Ultralytics YOLO26: 엣지 우선 비전 AI의 새로운 기준

오늘 Ultralytics는 지금까지 가장 발전되고 배포하기 쉬운 YOLO 모델인 YOLO26을 공식 출시합니다. YOLO Vision 2025 (YV25)에서 처음 발표된 YOLO26은 실제 시스템에서 컴퓨터 비전 모델을 학습하고 배포하며 확장하는 방식에 근본적인 변화를 가져옵니다.

비전 AI는 빠르게 엣지로 이동하고 있습니다. 지연 시간, 신뢰성, 비용이 클라우드 컴퓨팅의 원시 성능보다 중요한 기기, 카메라, 로봇, 임베디드 시스템에서 이미지와 동영상을 직접 처리하는 사례가 늘고 있습니다. YOLO26은 이러한 환경에 맞게 설계되어 CPU, 엣지 가속기, 저전력 하드웨어에서 효율적으로 실행되면서도 최첨단 정확도를 제공합니다.

YOLO26은 크게 발전했지만, 개발자들이 신뢰하는 친숙하고 간결한 Ultralytics YOLO 경험은 그대로 유지합니다. 기존 워크플로에 통합되고 다양한 비전 작업을 지원하며 사용하기도 쉬워 연구팀과 프로덕션 팀 모두 간편하게 도입할 수 있습니다.

그림 1. 객체 감지에 Ultralytics YOLO26을 사용하는 예.

이 글에서는 Ultralytics YOLO26에 대해 알아야 할 모든 것과 더 가볍고 작고 빠른 YOLO 모델이 비전 AI의 미래에 어떤 의미를 갖는지 자세히 살펴봅니다.

Ultralytics YOLO26, 비전 AI의 새로운 표준을 제시하다#

Ultralytics YOLO26은 영향력 있는 비전 AI 기능을 누구나 쉽게 이용할 수 있어야 한다는 생각을 바탕으로 만들어졌습니다. 강력한 컴퓨터 비전 도구가 소수의 조직만 이용할 수 있도록 제한되거나 폐쇄되어서는 안 된다고 믿습니다.

런던에서 열린 YV25에서 창립자 겸 CEO인 Glenn Jocher는 이러한 비전에 대한 생각을 다음과 같이 밝혔습니다. “가장 놀라운 AI 기술은 비공개로 운영됩니다. 개방되어 있지 않습니다. 대기업이 새로운 개발을 통제하고, 나머지는 이용할 수 있을 때까지 줄을 서서 기다려야 합니다. Ultralytics는 다른 비전을 가지고 있습니다. 모든 사람이 AI를 이용할 수 있기를 바랍니다.”

그는 또한 AI를 클라우드에서 벗어나 실제 환경으로 가져오는 것을 의미한다고 설명하며 다음과 같이 덧붙였습니다. “기술이 클라우드에만 머무는 것이 아니라 엣지 기기, 여러분의 휴대전화와 차량, 저전력 시스템으로 내려오기를 바랍니다. 그리고 솔루션을 만드는 놀라운 사람들이 이러한 기술을 이용할 수 있기를 바랍니다.”

YOLO26은 이러한 비전을 실제로 구현합니다. 프로토타입을 가장 쉽게 만드는 곳이 아니라 비전 AI가 실제로 배포되는 곳에서 실행되도록 설계된 모델입니다.

Ultralytics YOLO26 살펴보기: 최첨단 비전 모델#

이전 Ultralytics YOLO 모델과 마찬가지로 YOLO26은 통합된 단일 모델 제품군에서 여러 컴퓨터 비전 작업을 지원합니다. Nano (n), Small (s), Medium (m), Large (l), Extra Large (x)의 다섯 가지 크기로 제공되므로 팀은 배포 제약에 따라 속도, 정확도, 모델 크기 간의 균형을 맞출 수 있습니다.

유연성뿐 아니라 YOLO26은 성능 기준을 한 단계 끌어올립니다. YOLO11과 비교했을 때 YOLO26 nano 모델은 CPU 추론 속도가 최대 43% 더 빠르므로, 엣지 및 CPU 기반 배포에 사용할 수 있는 고정확도 객체 감지 모델 중 가장 빠른 모델에 속합니다.

그림 2. Ultralytics YOLO26은 최첨단 비전 모델입니다.

YOLO26이 지원하는 컴퓨터 비전 작업을 자세히 살펴보겠습니다.

