Ultralytics 엔드투엔드, NMS 없는 추론, 향상된 CPU , 간소화된 생산 배포를 통해 에지 중심 비전 AI의 새로운 기준을 어떻게 제시하는지 알아보세요.
Ultralytics 엔드투엔드, NMS 없는 추론, 향상된 CPU , 간소화된 생산 배포를 통해 에지 중심 비전 AI의 새로운 기준을 어떻게 제시하는지 알아보세요.
오늘, Ultralytics 현재까지 가장 진보되고 배포 가능한 YOLO YOLO26을 Ultralytics 출시합니다. YOLO 2025(YV25)에서 처음 발표된 YOLO26은 컴퓨터 비전 모델이 실제 시스템에서 훈련, 배포 및 확장되는 방식에 근본적인 변화를 가져옵니다.
비전 AI는 빠르게 에지로 이동하고 있습니다. 이미지 및 영상은 점점 더 장치, 카메라, 로봇, 임베디드 시스템에서 직접 처리되며, 여기서 지연 시간, 신뢰성, 비용은 순수한 클라우드 컴퓨팅보다 더 중요합니다. YOLO26은 이러한 현실을 위해 설계되어 CPU, 에지 가속기, 저전력 하드웨어에서 효율적으로 실행되면서도 세계 최고 수준의 성능을 제공합니다.
YOLO26은 상당한 발전을 이루었지만, 여전히 익숙하고 간결한 Ultralytics YOLO 개발자들이 의존하는 경험을 유지합니다. 기존 워크플로우에 완벽하게 통합되며, 다양한 비전 작업을 지원하고 사용하기 쉬워 연구팀과 생산팀 모두에게 도입이 간편합니다.
이 글에서는 Ultralytics 대해 알아야 할 모든 것과 더 가볍고, 더 작고, 더 빠른 YOLO 비전 AI의 미래에 어떤 의미를 지니는지 자세히 살펴보겠습니다. 시작해 보죠!
Ultralytics 영향력 있는 비전 AI 기능이 누구나 쉽게 접근할 수 있어야 한다는 철학으로 설계되었습니다. 우리는 강력한 컴퓨터 비전 도구가 특정 소수 조직에만 제한되거나 폐쇄되어서는 안 된다고 믿습니다.
런던에서 열린 YV25에서 창립자 겸 CEO 글렌 조커는 이 비전에 대한 생각을 공유하며 이렇게 말했습니다. "가장 놀라운 AI 기술은 문 뒤에 숨겨져 있습니다. 공개되지 않죠. 대기업들이 새로운 발전을 장악하고, 나머지 모든 이들은 접근을 위해 줄을 서서 기다려야 합니다. Ultralytics 다른 비전을 가지고 있습니다. 우리는 AI가 모든 사람의 손에 쥐여지길 원합니다."
그는 또한 이는 AI를 클라우드에서 벗어나 실제 환경으로 가져오는 것을 의미한다고 설명하며, "우리는 이 기술이 단순히 클라우드에 머무르는 것이 아니라 에지 디바이스, 여러분의 휴대폰, 차량, 저전력 시스템으로 확장되길 원합니다. 그리고 솔루션을 창출하는 이 놀라운 인재들이 그 기술에 접근할 수 있기를 바랍니다"라고 덧붙였습니다.
YOLO26은 이 비전을 실제로 구현합니다: 프로토타입 제작이 가장 쉬운 곳이 아닌, 비전 AI가 실제로 배포되는 환경에서 실행되도록 설계된 모델입니다.
초기 Ultralytics YOLO 마찬가지로, YOLO26은 단일 통합 모델 계열 내에서 다양한 컴퓨터 비전 작업을 지원합니다. Nano(n), Small(s), Medium(m), Large(l), Extra Large(x) 등 다섯 가지 크기로 제공되어, 배포 제약 조건에 따라 속도, 정확도, 모델 크기의 균형을 맞출 수 있습니다.
