Ultralytics YOLO26: 엣지 우선 비전 AI의 새로운 표준

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 방식의 근본적인 변화를 의미합니다.

비전 AI는 빠르게 엣지로 이동하고 있습니다. 이미지와 동영상은 점점 더 디바이스, 카메라, 로봇, 임베디드 시스템에서 직접 처리되고 있으며, 이러한 환경에서는 원시 클라우드 컴퓨팅 성능보다 지연 시간, 안정성, 비용이 더 중요합니다. YOLO26은 이러한 현실을 고려하여 설계되었으며, CPU, 엣지 가속기, 저전력 하드웨어에서 효율적으로 실행되면서 세계 최고 수준의 성능을 제공합니다.

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

그림 1. 객체 검출에 Ultralytics YOLO26을 사용하는 예시

이 글에서는 Ultralytics YOLO26에 대해 알아야 할 모든 내용과 더 가볍고 작으며 빠른 YOLO 모델이 비전 AI의 미래에 어떤 의미를 갖는지 자세히 살펴보겠습니다. 시작하겠습니다!

Ultralytics YOLO26, 비전 AI의 새로운 표준을 제시하다#

Ultralytics YOLO26은 영향력 있는 비전 AI 기능을 누구나 쉽게 이용할 수 있어야 한다는 생각을 바탕으로 개발되었습니다. 강력한 컴퓨터 비전 도구가 소수의 조직에만 제한되거나 독점되어서는 안 된다고 생각합니다.

런던에서 열린 YV25에서 Founder & CEO인 Glenn Jocher는 이러한 비전에 대한 자신의 생각을 다음과 같이 밝혔습니다. “가장 놀라운 AI 기술은 비공개로 운영되고 있습니다. 개방되어 있지 않습니다. 대기업이 새로운 개발을 통제하고, 다른 모든 사람은 접근할 수 있을 때까지 줄을 서서 기다려야 합니다. Ultralytics에는 다른 비전이 있습니다. 우리는 AI가 모든 사람의 손에 있기를 바랍니다.”

그는 또한 이것이 AI를 클라우드에서 현실 세계의 환경으로 가져오는 것을 의미한다고 설명하며 다음과 같이 덧붙였습니다. “우리는 이 기술이 클라우드에 머무는 데 그치지 않고 엣지 디바이스, 여러분의 휴대폰, 차량, 저전력 시스템으로 내려오기를 바랍니다. 그리고 솔루션을 만드는 훌륭한 사람들이 그 기술에 접근할 수 있기를 바랍니다.”

YOLO26은 이러한 비전을 실제로 구현합니다. 프로토타입을 만들기 쉬운 곳이 아니라 비전 AI가 실제로 배포되는 곳에서 실행되도록 설계된 모델입니다.

Ultralytics YOLO26 분석: 최첨단 비전 모델#

이전 Ultralytics YOLO 모델과 마찬가지로 YOLO26은 하나의 통합된 모델 제품군에서 여러 컴퓨터 비전 작업을 지원합니다. **Nano (n), Small (s), Medium (m), Large (l), Extra Large (x)**의 5가지 크기로 제공되므로, 팀은 배포 제약 조건에 따라 속도, 정확도, 모델 크기 사이의 균형을 조정할 수 있습니다.

유연성뿐 아니라 YOLO26은 성능의 기준을 높입니다. YOLO11과 비교할 때 YOLO26 nano 모델은 CPU 추론 속도가 최대 43% 빠르며, 엣지 및 CPU 기반 배포에 사용할 수 있는 가장 빠른 고정확도 객체 검출 모델 중 하나입니다.

그림 2. Ultralytics YOLO26은 최첨단 비전 모델입니다.

YOLO26이 지원하는 컴퓨터 비전 작업을 자세히 살펴보겠습니다:

• 이미지 분류: YOLO26은 전체 이미지를 분석하고 특정 카테고리에 할당하여 시스템이 장면의 전반적인 맥락을 이해하도록 지원합니다.
• 객체 검출: 이 모델은 이미지나 동영상에서 여러 객체를 찾아 위치를 파악할 수 있습니다.
• 인스턴스 세그멘테이션: YOLO26은 픽셀 수준의 세부 정보로 개별 객체의 윤곽을 표시할 수 있습니다.
• 포즈 추정: 사람과 기타 객체의 키포인트를 식별하고 포즈를 추정하는 데 사용할 수 있습니다.
• 방향성 바운딩 박스(OBB) 검출: YOLO26은 다양한 각도의 객체를 검출할 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 프레임워크 내에서 학습, 검증, 추론, 내보내기를 지원합니다.

