Ultralytics YOLO26: 에지 우선 비전 AI의 새로운 표준

오늘, Ultralytics는 현재까지 가장 진보되고 배포하기 쉬운 YOLO 모델인 YOLO26을 공식 출시합니다. YOLO Vision 2025 (YV25)에서 처음 발표된 YOLO26은 실제 시스템에서 컴퓨터 비전 모델이 학습, 배포 및 확장되는 방식의 근본적인 변화를 나타냅니다.

비전 AI는 빠르게 엣지로 이동하고 있습니다. 점점 더 많은 이미지와 비디오가 장치, 카메라, 로봇 및 임베디드 시스템에서 직접 처리되고 있으며, 이러한 환경에서는 원시 클라우드 컴퓨팅보다 지연 시간, 신뢰성 및 비용이 더 중요합니다. YOLO26은 이러한 현실을 위해 설계되었으며 CPU, 엣지 가속기 및 저전력 하드웨어에서 효율적으로 실행되면서 세계 최고 수준의 성능을 제공합니다.

YOLO26은 상당한 도약을 이루었음에도 불구하고 개발자들이 의존하는 친숙하고 간소화된 Ultralytics YOLO 경험을 그대로 유지합니다. 기존 워크플로에 원활하게 통합되고 다양한 비전 작업을 지원하며 사용하기 쉬워 연구 및 프로덕션 팀 모두가 쉽게 채택할 수 있습니다.

그림 1. 객체 감지에 Ultralytics YOLO26을 사용하는 예시

이 기사에서는 Ultralytics YOLO26에 대해 알아야 할 모든 것을 살펴보고, 더 가볍고 작고 빠른 YOLO 모델이 비전 AI의 미래에 어떤 의미를 갖는지 알아보겠습니다. 시작해 봅시다!

Link to this sectionUltralytics YOLO26은 비전 AI의 새로운 표준을 정립합니다#

Ultralytics YOLO26은 영향력 있는 비전 AI 기능을 누구나 쉽게 이용할 수 있어야 한다는 아이디어를 중심으로 구축되었습니다. 우리는 강력한 컴퓨터 비전 도구가 소수의 조직에만 국한되거나 제한되어서는 안 된다고 믿습니다.

런던에서 열린 YV25에서 당사의 설립자이자 CEO인 Glenn Jocher는 이 비전에 대한 생각을 공유하며 이렇게 말했습니다. “가장 놀라운 AI 기술은 문 뒤에 숨겨져 있습니다. 오픈되어 있지 않죠. 대기업들이 새로운 개발을 통제하고, 다른 사람들은 모두 액세스를 기다려야 합니다. Ultralytics는 다른 비전을 가지고 있습니다. 우리는 AI가 모든 사람의 손에 쥐어지기를 바랍니다.”

그는 또한 이것이 AI를 클라우드에서 벗어나 실제 환경으로 가져오는 것을 의미한다고 설명하며 덧붙였습니다. “우리는 기술이 클라우드에만 머무르는 것이 아니라 엣지 디바이스, 휴대폰, 차량, 저전력 시스템으로 내려오기를 바랍니다. 그리고 솔루션을 만드는 놀라운 사람들이 그 기술에 접근할 수 있기를 원합니다.”

YOLO26은 프로토타이핑하기 가장 쉬운 곳이 아니라 비전 AI가 실제로 배포되는 곳에서 실행되도록 설계된 모델로서 이러한 비전을 실제로 반영합니다.

Link to this sectionUltralytics YOLO26 분석: 최첨단 비전 모델#

이전의 Ultralytics YOLO 모델과 마찬가지로 YOLO26은 단일 통합 모델 제품군 내에서 여러 컴퓨터 비전 작업을 지원합니다. **Nano (n), Small (s), Medium (m), Large (l) 및 Extra Large (x)**의 5가지 크기로 제공되어 팀이 배포 제약 조건에 따라 속도, 정확도 및 모델 크기의 균형을 맞출 수 있습니다.

유연성을 넘어 YOLO26은 성능 기준을 한 단계 높였습니다. YOLO11과 비교했을 때, YOLO26 nano 모델은 최대 43% 더 빠른 CPU 추론 성능을 제공하여 엣지 및 CPU 기반 배포에 사용할 수 있는 가장 빠른 고정밀 객체 감지 모델 중 하나가 되었습니다.