유연성을 넘어, YOLO26은 성능 기준을 한 단계 높였습니다. YOLO11 대비 YOLO26 나노 모델은 CPU 속도를 최대 43%까지 향상시켜, 에지 및 CPU 배포에 활용 가능한 최고 속도의 고정밀 객체 탐지 모델 중 하나로 자리매김했습니다.
.webp)
YOLO26이 지원하는 컴퓨터 비전 작업들을 자세히 살펴보겠습니다:
모든 작업은 일관된 프레임워크 내에서 훈련, 검증, 추론 및 내보내기를 지원합니다.
Ultralytics 추론 속도, 훈련 안정성 및 배포 간편성을 개선하는 여러 핵심 혁신을 도입합니다. 이러한 혁신에 대한 개요는 다음과 같습니다:
다음으로, YOLO26을 더 빠르고 효율적이며 배포하기 쉽게 만드는 이러한 차세대 기능들을 자세히 살펴보겠습니다.
초기 YOLO 훈련 과정에서 경계 상자 정밀도를 향상시키기 위해 분포 초점 손실(DFL)을 사용했습니다. 효과적이긴 했지만, DFL은 추가적인 복잡성을 도입하고 고정된 회귀 한계를 부과하여, 특히 에지 및 저전력 하드웨어에서 내보내기 및 배포를 더욱 어렵게 만들었습니다.
YOLO26은 DFL을 완전히 제거합니다. DFL 제거로 인해 이전 모델에 존재하던 고정된 바운딩 박스 회귀 한계가 사라져, 매우 큰 물체를 탐지할 때 신뢰성과 정확도가 향상됩니다.
경계 상자 예측 과정을 단순화함으로써 YOLO26은 다양한 에지 및 저전력 장치에서 더 쉽게 수출되고 더 안정적으로 실행됩니다.
기존 객체 탐지 파이프라인은 중첩된 예측을 필터링하기 위한 후처리 단계로 비최대 억제(NMS)에 의존합니다. 효과적이긴 하지만, NMS 특히 여러 런타임과 하드웨어 대상에 모델을 배포할 때 지연 시간, 복잡성 및 취약성을 NMS .
YOLO26은 별도의 후처리 NMS 없이 모델이 직접 최종 예측을 출력하는 네이티브 종단 간 추론 모드를 도입합니다. 중복 예측은 네트워크 내부에서 처리됩니다.
NMS 제거는 지연 시간을 NMS 배포 파이프라인을 단순화하며 통합 오류 위험을 낮춰, YOLO26이 실시간 및 에지 배포에 특히 적합하게 만듭니다.
훈련과 관련된 핵심 기능은 점진적 손실 균형(Progressive Loss Balancing, ProgLoss)과 소형 표적 인식 라벨 할당(Small-Target-Aware Label Assignment, STAL)의 도입이다. 이러한 개선된 손실 함수는 훈련을 안정화하고 탐지 정확도를 향상시키는 데 도움이 된다.
ProgLoss는 훈련 과정에서 모델이 보다 일관되게 학습하도록 지원하여 불안정성을 줄이고 더 부드러운 수렴을 가능하게 합니다. 한편 STAL은 시각적 세부사항이 detect 어려운 소형 물체로부터 모델이 학습하는 방식을 개선하는 데 중점을 둡니다.
ProgLoss와 STAL을 함께 적용하면 더 신뢰할 수 있는 탐지가 가능해지며, 특히 소형 물체 인식에서 뚜렷한 개선 효과를 보입니다. 이는 사물인터넷(IoT), 로봇공학, 항공 촬영과 같은 에지 애플리케이션에서 특히 중요합니다. 이러한 분야에서는 물체가 종종 작거나 멀리 있거나 부분적으로만 보이는 경우가 많기 때문입니다.