Ultralytics YOLO26의 핵심 혁신#

Ultralytics YOLO26은 추론 속도, 학습 안정성, 배포 간소화를 개선하는 몇 가지 핵심 혁신을 도입합니다. 이러한 혁신을 다음과 같이 살펴보겠습니다:

• Distribution Focal Loss (DFL) 제거: DFL 모듈을 제거하여 바운딩 박스 예측을 간소화하고 하드웨어 호환성을 개선했으며, 엣지 및 저전력 디바이스에서 모델을 더 쉽게 내보내고 실행할 수 있도록 했습니다.
• 엔드투엔드 NMS 없는 추론: YOLO26은 최종 예측을 직접 출력하는 네이티브 엔드투엔드 모델로 설계되어 Non-Maximum Suppression을 사용할 필요가 없으며, 추론 지연 시간과 배포 복잡성을 줄입니다.
• Progressive Loss Balancing + STAL: 개선된 이러한 loss 전략은 학습을 안정화하고 특히 작고 검출하기 어려운 객체의 검출 정확도를 높입니다.
• MuSGD 옵티마이저: YOLO26은 SGD와 Muon에서 영감을 받은 최적화 기법을 결합한 새로운 하이브리드 옵티마이저를 사용하여 더 안정적인 학습을 지원합니다.
• CPU 추론 최대 43% 향상: 엣지 컴퓨팅에 맞게 특별히 최적화된 YOLO26은 CPU 추론 속도를 최대 43% 높여 엣지 디바이스에서 실시간 성능을 제공합니다.

이제 YOLO26을 더 빠르고 효율적이며 쉽게 배포할 수 있도록 하는 차세대 기능을 자세히 살펴보겠습니다.

Distribution Focal Loss 제거를 통한 예측 간소화#

이전 YOLO 모델은 바운딩 박스 정밀도를 높이기 위해 학습 중 Distribution Focal Loss (DFL)를 사용했습니다. DFL은 효과적이지만 복잡성을 추가하고 고정된 회귀 한계를 적용하여 특히 엣지 및 저전력 하드웨어에서 내보내기와 배포를 더 어렵게 만들었습니다.

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

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

Ultralytics YOLO26을 활용한 엔드투엔드 NMS 없는 추론#

기존 객체 검출 파이프라인은 겹치는 예측을 필터링하는 후처리 단계로 Non-Maximum Suppression (NMS)에 의존합니다. NMS는 효과적이지만 여러 런타임과 하드웨어 대상으로 모델을 배포할 때 특히 지연 시간, 복잡성, 취약성을 높입니다.

YOLO26은 네이티브 엔드투엔드 추론 모드를 도입합니다. 이 모드에서 모델은 NMS를 별도의 후처리 단계로 요구하지 않고 최종 예측을 직접 출력합니다. 중복 예측은 네트워크 내부에서 자체적으로 처리됩니다.

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

Progressive Loss Balancing + STAL을 통한 인식 향상#

학습과 관련된 핵심 기능은 Progressive Loss Balancing (ProgLoss)과 Small-Target-Aware Label Assignment (STAL)의 도입입니다. 이러한 개선된 loss 함수는 학습을 안정화하고 검출 정확도를 높입니다.

ProgLoss는 학습 중 모델이 더 일관되게 학습하도록 지원하여 불안정성을 줄이고 더 원활하게 수렴하도록 합니다. 한편 STAL은 작은 객체에서 모델이 학습하는 방식을 개선하는 데 중점을 둡니다. 작은 객체는 시각적 세부 정보가 제한적이어서 검출하기 어려운 경우가 많습니다.

ProgLoss와 STAL을 함께 사용하면 더 안정적인 검출이 가능해지고 작은 객체 인식이 눈에 띄게 향상됩니다. 이는 객체가 작거나 멀리 있거나 부분적으로만 보이는 Internet of Things (IoT), 로보틱스, 항공 이미지와 같은 엣지 애플리케이션에서 특히 중요합니다.

MuSGD 옵티마이저를 통한 더욱 안정적인 학습#

YOLO26에는 학습을 더욱 안정적이고 효율적으로 만들도록 설계된 MuSGD라는 새로운 옵티마이저를 적용했습니다. MuSGD는 기존 Stochastic Gradient Descent (SGD)의 장점과 대규모 언어 모델 (LLM) 학습에 사용되는 옵티마이저인 Muon에서 영감을 받은 기법을 결합한 하이브리드 접근 방식입니다.

SGD는 단순성과 강력한 일반화 성능 덕분에 오랫동안 컴퓨터 비전에서 신뢰할 수 있는 선택이었습니다. 동시에 최근 LLM 학습의 발전은 새로운 최적화 방법을 신중하게 적용하면 안정성과 속도를 향상할 수 있음을 보여주었습니다. MuSGD는 이러한 아이디어 중 일부를 컴퓨터 비전 분야에 적용합니다.