그림 2. Ultralytics YOLO26은 최첨단 비전 모델입니다.

YOLO26에서 지원하는 컴퓨터 비전 작업을 자세히 살펴보겠습니다.

• 이미지 분류: YOLO26은 전체 이미지를 분석하여 특정 범주에 할당함으로써 시스템이 장면의 전체적인 맥락을 이해하도록 돕습니다.
• 객체 감지: 이 모델은 이미지나 비디오에서 여러 객체를 찾고 위치를 파악할 수 있습니다.
• 인스턴스 세분화: YOLO26은 개별 객체를 픽셀 수준의 세부 정보로 윤곽을 그릴 수 있습니다.
• 포즈 추정: 사람 및 기타 객체의 키포인트를 식별하고 포즈를 추정하는 데 사용할 수 있습니다.
• 회전 바운딩 박스 (OBB) 감지: YOLO26은 다양한 각도에서 객체를 감지할 수 있으며, 이는 특히 항공 및 위성 이미지에 유용합니다.
• 객체 추적: Ultralytics Python 패키지와 결합하여 YOLO26은 비디오 프레임과 실시간 스트림 전반에서 객체를 추적하는 데 사용할 수 있습니다.

모든 작업은 일관된 프레임워크 내에서 학습, 검증, 추론 및 내보내기를 지원합니다.

Link to this sectionUltralytics YOLO26의 주요 혁신#

Ultralytics YOLO26은 추론 속도, 학습 안정성 및 배포 간소화를 개선하는 여러 핵심 혁신을 도입했습니다. 이러한 혁신에 대한 개요는 다음과 같습니다.

• Distribution Focal Loss (DFL) 제거: 바운딩 박스 예측을 단순화하고 하드웨어 호환성을 개선하며 모델을 엣지 및 저전력 장치로 더 쉽게 내보내고 실행할 수 있도록 DFL 모듈이 제거되었습니다.
• 엔드투엔드 NMS-free 추론: YOLO26은 최종 예측을 직접 출력하는 기본 엔드투엔드 모델로 설계되어 NMS(Non-Maximum Suppression)의 필요성을 제거하고 추론 지연 시간과 배포 복잡성을 줄입니다.
• Progressive Loss Balancing + STAL: 이러한 개선된 손실 전략은 학습을 안정화하고 특히 작고 감지하기 어려운 객체에 대한 감지 정확도를 향상합니다.
• MuSGD 옵티마이저: YOLO26은 더 안정적인 학습을 위해 SGD와 Muon에서 영감을 받은 최적화 기술을 혼합한 새로운 하이브리드 옵티마이저를 사용합니다.
• 최대 43% 더 빠른 CPU 추론: 엣지 컴퓨팅에 최적화된 YOLO26은 최대 43% 더 빠른 CPU 추론을 제공하여 엣지 장치에서 실시간 성능을 구현합니다.

다음으로, YOLO26을 더 빠르고 효율적이며 배포하기 쉽게 만드는 이러한 차세대 기능을 자세히 살펴보겠습니다.

Link to this sectionDistribution Focal Loss 제거를 통한 예측 단순화#

이전 YOLO 모델은 바운딩 박스 정밀도를 향상하기 위해 학습 중에 Distribution Focal Loss (DFL)를 사용했습니다. 효과적이기는 했지만, DFL은 추가적인 복잡성을 도입하고 고정된 회귀 제한을 부과하여 특히 엣지 및 저전력 하드웨어에서 내보내기와 배포를 더 어렵게 만들었습니다.

YOLO26은 DFL을 완전히 제거합니다. DFL을 제거하면 이전 모델에 존재하던 고정된 바운딩 박스 회귀 제한이 사라져 매우 큰 객체를 감지할 때 신뢰성과 정확도가 향상됩니다.

바운딩 박스 예측 프로세스를 단순화함으로써 YOLO26은 내보내기가 더 쉬워지고 다양한 엣지 및 저전력 장치에서 더 안정적으로 실행됩니다.

Link to this sectionUltralytics YOLO26을 사용한 엔드투엔드 NMS-free 추론#

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

YOLO26은 NMS를 별도의 후처리 단계로 요구하지 않고 모델이 최종 예측을 직접 출력하는 기본 엔드투엔드 추론 모드를 도입합니다. 중복 예측은 네트워크 내부에서 처리됩니다.

