Ultralytics YOLO26의 더 빠르고 에지 우선적인 설계의 영향

이번 주 초, Ultralytics는 엣지에서 컴퓨터 비전 시스템의 성능을 재정의하는 것을 목표로 하는 더 빠르고 가볍고 작은 YOLO 모델인 Ultralytics YOLO26을(를) 공식 출시했습니다. YOLO26은 객체 검출 및 인스턴스 세그멘테이션을 포함하여 이전 YOLO 모델과 동일한 핵심 비전 작업을 지원합니다.

그림 1. Ultralytics YOLO26을 사용하여 객체를 세그멘테이션하는 예시.

Ultralytics YOLO26과 이전 모델의 결정적인 차이점은 작동하도록 설계된 환경에 있습니다. 클라우드 그래픽 처리 장치(GPU)나 벤치마크 중심의 성능에 주로 최적화하는 대신, YOLO26은 엣지 디바이스와 임베디드 하드웨어에서의 실제 배포를 위해 처음부터 기초 설계되었습니다.

컴퓨터 비전이 연구 단계에서 프로덕션 단계로 이동함에 따라 성능 제약이라는 현실이 더욱 분명해지고 있습니다. 엣지 환경은 엄격한 지연 시간 예산, 제한된 메모리, 전력 및 발열 제약, 그리고 다양한 플랫폼 간의 예측 가능한 동작에 대한 필요성으로 형성됩니다.

이러한 환경에서 전체 시스템 성능은 단순한 추론 속도뿐만 아니라, 전체 파이프라인이 얼마나 효율적으로 작동하는지에 달려 있습니다. 후처리 오버헤드, 메모리 압박, 특정 플랫폼에 종속된 실행 경로가 종종 병목 현상의 원인이 됩니다.

Ultralytics YOLO26은 개별 모델 지표 대신 전체 추론 파이프라인을 살펴보는 더 빠르고 엣지 중심적인 접근 방식을 취하여 이러한 과제들을 해결합니다. 엣지 최적화에 집중하고, 추론 파이프라인을 단순화하며, 불필요한 후처리 단계를 제거함으로써, YOLO26은 더 낮은 지연 시간과 프로덕션 환경에서의 더 안정적인 동작으로 이어지는 속도 향상을 제공합니다.

이 글에서는 Ultralytics YOLO26의 아키텍처적 선택이 어떻게 실제 성능 향상으로 이어지는지, 그리고 엣지 환경에서의 속도 향상이 차세대 컴퓨터 비전 애플리케이션의 가능성을 어떻게 근본적으로 바꾸는지 살펴봅니다.

엣지 배포의 현실#

엣지에서 컴퓨터 비전 모델을 실행하는 것은 클라우드에서 실행하는 것과 매우 다릅니다. 클라우드 환경에서 시스템은 일반적으로 강력한 GPU, 대용량 메모리 및 안정적인 하드웨어에 액세스할 수 있습니다. 엣지에서는 동일한 가정이 적용되지 않습니다.

대부분의 엣지 배포는 GPU가 아닌 다양한 하드웨어 아키텍처에서 실행됩니다. 디바이스는 일반적으로 효율성과 저전력을 위해 최적화된 여러 특수 프로세서를 사용하며, 이는 클라우드 GPU의 원시 컴퓨팅 용량과는 다릅니다.

지연 시간 또한 주요 제약 사항입니다. 엣지 시스템은 종종 엄격한 실시간 제한 조건 내에서 작동하며, 작은 지연조차 응답성이나 안전성에 영향을 미칠 수 있습니다. 이러한 경우 원시 추론 속도보다 종단간(end-to-end) 지연 시간이 더 중요합니다. 모델이 이론상으로는 빠를지라도 후처리와 데이터 이동이 추가되면 성능이 떨어질 수 있기 때문입니다.

메모리 역시 큰 역할을 합니다. 많은 엣지 디바이스는 제한된 메모리와 공유 캐시를 사용합니다. 모델 자체는 효율적일지라도 큰 중간 텐서와 비효율적인 메모리 사용이 시스템 속도를 저하시킬 수 있습니다.

전력 및 열 제한은 추가적인 제약 사항입니다. 엣지 디바이스는 종종 액티브 쿨링 없이 고정된 전력 예산 내에서 실행됩니다. 따라서 성능은 짧은 버스트 구간에서만 빠른 것이 아니라 효율적이고 지속 가능해야 합니다.

이 모든 것 외에도 엣지 배포는 일관성을 요구합니다. 모델은 디바이스와 런타임 전반에서 동일하게 동작해야 합니다. 플랫폼별 코드나 복잡한 후처리 단계는 시스템의 배포 및 유지 관리를 어렵게 만드는 미묘한 차이를 유발할 수 있습니다.

그림 2. 엣지 배포의 제약 사항. 이미지 저자 제공.