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

MuSGD는 다양한 모델 크기에서 YOLO26이 더 예측 가능하게 학습하도록 지원하여 성능 향상과 학습 안정성 모두에 기여합니다.

Ultralytics YOLO26, CPU 추론 속도 최대 43% 향상#

비전 AI가 데이터가 생성되는 위치에 가까워지면서 강력한 엣지 성능의 중요성이 점점 커지고 있습니다. 엣지 컴퓨팅에 맞게 특별히 최적화된 YOLO26은 CPU 추론 속도를 최대 43% 높여 GPU가 없는 디바이스에서도 실시간 성능을 보장합니다. 이러한 개선을 통해 지연 시간, 효율성, 비용 제약이 가능한 범위를 결정하는 카메라, 로봇, 임베디드 하드웨어에서 반응성이 뛰어나고 안정적인 비전 시스템을 직접 실행할 수 있습니다.

Ultralytics YOLO26이 지원하는 개선된 컴퓨터 비전 작업#

객체 검출의 정확도를 높이는 아키텍처 개선 외에도 YOLO26은 컴퓨터 비전 작업 전반의 성능을 향상하도록 설계된 작업별 최적화를 포함합니다. 예를 들어 인스턴스 세그멘테이션, 포즈 추정, 방향성 바운딩 박스 검출에 정확도와 안정성을 높이는 특정 업데이트를 적용했습니다.

이러한 최적화를 다음과 같이 살펴보겠습니다:

• 인스턴스 세그멘테이션: YOLO26은 semantic segmentation loss를 사용하여 학습 중 모델의 학습 방식을 개선하고 더 정확하고 일관된 인스턴스 마스크를 생성합니다. 업그레이드된 proto 모듈은 여러 스케일의 정보를 사용할 수 있도록 하므로 복잡한 장면에서도 다양한 크기의 객체를 더 효과적으로 처리합니다.
• 포즈 추정: 키포인트 예측의 불확실성을 모델링하는 기법인 Residual Log-Likelihood Estimation (RLE)을 통합하고 디코딩 과정을 개선하여 YOLO26은 더 나은 실시간 성능과 함께 더욱 정확한 키포인트를 제공합니다.
• 방향성 바운딩 박스 검출: YOLO26은 객체의 회전을 더 정확하게 학습하도록 지원하는 특수 각도 loss를 도입합니다. 방향이 모호할 수 있는 정사각형 형태의 객체에서 특히 효과적입니다. 최적화된 OBB 디코딩은 회전 경계 근처에서 각도 예측이 갑자기 변하는 현상도 줄여 더욱 안정적이고 일관된 방향 추정을 제공합니다.

그림 3. Ultralytics YOLO26을 사용한 인스턴스 세그멘테이션.

Ultralytics YOLOE-26: YOLO26을 기반으로 구축된 오픈 보캐뷸러리 세그멘테이션#

Ultralytics는 YOLO26의 아키텍처와 학습 혁신을 기반으로 구축된 새로운 오픈 보캐뷸러리 세그멘테이션 모델 제품군인 YOLOE-26도 함께 선보입니다.

YOLOE-26은 새로운 작업이나 기능이 아니라, 기존 세그멘테이션 작업을 재사용하면서 텍스트 프롬프트, 시각적 프롬프트, 프롬프트 없는 추론을 지원하는 특수 모델 제품군입니다. 모든 표준 YOLO 크기로 제공되는 YOLOE-26은 이전 오픈 보캐뷸러리 세그멘테이션 모델보다 더 높은 정확도와 안정적인 실제 성능을 제공합니다.

Ultralytics YOLO26은 비전 AI가 실제로 실행되는 환경을 위해 설계되었습니다#

비전 기반 카메라부터 컴퓨터 비전으로 구동되는 로봇과 엣지의 초소형 프로세싱 칩에 이르기까지, 컴퓨터 비전과 AI는 실시간 추론을 위해 디바이스에서 직접 배포되고 있습니다. Ultralytics YOLO26은 낮은 지연 시간, 효율성, 안정적인 성능이 필수적인 이러한 환경을 위해 특별히 구축되었습니다.

실제로 YOLO26은 매우 다양한 하드웨어에 쉽게 배포할 수 있습니다. 특히 Ultralytics Python 패키지와 다양한 통합을 통해 모델을 여러 플랫폼과 하드웨어 가속기에 최적화된 형식으로 내보낼 수 있습니다.

