProgLoss + STAL(점진적 손실 및 소형 객체 인식 레이블 할당)을 적용해 소형 객체 탐지 성능을 높입니다. 이는 드론 매핑 및 보안 경보 시스템에서 중요합니다.

결론 및 권장 사항#

YOLOX는 앵커 없는 방식으로 전환하는 데 중요한 역할을 했지만, 통합된 멀티태스크 생태계가 없어 빠르게 변화하는 프로덕션 환경에서 활용하는 데 한계가 있습니다.

원활한 사용 경험, 다양한 작업 지원, 탄탄한 커뮤니티 지원을 중시하는 개발자에게 YOLOv8은 여전히 견고한 선택입니다. 그러나 엣지 컴퓨팅 성능을 극대화하고 NMS 병목을 없애며 최신 학습 혁신으로 최고 수준의 정확도를 달성하려는 개발자에게는 새로운 컴퓨터 비전 프로젝트에 YOLO26을 권장합니다.

Ultralytics 제품군의 다른 모델을 살펴보고 싶다면 YOLO11의 성능 특성을 확인하거나 YOLOv10이 도입한 NMS 없는 접근 방식에 대해 알아볼 수 있습니다.

댓글1

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.

  1. zaraquinnatGitHub(수정됨)

    Excellent technical comparison! YOLOX introduced some innovative ideas like decoupled heads and anchor-free design, which definitely influenced later models. However, this YOLOv8 comparison shows how v8 builds on such advancements with a cleaner architecture, better task flexibility, and improved performance across various benchmarks. Both have their strengths depending on the application.