YOLO26에서는 훈련을 보다 안정적이고 효율적으로 만들기 위해 MuSGD라는 새로운 최적화기를 채택했습니다. MuSGD는 기존의 확률적 경사 하강법(SGD)의 장점과 대규모 언어 모델(LLM) 훈련에 사용되는 최적화기인 Muon에서 영감을 받은 기법을 결합한 하이브리드 접근법입니다.
SGD 단순성과 강력한 일반화 능력 덕분에 오랫동안 컴퓨터 비전 분야에서 신뢰할 수 SGD . 동시에 최근 대규모 언어 모델(LLM) 훈련 분야의 발전은 신중한 적용 시 새로운 최적화 방법이 안정성과 속도를 향상시킬 수 있음을 보여주었습니다. MuSGD는 이러한 아이디어 일부를 컴퓨터 비전 분야로 도입합니다.
Moonshot AI의 Kimi K2에서 영감을 받은 MuSGD는 훈련 중 모델이 더 원활하게 수렴하도록 돕는 최적화 전략을 통합합니다. 이를 통해 YOLO26은 특히 더 크거나 복잡한 훈련 환경에서 훈련 불안정성을 줄이면서 더 빠르게 강력한 성능에 도달할 수 있습니다.
MuSGD는 YOLO26이 모델 크기에 관계없이 더 예측 가능하게 학습하도록 지원하여 성능 향상과 훈련 안정성 모두에 기여합니다.
비전 AI가 데이터가 생성되는 현장으로 계속 가까워짐에 따라 강력한 에지 성능이 점점 더 중요해지고 있습니다. 에지 컴퓨팅을 위해 특별히 최적화된 YOLO26은 CPU 속도를 최대 43%까지 향상시켜 GPU가 없는 장치에서도 실시간 성능을 보장합니다. 이러한 개선으로 지연 시간, 효율성 및 비용 제약이 가능성을 결정하는 카메라, 로봇 및 임베디드 하드웨어에서 직접 반응성이 뛰어나고 신뢰할 수 있는 비전 시스템을 구동할 수 있습니다.
물체 탐지 정확도를 높이는 구조적 개선 외에도, YOLO26은 컴퓨터 비전 작업 전반의 성능 향상을 위해 설계된 작업별 최적화 기능을 포함합니다. 예를 들어, 인스턴스 분할, 자세 추정, 방향성 바운딩 박스 탐지 성능을 향상시키기 위한 맞춤형 업데이트를 통해 정확도와 신뢰성을 개선합니다.
이러한 최적화에 대한 개요는 다음과 같습니다:
Ultralytics 또한 YOLO26의 아키텍처와 훈련 혁신을 기반으로 구축된 새로운 오픈 어휘 분할 모델 계열인 YOLOE-26을 Ultralytics .
YOLOE-26은 새로운 작업이나 기능이 아닌, 기존 분할 작업을 재사용하면서 텍스트 프롬프트, 시각적 프롬프트 및 프롬프트 없는 추론을 가능하게 하는 특수 모델 계열입니다. 모든 표준 YOLO 제공되는 YOLOE-26은 기존 오픈 어휘 분할 모델보다 더 높은 정확도와 더 신뢰할 수 있는 실제 성능을 제공합니다.
비전 기반 카메라부터 컴퓨터 비전과 에지 컴퓨팅용 초소형 프로세싱 칩으로 구동되는 로봇에 이르기까지, 컴퓨터 비전과 인공지능은 실시간 추론을 위해 기기 내부에 직접 탑재되고 있습니다. Ultralytics 저지연, 효율성, 안정적인 성능이 필수적인 이러한 환경을 위해 특별히 설계되었습니다.
실제 적용 시, 이는 YOLO26이 다양한 하드웨어에 손쉽게 배포될 수 있음을 의미합니다. 구체적으로,Python 그 광범위한 통합 기능을 통해 모델을 다양한 플랫폼 및 하드웨어 가속기에 최적화된 형식으로 내보낼 수 있습니다.