이러한 제약 사항들이 엣지에서의 진정한 성능이 무엇인지 정의합니다. 즉, 성능은 단일 지표가 아닌 전체 파이프라인에 의해 정의됩니다.

왜 엣지 비전은 차별화된 성능 모델을 요구하는가#

그렇다면 엣지 배포의 제약 사항은 엣지용 컴퓨터 비전 모델의 요구 사항과 어떻게 관련될까요? 모델이 연구 환경에서 실제 시스템으로 이동할 때 그 연결 고리가 분명해집니다.

클라우드 환경에서 성능은 종종 추론 속도 및 정확도와 같은 벤치마크를 통해 측정됩니다. 엣지 환경에서 이러한 지표는 전체의 일부일 뿐입니다. 비전 시스템은 일반적으로 이기종 하드웨어에서 실행되는데, 여기서 신경망 추론은 특수 가속기로 오프로드되고 파이프라인의 다른 부분은 범용 프로세서에서 실행됩니다.

이러한 맥락에서 모델 속도만으로는 충분하지 않습니다. 모델이 배포된 후 전체 시스템이 어떻게 작동하는지가 핵심입니다. 모델 자체는 빠를 수 있지만 후처리, 데이터 이동, 플랫폼별 단계가 오버헤드를 추가하면 성능이 떨어질 수 있습니다.

그렇기 때문에 엣지 비전에는 고립된 벤치마크가 아니라 시스템 수준의 효율성에 초점을 맞춘 성능 모델이 필요합니다. Ultralytics YOLO26은 엣지 중심 최적화, 간소화된 추론, 실제 배포를 위해 구축된 엔드투엔드 실행에 집중함으로써 이러한 변화를 반영합니다.

속도를 위한 토대: 엣지 우선 설계#

엣지에서 성능은 모델이 디바이스의 실제 하드웨어 아키텍처와 얼마나 잘 매핑되는지에 의해 결정됩니다. 엣지 우선 설계를 통해 비전 시스템은 사용 가능한 처리 장치의 특정 조합에 관계없이 실제 플랫폼 전반에서 안정적으로 실행될 수 있습니다.

엣지 우선 접근 방식은 클라우드 GPU용으로 최적화된 모델을 사후에 조정하는 대신, 이기종 하드웨어 전반에서 예측 가능하고 효율적인 실행을 우선시합니다. 간단히 말해, 이는 신경망 가속기로 잘 변환되는 연산을 선호하고, 모델 외부의 비신경망 작업을 최소화하며, 종단간 실행을 저하시킬 수 있는 불필요한 복잡성을 줄이는 것을 의미합니다.

Ultralytics YOLO26은 이러한 제약 사항을 염두에 두고 설계되었습니다. 이 아키텍처는 이상적인 조건에서의 최대 처리량 대신 일관된 성능에 초점을 맞춥니다. 실행 경로를 단순화하고 불필요한 연산을 제거함으로써, YOLO26은 추론 파이프라인 전체의 오버헤드를 줄이고 디바이스의 가용 가속 및 메모리 계층 구조를 더 효율적으로 활용합니다.

이러한 접근 방식은 신뢰성도 향상시킵니다. 엣지 중심 최적화는 더 예측 가능한 타이밍과 적은 성능 급증으로 이어지며, 이는 실시간 시스템에 매우 중요합니다. 속도를 달성하기 위해 특수 하드웨어나 무거운 후처리에 의존하는 대신, Ultralytics YOLO26은 추론 파이프라인 전반에 걸쳐 효율성을 강조합니다.

종단간 추론과 후처리의 비용#

불필요한 후처리 단계를 제거한다는 것이 무엇을 의미하는지 궁금하실 것입니다. 이를 이해하기 위해 한 걸음 물러나 기존의 객체 탐지 시스템이 어떻게 작동하는지 살펴보겠습니다.

많은 객체 탐지 파이프라인에서 추론은 모델이 예측 결과를 생성할 때 끝나지 않습니다. 대신 모델은 수많은 겹치는 바운딩 박스를 출력하며, 이는 사용하기 전에 필터링되고 정제되어야 합니다. 이러한 정리 작업은 모델 외부에서 실행되는 후처리 단계를 통해 이루어집니다.

가장 일반적인 후처리 단계 중 하나는 Non-Maximum Suppression(NMS)입니다. NMS는 겹치는 바운딩 박스를 비교하여 가장 신뢰도가 높은 검출 결과만 유지하고 동일한 객체를 가리키는 중복 항목을 제거합니다. 이 접근 방식은 효과적이지만, 추론이 완료된 후 추가적인 연산을 유발합니다.

그림 3. NMS 이해. 이미지 저자 제공.