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

Link to this sectionProgressive Loss Balancing + STAL을 통한 인식 강화#

학습과 관련된 중요한 기능은 Progressive Loss Balancing (ProgLoss) 및 Small-Target-Aware Label Assignment (STAL)의 도입입니다. 이러한 개선된 손실 함수는 학습을 안정화하고 감지 정확도를 높이는 데 도움이 됩니다.

ProgLoss는 모델이 학습 중에 더 일관되게 학습하도록 돕고 불안정성을 줄이며 더 원활하게 수렴하도록 합니다. 한편, STAL은 제한된 시각적 세부 정보로 인해 감지하기 어려운 작은 객체로부터 모델이 학습하는 방식을 개선하는 데 중점을 둡니다.

ProgLoss와 STAL은 함께 더 신뢰할 수 있는 감지 결과를 이끌어내며 특히 작은 객체 인식에서 눈에 띄는 향상을 보여줍니다. 이는 객체가 작거나 멀리 있거나 부분적으로 보이는 사물 인터넷(IoT), 로봇 공학 및 항공 이미지와 같은 엣지 애플리케이션에 특히 중요합니다.

Link to this sectionMuSGD 옵티마이저를 통한 더 안정적인 학습#

YOLO26에서는 학습을 더 안정적이고 효율적으로 만들기 위해 설계된 MuSGD라는 새로운 옵티마이저를 채택했습니다. MuSGD는 전통적인 확률적 경사 하강법(SGD)의 강점과 대규모 언어 모델(LLM) 학습에 사용되는 옵티마이저인 Muon에서 영감을 받은 기술을 결합한 하이브리드 접근 방식입니다.

SGD는 단순성과 강력한 일반화 덕분에 오랫동안 컴퓨터 비전에서 신뢰할 수 있는 선택이었습니다. 동시에 최근 LLM 학습의 발전은 최신 최적화 방법을 신중하게 적용할 경우 안정성과 속도를 향상할 수 있음을 보여주었습니다. MuSGD는 이러한 아이디어 중 일부를 컴퓨터 비전 영역으로 가져옵니다.

Moonshot AI의 Kimi K2에서 영감을 받은 MuSGD는 모델이 학습 중에 더 원활하게 수렴하도록 돕는 최적화 전략을 통합합니다. 이를 통해 YOLO26은 더 크거나 복잡한 학습 설정에서도 학습 불안정성을 줄이면서 더 빠른 속도로 강력한 성능에 도달할 수 있습니다.

MuSGD는 YOLO26이 모델 크기 전반에 걸쳐 더 예측 가능하게 학습하도록 돕고 성능 향상과 학습 안정성에 기여합니다.

Link to this sectionUltralytics YOLO26은 최대 43% 더 빠른 CPU 추론을 제공합니다#

비전 AI가 데이터 생성 지점에 더 가까워짐에 따라 강력한 엣지 성능이 점점 더 중요해지고 있습니다. 엣지 컴퓨팅에 최적화된 YOLO26은 최대 43% 더 빠른 CPU 추론을 제공하여 GPU가 없는 장치에서도 실시간 성능을 보장합니다. 이러한 개선을 통해 지연 시간, 효율성 및 비용 제약 조건이 중요한 카메라, 로봇 및 임베디드 하드웨어에서 반응성이 뛰어나고 신뢰할 수 있는 비전 시스템을 실행할 수 있습니다.

Link to this sectionUltralytics YOLO26에서 지원하는 향상된 컴퓨터 비전 작업#

객체 감지의 정확도를 높이는 아키텍처 개선 외에도 YOLO26에는 컴퓨터 비전 작업 전반의 성능을 높이기 위해 설계된 작업별 최적화가 포함되어 있습니다. 예를 들어, 정확도와 신뢰성을 향상하는 목표 업데이트를 통해 인스턴스 세분화, 포즈 추정 및 회전 바운딩 박스 감지를 강화합니다.

이러한 최적화에 대한 개요는 다음과 같습니다.