• 객체 감지: 모델은 이미지나 동영상에서 여러 객체를 찾아 위치를 파악할 수 있습니다.
• 인스턴스 분할: YOLO26은 픽셀 단위의 세밀한 표현으로 개별 객체의 윤곽을 그릴 수 있습니다.
• 이미지 분류: YOLO26은 이미지 전체를 분석해 특정 카테고리로 분류함으로써 시스템이 장면의 전반적인 맥락을 이해하도록 돕습니다.
• 자세 추정: 사람과 기타 객체의 키포인트를 식별하고 자세를 추정하는 데 사용할 수 있습니다.
• 방향성 바운딩 박스(OBB) 감지: YOLO26은 다양한 각도의 객체를 감지할 수 있어 항공 및 위성 이미지에 특히 유용합니다.
• 객체 추적: Ultralytics Python 패키지와 함께 사용하면 YOLO26으로 동영상 프레임과 라이브 스트림에서 객체를 추적할 수 있습니다.

모든 작업은 일관된 프레임워크에서 학습, 검증, 추론, 내보내기를 지원합니다. 출시 이후 YOLO26에는 시맨틱 분할과 단안 깊이 추정도 추가되었습니다.

Ultralytics YOLO26을 뒷받침하는 핵심 혁신#

Ultralytics YOLO26에는 추론 속도, 학습 안정성, 배포 간편성을 개선하는 몇 가지 핵심 혁신이 도입되었습니다. 이러한 혁신을 살펴보겠습니다.

• 분포 초점 손실(DFL) 제거: DFL 모듈을 제거해 바운딩 박스 예측을 간소화하고 하드웨어 호환성을 개선했으며, 엣지 및 저전력 기기에서 모델을 더 쉽게 내보내고 실행할 수 있습니다.
• 엔드투엔드 NMS 없는 추론: YOLO26은 최종 예측을 직접 출력하는 네이티브 엔드투엔드 모델로 설계되었습니다. 따라서 비최대 억제가 필요하지 않아 추론 지연 시간과 배포 복잡성이 줄어듭니다.
• 점진적 손실 균형 조정 + STAL: 개선된 손실 전략으로 학습을 안정화하고 감지 정확도를 높이며, 특히 작고 감지하기 어려운 객체에서 효과적입니다.
• MuSGD 옵티마이저: YOLO26은 SGD와 Muon에서 영감을 얻은 최적화 기법을 결합한 새로운 하이브리드 옵티마이저를 사용해 학습 안정성을 높입니다.
• CPU 추론 속도 최대 43% 향상: 엣지 컴퓨팅에 맞게 특별히 최적화된 YOLO26은 CPU 추론 속도를 최대 43% 높여 엣지 기기에서 실시간 성능을 제공합니다.

이제 YOLO26을 더 빠르고 효율적으로 만들고 배포를 쉽게 하는 기능을 자세히 살펴보겠습니다.

분포 초점 손실 제거를 통한 예측 간소화#

이전 YOLO 모델은 바운딩 박스 정밀도를 높이기 위해 학습 중 분포 초점 손실(DFL)을 사용했습니다. 효과적인 방법이지만 DFL은 복잡성을 더하고 고정된 회귀 한계를 적용해 내보내기와 배포를 어렵게 만들었습니다. 특히 엣지 및 저전력 하드웨어에서 문제가 되었습니다.

YOLO26은 DFL을 완전히 제거합니다. DFL을 제거하면 이전 모델에 있던 고정된 바운딩 박스 회귀 한계가 사라져 매우 큰 객체를 감지할 때 안정성과 정확도가 향상됩니다.

바운딩 박스 예측 과정을 간소화함으로써 YOLO26은 더 쉽게 내보낼 수 있으며, 다양한 엣지 및 저전력 기기에서 더욱 안정적으로 실행됩니다.

Ultralytics YOLO26의 엔드투엔드 NMS 없는 추론#

기존 객체 감지 파이프라인은 겹치는 예측을 필터링하는 후처리 단계로 비최대 억제(NMS)를 사용합니다. 효과적인 방법이지만 NMS는 지연 시간, 복잡성, 취약성을 높이며, 특히 여러 런타임과 하드웨어 대상에 모델을 배포할 때 문제가 됩니다.

