Ultralytics YOLO26 소개: 더 좋고, 빠르고, 더 작은 YOLO 모델

9월 25일 런던에서 열린 연례 하이브리드 이벤트인 YOLO Vision 2025 (YV25)에서 당사의 설립자이자 CEO인 Glenn Jocher는 Ultralytics YOLO 모델 시리즈의 최신 혁신인 Ultralytics YOLO26을 공식 발표했습니다! 새로운 컴퓨터 비전 모델인 YOLO26은 속도, 정확성 및 배포 용이성의 균형을 맞춘 효율적인 아키텍처를 통해 이미지와 비디오를 분석하고 해석할 수 있습니다.

Ultralytics YOLO26은 모델 설계를 간소화하고 새로운 향상 기능을 추가하는 동시에, 사용자가 Ultralytics YOLO 모델에서 기대하는 친숙한 기능을 계속해서 제공합니다. 예를 들어, Ultralytics YOLO26은 사용하기 쉽고 다양한 컴퓨터 비전 작업을 지원하며 유연한 통합 및 배포 옵션을 제공합니다.

말할 필요도 없이, 이로 인해 Ultralytics YOLO26 사용으로의 전환이 번거롭지 않게 되었으며, 10월 말 일반 공개 시 사용자들이 직접 경험하게 될 날을 고대하고 있습니다.

그림 1. 이미지에서 객체를 감지하기 위해 YOLO26을 사용하는 예시.

간단히 말해, Ultralytics YOLO26은 더 나아지고, 더 빠르고, 더 작은 비전 AI 모델입니다. 이 기사에서는 Ultralytics YOLO26의 주요 기능과 그것이 제공하는 이점에 대해 살펴보겠습니다. 시작해 봅시다!

Link to this sectionUltralytics YOLO26으로 비전 AI의 한계를 뛰어넘다#

Ultralytics YOLO26의 주요 기능과 그것이 가능하게 하는 애플리케이션을 살펴보기 전에, 잠시 물러나 이 모델의 개발을 이끈 영감과 동기에 대해 논의해 보겠습니다.

Ultralytics는 항상 혁신의 힘을 믿어왔습니다. 처음부터 우리의 사명은 두 가지였습니다. 한편으로는 누구나 장벽 없이 비전 AI를 사용할 수 있도록 접근성을 높이고자 합니다. 다른 한편으로는 컴퓨터 비전 모델이 달성할 수 있는 한계를 뛰어넘어 최첨단 기술을 유지하는 데 전념하고 있습니다.

이 사명의 핵심 요인은 AI 분야가 항상 진화하고 있다는 점입니다. 예를 들어, 클라우드에 의존하는 대신 장치에서 직접 AI 모델을 실행하는 엣지 AI가 산업 전반에서 빠르게 채택되고 있습니다.

스마트 카메라에서 자율 시스템에 이르기까지 엣지의 장치들은 이제 실시간으로 정보를 처리해야 합니다. 이러한 변화는 동일한 높은 수준의 정확성을 유지하면서도 더 가볍고 빠른 모델을 요구합니다.

이것이 바로 Ultralytics YOLO 모델을 지속적으로 개선해야 하는 이유입니다. Glenn Jocher의 말처럼, “가장 큰 과제 중 하나는 사용자가 최고의 성능을 누리면서도 YOLO26을 최대한 활용할 수 있도록 보장하는 것이었습니다.”

Link to this sectionUltralytics YOLO26 개요#

YOLO26은 5가지 다른 모델 변형으로 즉시 제공되므로 모든 규모의 애플리케이션에서 그 기능을 유연하게 활용할 수 있습니다. 이러한 모든 모델 변형은 이전 Ultralytics YOLO 모델과 마찬가지로 다중 컴퓨터 비전 작업을 지원합니다. 즉, 어떤 크기를 선택하든 Ultralytics YOLO11처럼 YOLO26이 광범위한 기능을 제공할 것이라고 신뢰할 수 있습니다.