예를 들어 TensorRT로 내보내면 NVIDIA GPU에서 고성능 추론이 가능하고, CoreML은 Apple 디바이스에서 네이티브 배포를 지원하며, OpenVINO는 Intel 하드웨어의 성능을 최적화합니다. 또한 YOLO26은 여러 전용 엣지 가속기에서 실행되도록 내보낼 수 있어 특수 Edge AI 하드웨어에서 높은 처리량과 에너지 효율적인 추론을 지원합니다.

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

산업 전반의 컴퓨터 비전 활용 사례를 재정의하다#

실제 배포를 위해 설계된 YOLO26은 다양한 산업의 폭넓은 컴퓨터 비전 활용 사례에 사용할 수 있습니다. 적용 가능한 분야의 예시는 다음과 같습니다:

• 로보틱스: YOLO26은 내비게이션, 장애물 검출, 객체 상호작용과 같은 작업에 사용할 수 있습니다. 이러한 기능은 동적인 환경에서 안전하고 효과적인 로봇 운영을 지원합니다.

• 제조: 생산 라인에서 YOLO26은 이미지와 동영상을 분석하여 결함, 누락된 부품 또는 공정 문제를 식별할 수 있습니다. 디바이스에서 데이터를 처리하면 검출 속도가 빨라지고 클라우드 시스템에 대한 의존도가 줄어듭니다.

• 항공 및 드론 애플리케이션: 드론에 배포하면 YOLO26은 비행 중 항공 이미지를 처리하여 검사, 매핑, 측량을 수행할 수 있습니다. 이를 통해 원격지에서도 장면을 실시간으로 분석할 수 있습니다.

• 임베디드 및 IoT 시스템: 가벼운 설계 덕분에 YOLO26은 저전력 임베디드 하드웨어에서 실행되며 시각 데이터를 로컬에서 처리할 수 있습니다. 일반적인 활용 사례로는 스마트 카메라, 연결된 센서, 자동 모니터링 디바이스가 있습니다.

• 스마트 시티: 도시 환경 전반에서 YOLO26은 교통 카메라와 공공장소 카메라의 비디오 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 워크플로를 통해 사용할 수 있습니다.

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

Ultralytics Platform은 프로덕션에서 YOLO26 모델을 학습, 배포, 모니터링할 수 있는 중앙 집중식 방법을 제공합니다. 데이터셋, 실험, 배포를 한곳에서 통합하여 비전 AI 워크플로를 대규모로 더 쉽게 관리할 수 있으며, 특히 엣지 및 프로덕션 환경에 배포하는 팀에 유용합니다.

Platform을 통해 사용자는 다음을 수행할 수 있습니다:

• YOLO26 모델에 액세스
• 커스텀 데이터셋으로 학습 및 파인튜닝
• 엣지 및 프로덕션 배포를 위한 모델 내보내기
• 하나의 워크플로에서 실험과 배포된 모델 모니터링

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

옵션 2: 오픈 소스 워크플로를 통해 Ultralytics YOLO26 사용

YOLO26은 Ultralytics의 오픈 소스 생태계를 통해 계속해서 완전히 이용할 수 있으며, 학습, 추론, 내보내기를 위한 기존 Python 기반 워크플로에서 사용할 수 있습니다.

개발자는 Ultralytics 패키지를 설치하고 사전 학습된 YOLO26 모델을 로드한 후 ONNX, TensorRT, CoreML, OpenVINO와 같은 익숙한 도구와 형식으로 배포할 수 있습니다.

pip install ultralytics

from 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")

직접 제어하거나 커스텀 파이프라인을 선호하는 사용자를 위해 Ultralytics docs에서 전체 문서와 가이드를 제공합니다.

Ultralytics YOLO26: 컴퓨터 비전의 다음 시대를 위해 구축되었습니다#

Ultralytics YOLO26은 모델이 실제 하드웨어에서 빠르고 효율적으로 실행되며 쉽게 배포되어야 하는 미래의 비전 AI 솔루션 요구를 충족하도록 설계되었습니다. 성능을 개선하고 배포를 간소화하며 모델의 기능을 확장함으로써 YOLO26은 다양한 실제 애플리케이션에 자연스럽게 통합됩니다. YOLO26은 비전 AI를 구축하고 배포하며 확장하는 방식의 새로운 기준을 제시합니다. 커뮤니티가 YOLO26을 활용하여 실제 컴퓨터 비전 시스템을 출시하는 모습을 기대합니다.

성장하는 커뮤니티에 참여하고 GitHub 저장소를 살펴보며 실습 중심의 AI 리소스를 확인해 보세요. 지금 비전 AI를 구축하려면 라이선싱 옵션을 살펴보세요. AI in agriculture가 농업을 어떻게 변화시키고 있는지, 그리고 vision AI in robotics가 솔루션 페이지를 통해 미래를 어떻게 형성하고 있는지 알아보세요.