YOLO26에는 네이티브 엔드투엔드 추론 모드가 도입되었습니다. 이 모드에서는 모델이 별도의 후처리 단계로 NMS를 수행할 필요 없이 최종 예측 결과를 직접 출력합니다. 중복 예측은 네트워크 내부에서 처리됩니다.

NMS를 제거하면 지연 시간이 줄고 배포 파이프라인이 단순해지며 통합 오류 위험이 낮아져 YOLO26은 실시간 및 엣지 배포에 특히 적합합니다.

점진적 손실 균형 조정 + STAL을 통한 인식 성능 향상#

학습과 관련된 핵심 기능으로 점진적 손실 균형 조정(ProgLoss) 및 소형 객체 인식 레이블 할당(STAL)이 도입되었습니다. 이러한 학습 개선 사항은 학습을 안정화하고 감지 정확도를 높이는 데 도움이 됩니다.

ProgLoss는 학습 중 모델이 더 일관되게 학습하도록 지원해 불안정성을 줄이고 더 원활한 수렴을 돕습니다. 한편 STAL은 시각적 세부 정보가 제한되어 감지하기 어려운 작은 객체를 모델이 더 잘 학습하도록 합니다.

ProgLoss와 STAL을 함께 사용하면 감지 신뢰성이 높아지고 소형 객체 인식 성능이 눈에 띄게 향상됩니다. 객체가 작거나 멀리 있거나 일부만 보이는 사물 인터넷(IoT), 로보틱스, 항공 이미지 분석과 같은 엣지 애플리케이션에서 특히 중요합니다.

MuSGD 옵티마이저를 통한 더욱 안정적인 학습#

YOLO26에는 학습을 더 안정적이고 효율적으로 수행하도록 설계된 MuSGD라는 새로운 옵티마이저를 적용했습니다. MuSGD는 전통적인 확률적 경사 하강법(SGD)의 장점과 대규모 언어 모델(LLM) 학습에 사용되는 옵티마이저인 Muon에서 영감을 얻은 기법을 결합한 하이브리드 접근 방식입니다.

SGD는 간단하고 일반화 성능이 뛰어나 오랫동안 컴퓨터 비전 분야에서 신뢰받아 왔습니다. 동시에 최근 LLM 학습의 발전은 새로운 최적화 방법을 신중하게 적용하면 안정성과 속도를 높일 수 있음을 보여주었습니다. MuSGD는 이러한 아이디어 일부를 컴퓨터 비전 분야에 적용합니다.

Moonshot AI의 Kimi K2에서 영감을 얻은 MuSGD는 학습 중 모델이 더 원활하게 수렴하도록 돕는 최적화 전략을 적용합니다. 이를 통해 YOLO26은 더 빠르게 우수한 성능에 도달하면서 학습 불안정성을 줄일 수 있으며, 특히 규모가 크거나 복잡한 학습 설정에서 효과적입니다.

MuSGD는 다양한 모델 크기에서 YOLO26이 더 예측 가능하게 학습되도록 지원하며, 성능 향상과 학습 안정성에 모두 기여합니다.

Ultralytics YOLO26, CPU 추론 속도 최대 43% 향상#

비전 AI가 데이터 생성 지점에 가까워지면서 강력한 엣지 성능의 중요성이 더욱 커지고 있습니다. 엣지 컴퓨팅에 맞게 특별히 최적화된 YOLO26은 CPU 추론 속도를 최대 43% 높여 GPU가 없는 기기에서도 실시간 성능을 보장합니다. 이 개선을 통해 지연 시간, 효율성, 비용 제약이 가능한 범위를 결정하는 카메라, 로봇, 임베디드 하드웨어에서 반응성이 뛰어나고 신뢰할 수 있는 비전 시스템을 직접 실행할 수 있습니다.

Ultralytics YOLO26이 지원하는 개선된 컴퓨터 비전 작업#

객체 감지 정확도를 높이는 아키텍처 개선 외에도 YOLO26에는 컴퓨터 비전 작업 전반의 성능 향상을 위한 작업별 최적화가 포함되어 있습니다. 예를 들어 인스턴스 분할, 자세 추정, 회전 바운딩 박스 감지에 목표에 맞춘 업데이트를 적용해 정확도와 안정성을 높입니다.

이러한 최적화를 살펴보겠습니다.