엣지에서 이러한 추가 작업에는 비용이 따릅니다. NMS와 같은 후처리 단계는 신경망 추론에 사용되는 특수 가속기에 적합하지 않으며, 가속기들은 제어 위주나 메모리 집약적인 작업보다는 밀집된 신경망 연산에 최적화되어 있습니다.

결과적으로 NMS는 추가적인 지연 시간과 메모리 오버헤드를 유발하며, 탐지 수가 증가함에 따라 그 비용도 커집니다. 모델 자체는 빠르더라도 NMS가 전체 런타임의 상당 부분을 차지할 수 있습니다.

후처리는 또한 시스템 복잡성을 증가시킵니다. 모델 외부에 존재하기 때문에 각기 다른 런타임과 하드웨어 타겟에 대해 별도로 구현해야 합니다. 이는 종종 플랫폼별 코드 경로, 디바이스 전반의 일관되지 않은 동작, 그리고 더욱 취약한 배포 파이프라인으로 이어집니다.

가장 중요한 점은 후처리가 진정한 종단간 성능이라는 개념을 저해한다는 것입니다. 모델 추론 속도를 측정하는 것만으로는 프로덕션 환경에서 시스템이 어떻게 작동하는지 알 수 없습니다. 최종적으로 중요한 것은 파이프라인의 모든 단계를 포함하여 입력에서 최종 출력까지 걸리는 총 시간입니다.

이러한 상황에서 후처리는 엣지의 숨겨진 병목 현상이 됩니다. 모델 외부에 존재하면서도 지연 시간을 추가하고, CPU 자원을 소비하며, 배포를 복잡하게 만듭니다.

Ultralytics YOLO26이 NMS를 제거한 방식과 그로 인해 속도가 빨라지는 이유#

YOLO26은(는) NMS를 제거하여 추론 후에 중복 검출을 정리하는 대신 그 근본 원인을 해결합니다. 필터링이 필요한 많은 겹치는 예측을 생성하는 대신, 모델은 신뢰할 수 있는 더 적은 수의 최종 검출 결과를 직접 생성하도록 학습됩니다.

이는 학습 과정에서 검출이 학습되는 방식을 변경함으로써 가능해졌습니다. Ultralytics YOLO26은 객체와 예측 간의 더 명확한 일대일 관계를 장려하여 소스에서의 중복성을 줄입니다. 결과적으로 중복 검출은 외부 후처리가 아니라 네트워크 자체 내에서 해결됩니다.

NMS 제거는 엣지 성능에 즉각적인 영향을 미칩니다. NMS는 신경망 가속기와 잘 맞지 않기 때문에, 이를 제거하면 메모리 이동이 줄어들고 비용이 많이 드는 비신경망 처리 단계를 피할 수 있습니다. 이는 종단간 지연 시간을 줄이고, 특히 후처리가 전체 런타임의 상당 부분을 차지할 수 있는 엣지 디바이스에서 성능을 더욱 예측 가능하게 만듭니다.

또한 추론 파이프라인을 단순화합니다. 모델 외부의 단계가 줄어들면 데이터 이동과 구성 요소 간의 핸드오프가 감소합니다. 모델의 출력이 이미 최종 결과물이므로 실행이 더욱 예측 가능해집니다.

진정한 종단간 성능을 위한 DFL 제거#

Ultralytics YOLO26의 또 다른 혁신은 이전 YOLO 모델에서 바운딩 박스 회귀에 사용되었던 Distribution Focal Loss(또는 DFL)를 제거한 것입니다. DFL을 사용하는 모델은 단일 좌표를 직접 예측하는 대신 가능한 값의 분포를 학습한 후 해당 분포에서 최종 바운딩 박스를 도출했습니다. 이 접근 방식은 현지화 정확도를 향상시키는 데 도움이 되었으며 이전 세대에서 중요한 발전이었습니다.

시간이 지남에 따라 DFL은 트레이드오프도 가져왔습니다. 분포를 예측하면 연산이 증가하고 모델 아키텍처에 복잡성이 추가되어 CPU에서의 추론이 느려질 수 있으며, 배포 형식 간에 모델을 내보내기 어렵게 만들 수 있습니다. 또한 DFL은 고정된 회귀 범위를 부과하여 매우 큰 객체를 검출할 때 유연성을 제한할 수 있습니다.

Ultralytics YOLO26은 더 단순한 엔드투엔드 설계로 나아가는 과정의 일환으로 DFL을 제거합니다. 바운딩 박스 회귀가 더 직접적이도록 재설계되어, 정확도를 유지하면서도 불필요한 연산을 줄입니다. 이러한 변화는 YOLO26의 NMS-free 접근 방식과 일치합니다.

43% 더 빠른 CPU 추론의 원천#

CPU 기반 벤치마크에서 YOLO26은 이전 YOLO 모델에 비해 명확한 성능 향상을 보여줍니다. Ultralytics YOLO11과(와) 비교할 때, YOLO26 nano 모델은 최대 43% 더 빠른 CPU 추론을 제공하며, 이는 실제 엣지 배포에서 의미 있는 차이를 만듭니다.