YOLO26에서 지원하는 컴퓨터 비전 작업에 대한 개요입니다:

• 객체 감지(Object detection): YOLO26은 이미지나 비디오 프레임 내의 여러 객체를 식별하고 위치를 지정할 수 있습니다.
• 인스턴스 분할(Instance segmentation): 감지 단계를 넘어, YOLO26은 식별된 각 객체 주위에 픽셀 단위로 정확한 경계를 생성할 수 있습니다.
• 이미지 분류(Image classification): 모델은 전체 이미지를 분석하여 특정 범주나 레이블에 할당할 수 있습니다.
• 자세 추정(Pose estimation): YOLO26은 키포인트를 감지하고 사람과 다른 객체의 자세를 추정할 수 있습니다.
• 지향성 경계 상자(Oriented bounding boxes, OBB): 이 모델은 건물, 차량 또는 농작물과 같은 항목이 이미지 프레임과 정렬되지 않을 수 있는 항공, 드론 및 위성 이미지에 특히 유용한 임의 각도의 객체를 감지할 수 있습니다.
• 객체 추적(Object tracking): YOLO26은 비디오 프레임이나 실시간 스트림 전반에서 객체를 추적하는 데 사용할 수 있습니다.

그림 2. YOLO26을 사용하여 이미지 내 객체 감지.

Link to this sectionYOLO26 아키텍처 살펴보기#

이제 YOLO26의 기능을 더 잘 이해했으므로, 아키텍처의 몇 가지 혁신 사항을 살펴보겠습니다.

모델 설계는 이전에 추론 속도를 늦추고 경계 상자 회귀를 제한했던 Distribution Focal Loss(DFL) 모듈을 제거하여 간소화되었습니다.

예측 프로세스 또한 엔드 투 엔드(E2E) 추론 옵션으로 간소화되어, 모델이 전통적인 Non-Maximum Suppression(NMS) 단계를 건너뛸 수 있게 되었습니다. 이러한 개선은 복잡성을 줄이고 모델이 더 빠르게 결과를 제공할 수 있게 하여 실세계 애플리케이션에서의 배포를 용이하게 합니다.

기타 개선 사항들은 모델을 더 스마트하고 안정적으로 만듭니다. Progressive Loss Balancing(ProgLoss)은 학습을 안정화하고 정확도를 높이는 데 도움이 되며, Small-Target-Aware Label Assignment(STAL)는 작은 객체를 더 효과적으로 감지할 수 있도록 합니다. 게다가, 새로운 MuSGD 최적화 도구는 학습 수렴을 개선하고 전반적인 성능을 높입니다.

실제로 YOLO26의 가장 작은 버전인 나노 모델은 이제 표준 CPU에서 최대 43% 더 빠르게 실행되므로 모바일 앱, 스마트 카메라 및 속도와 효율성이 중요한 기타 엣지 장치에 특히 적합합니다. 다음은 YOLO26의 기능과 사용자가 기대할 수 있는 점에 대한 요약입니다:

• DFL 제거: 모델 아키텍처에서 Distribution Focal Loss 모듈을 제거했습니다. 이미지 내 객체 크기에 관계없이 YOLO26은 더 효율적으로 작동하면서 맞춤형 경계 상자를 배치할 수 있습니다.
• 엔드 투 엔드 NMS-free 추론: YOLO26은 중복 예측을 제거하기 위해 일반적으로 사용되는 단계인 Non-Maximum Suppression (NMS)가 필요 없는 옵션 모드를 추가하여 실시간 사용을 위한 배포를 더 간단하고 빠르게 만듭니다.
• ProgLoss 및 STAL: 이러한 개선 사항은 학습을 더 안정적으로 만들고, 특히 복잡한 장면에서 작은 객체를 감지할 때 정확도를 크게 높입니다.
• MuSGD 최적화 도구: YOLO26은 두 가지 학습 최적화 도구(Muon 및 SGD)의 강점을 결합한 새로운 최적화 도구를 사용하여 모델이 더 빨리 학습하고 더 높은 정확도에 도달하도록 돕습니다.

그림 3. YOLO26 벤치마킹.