• 인스턴스 분할: YOLO26은 의미론적 분할 손실을 사용해 학습 중 모델의 학습 방식을 개선하여 더 정확하고 일관된 인스턴스 마스크를 생성합니다. 업그레이드된 프로토 모듈은 여러 스케일의 정보도 활용하므로 복잡한 장면에서도 다양한 크기의 객체를 더 효과적으로 처리합니다.
• 자세 추정: 키포인트 예측의 불확실성을 모델링하는 기법인 잔차 로그 우도 추정(RLE)을 통합하고 디코딩 과정을 개선하여 YOLO26은 더 나은 실시간 성능으로 키포인트를 더욱 정확하게 예측합니다.
• 회전 바운딩 박스 감지: YOLO26은 객체의 회전을 더 정확하게 학습하도록 돕는 특수 각도 손실을 도입했습니다. 방향이 모호할 수 있는 정사각형 객체에서 특히 효과적입니다. 최적화된 OBB 디코딩은 회전 경계 부근에서 각도 예측이 갑자기 튀는 현상도 줄여 더 안정적이고 일관된 방향 추정을 제공합니다.

그림 3. Ultralytics YOLO26을 사용한 인스턴스 분할.

Ultralytics YOLOE-26: YOLO26 기반 오픈 보캐뷸러리 분할#

Ultralytics는 YOLO26의 아키텍처와 학습 혁신을 기반으로 한 새로운 개방형 어휘 분할 모델 제품군인 YOLOE-26도 선보입니다.

YOLOE-26은 새로운 작업이나 기능이 아니라, 기존 분할 작업을 재사용하면서 텍스트 프롬프트, 시각적 프롬프트, 프롬프트 없는 추론을 지원하는 특수 모델 제품군입니다. 표준 YOLO의 모든 크기로 제공되는 YOLOE-26은 이전 오픈 보캐뷸러리 분할 모델보다 정확도가 높고 실제 환경에서 더 신뢰할 수 있는 성능을 제공합니다.

Ultralytics YOLO26은 비전 AI가 실제로 실행되는 환경에 맞춰 설계되었습니다#

비전 기반 카메라부터 컴퓨터 비전으로 구동되는 로봇, 엣지의 초소형 처리 칩에 이르기까지 실시간 추론을 위해 컴퓨터 비전과 AI가 기기에서 직접 배포되고 있습니다. Ultralytics YOLO26은 낮은 지연 시간, 효율성, 안정적인 성능이 필수적인 이러한 환경에 맞춰 특별히 설계되었습니다.

실제 사용 환경에서 YOLO26은 다양한 하드웨어에 쉽게 배포할 수 있습니다. 구체적으로 Ultralytics Python 패키지와 폭넓은 통합을 통해 모델을 다양한 플랫폼과 하드웨어 가속기에 최적화된 형식으로 내보낼 수 있습니다.

예를 들어 TensorRT로 내보내면 NVIDIA GPU에서 고성능 추론을 수행할 수 있으며, CoreML은 Apple 기기에 네이티브로 배포할 수 있도록 지원하고 OpenVINO는 Intel 하드웨어의 성능을 최적화합니다. YOLO26은 여러 전용 엣지 가속기에서 실행되도록 내보낼 수도 있어, 전문 엣지 AI 하드웨어에서 높은 처리량과 에너지 효율을 갖춘 추론이 가능합니다.

이는 몇 가지 예시에 불과하며 엣지 및 프로덕션 환경 전반에서 더 많은 통합을 지원합니다. 이러한 유연성 덕분에 하나의 YOLO26 모델을 다양한 배포 대상에서 실행할 수 있습니다. 프로덕션 워크플로를 간소화하고 비전 AI를 엣지에 더 가까이 가져옵니다.

산업 전반의 컴퓨터 비전 활용 사례를 새롭게 정의하다#

실제 환경 배포를 고려해 설계된 YOLO26은 다양한 산업 분야의 폭넓은 컴퓨터 비전 활용 사례에 사용할 수 있습니다. 적용 가능한 분야의 예시는 다음과 같습니다.