그림 4. Ultralytics YOLO26 CPU 속도 벤치마킹.

이러한 성과는 단일 구성 요소를 최적화하는 것이 아니라 전체 추론 파이프라인을 단순화한 데서 비롯됩니다. 종단간 실행을 통해 후처리 오버헤드가 제거되었고, 더 직접적인 바운딩 박스 회귀 방법으로 연산량이 감소했으며, CPU 우선 설계 선택으로 범용 프로세서에서의 실행 효율성이 향상되었습니다.

결과적으로 이러한 변화는 지연 시간을 줄이고 CPU 작업 부하를 낮추며 실제 엣지 하드웨어에서 더 빠르고 일관된 성능을 제공합니다.

Edge 배포 및 내보내기에 미치는 Ultralytics YOLO26의 영향#

Ultralytics YOLO26의 성능 향상은 더 빠른 추론 그 이상입니다. 모델을 단순화하고 메모리 오버헤드를 줄임으로써 엣지 환경 전체에서 배포하기가 더 쉬워지고 실행하기가 더 안정적여집니다.

또한 Ultralytics YOLO26의 엔드투엔드 디자인은 export 과정을 단순화합니다. 보조 컴포넌트가 줄어들고 외부 후처리 단계가 없어지므로 내보낸 모델이 완전히 자체 포함됩니다. 이는 플랫폼별 종속성을 줄이고 런타임 및 하드웨어 대상 간에 일관된 동작을 보장하는 데 도움이 됩니다.

실제로 이는 Ultralytics YOLO26이 다양한 내보내기 형식을 사용하여 카메라, 로봇, 임베디드 시스템과 같은 엣지 디바이스에 더 쉽게 배포될 수 있음을 의미합니다. 내보낸 그대로 실행되므로 통합 단계가 줄어들고 배포 드리프트의 위험이 낮아집니다.

더 빠른 엣지 추론을 통한 로봇 공학 및 산업용 비전 AI 구현#

지금까지 Ultralytics YOLO26의 엣지 중심 디자인이 시스템 수준에서 성능을 어떻게 향상시키는 살펴보았습니다. 그러나 진정한 영향력은 비전 AI를 실제 애플리케이션에 더 쉽게 통합할 수 있게 해준다는 점에 있습니다.

예를 들어, 로보틱스 및 산업 환경에서 비전 시스템은 종종 엄격한 실시간 제약 조건 하에서 작동합니다. 결정은 제한된 컴퓨팅을 사용하여 클라우드 연결에 의존하지 않고 빠르고 일관되게 내려져야 합니다. Ultralytics YOLO26을(를) 사용하면 이러한 요구 사항을 충족하는 것이 실현 가능해집니다.

로봇 내비게이션 및 객체 조작과 같은 애플리케이션은 더 낮은 지연 시간과 더욱 예측 가능한 추론의 이점을 누려, 로봇이 환경 변화에 원활하게 대응할 수 있게 합니다. 마찬가지로 산업 현장에서는 비전 모델이 생산 라인에서 직접 작동하여 지연 시간이나 복잡성을 추가하지 않고도 결함을 감지하고, 부품을 추적하며, 공정을 모니터링할 수 있습니다.

엣지 하드웨어에서 빠르고 안정적인 추론을 가능하게 함으로써 Ultralytics YOLO26은 비전 AI를 배포하고 유지 관리하는 과제가 아니라 로봇 공학 및 산업 시스템의 자연스러운 일부로 만드는 데 기여합니다.

핵심 요약#

Ultralytics YOLO26은 지연 시간, 메모리, 신뢰성과 같은 실제 제약 조건이 가능성을 정의하는 엣지를 위해 구축되었습니다. CPU 우선 실행, 엔드투엔드 추론, 그리고 더 단순한 배포를 중심으로 모델을 설계함으로써, YOLO26은 비전 AI를 실제 시스템에 통합하는 것을 실용적으로 만듭니다. 이 엣지 중심 접근 방식은 로보틱스와 산업용 비전부터 임베디드 및 온디바이스 AI에 이르기까지 성능과 예측 가능성이 가장 중요한 광범위한 애플리케이션을 가능하게 합니다.

성장하는 커뮤니티에 참여하고 실습형 AI 리소스를 위해 GitHub 레포지토리를 살펴보세요. 지금 비전 AI로 구축을 시작하려면 라이선스 옵션을 살펴보세요. 솔루션 페이지를 방문하여 농업 분야의 AI가 농업을 어떻게 변화시키고 있는지, 그리고 의료 분야의 비전 AI가 미래를 어떻게 만들어가고 있는지 알아보세요.