• 인스턴스 세분화: YOLO26은 의미론적 세분화 손실을 사용하여 모델이 학습 중에 학습하는 방식을 개선하며, 이는 더 정확하고 일관된 인스턴스 마스크를 생성합니다. 업그레이드된 proto 모듈은 여러 척도의 정보를 사용할 수 있게 하여 모델이 복잡한 장면에서도 다양한 크기의 객체를 더 효과적으로 처리하도록 합니다.
• 포즈 추정: 키포인트 예측의 불확실성을 모델링하는 기술인 RLE(Residual Log-Likelihood Estimation)를 통합하고 디코딩 프로세스를 개선함으로써 YOLO26은 더 나은 실시간 성능으로 더 정확한 키포인트를 제공합니다.
• 회전 바운딩 박스 감지: YOLO26은 방향이 모호할 수 있는 정사각형 객체에 대해 모델이 객체 회전을 더 정확하게 학습하도록 돕는 특수 각도 손실을 도입합니다. 최적화된 OBB 디코딩은 회전 경계 근처에서 각도 예측의 갑작스러운 도약을 줄여 더 안정적이고 일관된 방향 추정치를 제공합니다.

그림 3. 인스턴스 세분화에 Ultralytics YOLO26 사용.

Link to this sectionUltralytics YOLOE-26: YOLO26 기반의 오픈 보캐블러리 세분화#

Ultralytics는 또한 YOLO26의 아키텍처 및 학습 혁신을 기반으로 구축된 새로운 오픈 보캐블러리 세분화 모델 제품군인 YOLOE-26을 소개합니다.

YOLOE-26은 새로운 작업이나 기능이 아니라 텍스트 프롬프트, 시각적 프롬프트 및 프롬프트 없는 추론을 가능하게 하면서 기존 세분화 작업을 재사용하는 특수 모델 제품군입니다. 모든 표준 YOLO 크기에서 사용할 수 있는 YOLOE-26은 이전의 오픈 보캐블러리 세분화 모델보다 더 강력한 정확도와 더 안정적인 실시간 성능을 제공합니다.

Link to this sectionUltralytics YOLO26은 비전 AI가 실제로 실행되는 환경을 위해 설계되었습니다#

비전 기반 카메라부터 컴퓨터 비전으로 구동되는 로봇과 엣지의 작은 처리 칩에 이르기까지, 컴퓨터 비전과 AI는 실시간 추론을 위해 장치 내에서 직접 배포되고 있습니다. Ultralytics YOLO26은 낮은 지연 시간, 효율성 및 신뢰할 수 있는 성능이 필수적인 이러한 환경을 위해 특별히 구축되었습니다.

실제로 이는 YOLO26을 다양한 하드웨어에 쉽게 배포할 수 있음을 의미합니다. 특히, Ultralytics Python 패키지와 광범위한 통합 기능을 통해 모델을 다양한 플랫폼과 하드웨어 가속기에 최적화된 형식으로 내보낼 수 있습니다.

예를 들어, TensorRT로 내보내면 NVIDIA GPU에서 고성능 추론이 가능하고, CoreML은 Apple 장치에서 기본 배포를 지원하며, OpenVINO는 Intel 하드웨어에서 성능을 최적화합니다. YOLO26은 또한 여러 전용 엣지 가속기에서 실행되도록 내보낼 수 있어 전문 엣지 AI 하드웨어에서 높은 처리량과 에너지 효율적인 추론이 가능합니다.

이는 몇 가지 예시에 불과하며, 엣지 및 프로덕션 환경 전반에서 더 많은 통합이 지원됩니다. 이러한 유연성을 통해 단일 YOLO26 모델을 다양한 배포 대상에서 실행할 수 있습니다. 이는 프로덕션 워크플로를 간소화하고 비전 AI를 엣지에 더 가깝게 만듭니다.

Link to this section산업 전반의 컴퓨터 비전 사용 사례 재정의#

실제 배포를 위해 설계된 YOLO26은 다양한 산업의 광범위한 컴퓨터 비전 사용 사례에 사용할 수 있습니다. 적용 가능한 몇 가지 예시는 다음과 같습니다.

• 로봇 공학: YOLO26은 내비게이션, 장애물 감지 및 객체 상호 작용과 같은 작업에 사용할 수 있습니다. 이러한 기능은 동적 환경에서 안전하고 효과적인 로봇 작동을 지원합니다.