• 로보틱스: YOLO26은 내비게이션, 장애물 감지, 객체 상호작용과 같은 작업에 사용할 수 있습니다. 이러한 기능은 역동적인 환경에서 안전하고 효과적인 로봇 작업을 지원합니다.
• 제조: 생산 라인에서 YOLO26은 이미지와 동영상을 분석해 결함, 누락된 부품, 공정 문제를 식별할 수 있습니다. 기기에서 데이터를 처리하면 감지 속도가 빨라지고 클라우드 시스템에 대한 의존성이 줄어듭니다.
• 항공 및 드론 애플리케이션: 드론에 배포하면 YOLO26은 비행 중 항공 이미지를 처리해 검사, 매핑, 측량 작업을 수행할 수 있습니다. 이를 통해 외딴 지역에서도 장면을 실시간으로 분석할 수 있습니다.
• 임베디드 및 IoT 시스템: YOLO26은 경량 설계로 저전력 임베디드 하드웨어에서 실행되어 시각 데이터를 로컬에서 처리할 수 있습니다. 일반적인 활용 사례로는 스마트 카메라, 연결형 센서, 자동 모니터링 기기가 있습니다.
• 스마트 시티: 도시 전역에서 YOLO26은 교통 및 공공장소 카메라의 동영상 스트림을 분석할 수 있습니다. 이를 통해 엣지에서 교통 모니터링, 공공 안전, 인프라 관리와 같은 애플리케이션을 구현할 수 있습니다.

그림 4. YOLO26은 다양한 컴퓨터 비전 애플리케이션에 사용할 수 있습니다.

Ultralytics YOLO26 시작하기#

Ultralytics YOLO26은 비전 AI를 구축하고 배포하는 방식에 따라 서로 보완적인 두 가지 워크플로로 사용할 수 있습니다.

옵션 1: Ultralytics Platform을 통해 Ultralytics YOLO26 사용(권장)

Ultralytics Platform은 YOLO26 모델을 프로덕션에서 학습, 배포, 모니터링할 수 있는 중앙 집중식 방법을 제공합니다. 데이터셋, 실험, 배포를 한곳에 통합하므로 특히 엣지 및 프로덕션 환경에 배포하는 팀이 대규모 비전 AI 워크플로를 더 쉽게 관리할 수 있습니다.

Platform에서 사용자는 다음을 수행할 수 있습니다.

• YOLO26 모델에 액세스
• 사용자 지정 데이터세트로 학습 및 파인튜닝
• 엣지 및 프로덕션 배포를 위한 모델 내보내기
• 단일 워크플로에서 실험 및 배포된 모델 모니터링

Ultralytics Platform에서 YOLO26 살펴보기: platform.ultralytics.com/ultralytics/yolo26

옵션 2: 오픈 소스 워크플로를 통해 Ultralytics YOLO26 사용

YOLO26은 Ultralytics 오픈 소스 생태계에서 계속 완전히 사용할 수 있으며, 학습, 추론, 내보내기를 위한 기존 Python 기반 워크플로에 적용할 수 있습니다.

개발자는 Ultralytics 패키지를 설치하고 사전 학습된 YOLO26 모델을 불러온 다음 ONNX, TensorRT, CoreML, OpenVINO와 같은 익숙한 도구와 형식을 사용해 배포할 수 있습니다.

pip install ultralytics

from ultralytics import YOLO

# COCO로 사전 학습된 YOLO26n 모델 불러오기
model = YOLO("yolo26n.pt")

# 'bus.jpg' 이미지에서 YOLO26n 모델로 추론 실행
results = model("path/to/bus.jpg")

직접 제어하거나 사용자 지정 파이프라인을 선호하는 사용자는 Ultralytics 문서에서 전체 문서와 가이드를 확인할 수 있습니다.

Ultralytics YOLO26: 차세대 컴퓨터 비전을 위해 설계#

Ultralytics YOLO26은 미래의 비전 AI 솔루션이 실제 하드웨어에서 빠르고 효율적으로 실행되며 쉽게 배포되어야 한다는 요구에 맞춰 설계되었습니다. 성능을 개선하고 배포를 간소화하며 모델의 기능을 확장함으로써 YOLO26은 다양한 실제 애플리케이션에 자연스럽게 적용됩니다. YOLO26은 비전 AI를 구축하고 배포하며 확장하는 방식의 새로운 기준을 제시합니다. 커뮤니티가 YOLO26을 활용해 실제 컴퓨터 비전 시스템을 구축하는 모습을 기대합니다.

성장하는 커뮤니티에 참여하고, 실습에 활용할 수 있는 AI 리소스를 GitHub 리포지토리에서 살펴보세요. 지금 비전 AI를 활용해 개발하려면 라이선스 옵션을 확인하세요. 솔루션 페이지를 방문하여 농업 분야의 AI가 농업을 어떻게 변화시키고 있는지, 로보틱스 분야의 비전 AI가 미래를 어떻게 만들어 가는지 알아보세요.