예를 들어, TensorRT 내보내면 NVIDIA 고성능 추론이 TensorRT , CoreML Apple 기기에서의 네이티브 배포를 CoreML , OpenVINO Intel 성능을 OpenVINO . YOLO26은 또한 여러 전용 에지 가속기에서 실행되도록 내보낼 수 있어, 특수한 에지 AI 하드웨어에서 높은 처리량과 에너지 효율적인 추론을 가능하게 합니다.
이것들은 단지 몇 가지 예시일 뿐이며, 엣지 및 프로덕션 환경 전반에 걸쳐 훨씬 더 많은 통합이 지원됩니다. 이러한 유연성 덕분에 단일 YOLO26 모델이 다양한 배포 대상에서 실행될 수 있습니다. 이는 프로덕션 워크플로를 간소화하고 비전 AI를 엣지에 더 가깝게 만듭니다.
실제 환경 배치를 위해 설계된 YOLO26은 다양한 산업 분야의 광범위한 컴퓨터 비전 사용 사례에 활용될 수 있습니다. 적용 가능한 분야는 다음과 같습니다:
스마트 시티: 도시 환경 전반에 걸쳐 YOLO26은 교통 및 공공장소 카메라의 영상 스트림을 분석할 수 있습니다. 이를 통해 교통 모니터링, 공공 안전, 인프라 관리와 같은 애플리케이션을 에지에서 구현할 수 있습니다.
Ultralytics 비전 AI를 구축하고 배포하는 방식에 따라 두 가지 상호 보완적인 워크플로를 통해 사용할 수 있습니다.
옵션 1: Ultralytics 통해 Ultralytics 사용 (권장)
Ultralytics YOLO26 모델을 훈련, 배포 및 운영 환경에서 모니터링할 수 있는 중앙 집중식 방식을 제공합니다. 데이터셋, 실험, 배포를 한곳에 통합하여 대규모 비전 AI 워크플로우 관리를 용이하게 하며, 특히 에지 및 운영 환경에 배포하는 팀에게 유용합니다.
플랫폼을 통해 사용자는 다음과 같은 작업을 수행할 수 있습니다:
👉 Ultralytics 에서 YOLO26을 살펴보세요: platform.ultralytics.ultralytics
옵션 2: 오픈소스 워크플로를 통해 Ultralytics 사용
YOLO26은 Ultralytics오픈소스 생태계를 통해 완전히 접근 가능하며, 기존 Python 기반 워크플로우와 함께 훈련, 추론 및 내보내기에 활용할 수 있습니다.
개발자는 Ultralytics 설치하고, 사전 훈련된 YOLO26 모델을 로드한 후 ONNX, TensorRT, CoreML 또는 OpenVINO 같은 익숙한 도구 및 형식을 사용하여 배포할 수 있습니다.
pip install ultralyticsfrom ultralytics import YOLO
# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")
# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")직접적인 제어나 맞춤형 파이프라인을 선호하는 사용자를 위해, Ultralytics 문서에서 전체 문서와 가이드를 확인할 수 있습니다.
Ultralytics 모델이 실제 하드웨어에서 빠르고 효율적이며 쉽게 배포되어야 하는 미래의 비전 AI 솔루션 요구사항을 충족하도록 설계되었습니다. 성능 향상, 배포 간소화, 모델의 기능 확장을 통해 YOLO26은 다양한 실제 애플리케이션에 자연스럽게 적용됩니다. YOLO26은 비전 AI의 구축, 배포, 확장 방식을 위한 새로운 기준을 제시합니다. 커뮤니티가 이를 활용해 실제 컴퓨터 비전 시스템을 출시하는 모습을 기대합니다.
성장하는 커뮤니티에 가입하고 GitHub 리포지토리에서 실습용 AI 리소스를 살펴보세요. 지금 바로 Vision AI로 구축하려면 라이선스 옵션을 살펴보세요. 솔루션 페이지에서 농업 분야의 AI가 농업을 어떻게 변화시키고 있는지, 로봇 공학 분야의 Vision AI가 미래를 어떻게 만들어가고 있는지 알아보세요.