• 제조업: 생산 라인에서 YOLO26은 이미지와 비디오를 분석하여 결함, 누락된 구성 요소 또는 공정 문제를 식별할 수 있습니다. 장치 내에서 데이터를 처리하면 감지 속도가 유지되고 클라우드 시스템에 대한 의존도가 줄어듭니다.

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

• 임베디드 및 IoT 시스템: 가벼운 디자인의 YOLO26은 저전력 임베디드 하드웨어에서 실행되어 시각적 데이터를 로컬에서 처리할 수 있습니다. 일반적인 사용 사례로는 스마트 카메라, 연결된 센서 및 자동화된 모니터링 장치가 있습니다.

• 스마트 시티: 도시 환경 전반에서 YOLO26은 교통 및 공공 장소 카메라의 비디오 스트림을 분석할 수 있습니다. 이를 통해 엣지에서 교통 모니터링, 공공 안전 및 인프라 관리와 같은 애플리케이션을 활성화할 수 있습니다.

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

Link to this sectionUltralytics YOLO26 시작하기#

Ultralytics YOLO26은 비전 AI를 구축하고 배포하는 방식에 따라 두 가지 상호 보완적인 워크플로를 통해 사용할 수 있습니다.

옵션 1: Ultralytics 플랫폼을 통한 Ultralytics YOLO26 사용 (권장)

Ultralytics 플랫폼은 프로덕션 환경에서 YOLO26 모델을 학습, 배포 및 모니터링하는 중앙 집중식 방법을 제공합니다. 데이터셋, 실험 및 배포를 한곳에 모아 특히 엣지 및 프로덕션 환경에 배포하는 팀이 규모에 맞게 비전 AI 워크플로를 더 쉽게 관리할 수 있도록 합니다.

플랫폼을 통해 사용자는 다음을 수행할 수 있습니다:

• YOLO26 모델 액세스
• 사용자 지정 데이터셋에 대한 학습 및 미세 조정
• 엣지 및 프로덕션 배포를 위한 모델 내보내기
• 단일 워크플로에서 실험 및 배포된 모델 모니터링

👉 Ultralytics 플랫폼에서 YOLO26 탐색: platform.ultralytics.com/ultralytics/yolo26

옵션 2: 오픈 소스 워크플로를 통한 Ultralytics YOLO26 사용

YOLO26은 Ultralytics의 오픈 소스 생태계를 통해 완전히 액세스할 수 있으며 학습, 추론 및 내보내기를 위한 기존 Python 기반 워크플로와 함께 사용할 수 있습니다.

개발자는 Ultralytics 패키지를 설치하고, 사전 학습된 YOLO26 모델을 로드한 다음, ONNX, TensorRT, CoreML 또는 OpenVINO와 같은 친숙한 도구 및 형식을 사용하여 모델을 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 사용자 지정 파이프라인을 선호하는 사용자를 위해 Ultralytics 문서에서 전체 설명서 및 가이드를 제공합니다.

Link to this sectionUltralytics YOLO26: 컴퓨터 비전의 다음 단계를 위해 구축되었습니다#

Ultralytics YOLO26은 모델이 실제 하드웨어에서 빠르고 효율적이며 배포하기 쉬워야 하는 내일의 비전 AI 솔루션의 요구 사항을 충족하도록 설계되었습니다. 성능을 개선하고 배포를 단순화하며 모델의 기능을 확장함으로써 YOLO26은 다양한 실제 애플리케이션에 자연스럽게 통합됩니다. YOLO26은 비전 AI가 구축, 배포 및 확장되는 방식에 대한 새로운 기준을 정립합니다. 커뮤니티가 이를 활용하여 실제 컴퓨터 비전 시스템을 구축하는 모습을 보게 되어 매우 기대됩니다.

성장하는 커뮤니티에 참여하고 실무적인 AI 리소스를 위해 GitHub 리포지토리를 탐색하세요. 오늘 바로 비전 AI로 구축하려면 라이선스 옵션을 살펴보세요. 솔루션 페이지를 방문하여 농업 분야의 AI가 농업을 어떻게 변화시키고 있는지, 그리고 로봇 공학의 비전 AI가 어떻게 미래를 형성하고 있는지 알아보세요.