Link to this sectionUltralytics YOLO26으로 배포 간소화#

모바일 앱, 스마트 카메라 또는 엔터프라이즈 시스템 등 무엇을 작업하든 YOLO26 배포는 간단하고 유연합니다. Ultralytics Python 패키지는 지속적으로 증가하는 내보내기 형식을 지원하며, 이를 통해 YOLO26을 기존 워크플로우에 쉽게 통합하고 거의 모든 플랫폼과 호환되게 할 수 있습니다.

일부 내보내기 옵션에는 최대 GPU 가속을 위한 TensorRT, 광범위한 호환성을 위한 ONNX, 기본 iOS 앱을 위한 CoreML, Android 및 엣지 장치를 위한 TFLite, Intel 하드웨어에서 최적화된 성능을 위한 OpenVINO가 포함됩니다. 이러한 유연성 덕분에 추가적인 어려움 없이 YOLO26을 개발에서 프로덕션까지 원활하게 전환할 수 있습니다.

배포의 또 다른 중요한 부분은 리소스가 제한된 장치에서 모델이 효율적으로 실행되도록 하는 것입니다. 여기서 양자화(quantization)가 필요합니다. 단순화된 아키텍처 덕분에 YOLO26은 이를 매우 잘 처리합니다. INT8 배포(크기를 줄이고 정확도 손실을 최소화하며 속도를 높이기 위해 8비트 압축 사용)와 지원되는 하드웨어에서 더 빠른 추론을 위한 하프 정밀도(FP16)를 지원합니다.

가장 중요한 것은 YOLO26이 이러한 양자화 수준 전반에 걸쳐 일관된 성능을 제공하므로, 강력한 서버에서 실행되든 소형 엣지 장치에서 실행되든 신뢰할 수 있다는 점입니다.

Link to this section로봇 공학에서 제조까지: YOLO26의 사용 사례#

YOLO26은 다양한 산업과 사용 사례 전반에 걸쳐 광범위한 컴퓨터 비전 애플리케이션에 사용될 수 있습니다. 로봇 공학에서 제조에 이르기까지, 워크플로우를 개선하고 더 빠르고 정확한 의사 결정을 가능하게 함으로써 상당한 영향을 미칠 수 있습니다.

예를 들어, YOLO26이 로봇이 주변 환경을 실시간으로 해석하도록 도울 수 있는 로봇 공학이 좋은 사례입니다. 이는 내비게이션을 더 원활하게 하고 객체 처리를 더 정확하게 만듭니다. 또한 사람과의 더 안전한 협업을 가능하게 합니다.

또 다른 예는 모델을 결함 감지에 사용할 수 있는 제조 분야입니다. 수동 검사보다 더 빠르고 정확하게 생산 라인의 결함을 자동으로 식별할 수 있습니다.

그림 4. YOLO26을 사용하여 제조 공장의 병 감지.

일반적으로 YOLO26은 더 나아지고, 더 빠르고, 더 가볍기 때문에 경량 엣지 장치에서 대규모 엔터프라이즈 시스템까지 광범위한 환경에 쉽게 적응합니다. 이는 효율성, 정확성 및 신뢰성을 향상시키려는 산업 분야에 실용적인 선택입니다.

Link to this section핵심 요약#

Ultralytics YOLO26은 사용하기 쉽고 강력한 성능을 유지하면서도 더 나아지고, 더 빠르고, 더 가벼워진 컴퓨터 비전 모델입니다. 다양한 작업과 플랫폼에서 작동하며 10월 말까지 모두에게 제공될 예정입니다. 커뮤니티가 이를 사용하여 새로운 솔루션을 만들고 컴퓨터 비전의 한계를 뛰어넘는 모습을 기대합니다.

성장하는 저희 커뮤니티에 참여하세요! AI에 대해 자세히 알아보려면 GitHub 저장소를 살펴보십시오. 솔루션 페이지를 방문하여 소매업의 컴퓨터 비전 및 자동차 산업의 AI와 같은 혁신을 발견하십시오. 오늘 바로 컴퓨터 비전으로 빌드를 시작하려면 라이선스 옵션을 확인하십시오.