포즈 추정을 위한 Ultralytics YOLO26과 다른 Ultralytics YOLO 모델 비교

사람의 자세를 보면 구부정하게 서 있는지, 앞으로 기울어져 있는지, 똑바로 서 있는지 쉽게 알아차릴 수 있습니다. 사람은 신체의 여러 부위가 서로 어떤 관계인지 빠르게 이해할 수 있습니다.

이는 일상생활에서 움직임과 몸짓을 해석하는 방식에 본래부터 포함되어 있습니다. 그러나 기계에는 이러한 시각적 이해 능력이 자동으로 주어지지 않습니다. 시스템이 움직임과 구조를 인식하도록 가르치려면 이미지를 의미 있게 해석하게 하는 고급 딥러닝 및 컴퓨터 비전 기술이 필요합니다.

특히 포즈 추정은 컴퓨터 비전 모델이 이와 비슷한 이해를 구축할 수 있게 하는 비전 AI 기술입니다. 단순히 이미지에서 객체를 탐지하는 대신, 모델은 중요한 구조적 기준점을 나타내는 키포인트를 예측합니다.

이러한 키포인트는 신체 관절과 동물의 다리, 기계 부품뿐 아니라 코트 모서리 같은 고정 지점에 해당할 수 있습니다. 시스템은 이러한 지점을 식별하고 추적하여 위치와 정렬 상태, 움직임을 구조화되고 측정 가능한 방식으로 이해할 수 있습니다.

포즈 추정이 더 많은 실제 시나리오에 적용되면서 모델은 비인간 키포인트와 복잡한 장면, 맞춤 데이터셋을 더 효과적으로 처리해야 합니다. 예를 들어 Ultralytics YOLO26 같은 최신 모델은 포즈 추정과 같은 컴퓨터 비전 작업을 지원하며, 유연성과 전반적인 성능을 높이도록 설계된 아키텍처 및 학습 개선을 통해 이전 YOLO 포즈 모델을 발전시켰습니다.

그림 1. YOLO로 구현한 포즈 추정 예시 (출처)

이 글에서는 YOLO26-pose와 이전 Ultralytics YOLO 포즈 모델을 비교하고, 복잡한 장면에서 유연성과 수렴 속도, 성능이 어떻게 향상되는지 살펴보겠습니다. 시작하겠습니다!

자세 추정이란 무엇인가요?#

Ultralytics YOLO 포즈 모델을 비교하기에 앞서, 컴퓨터 비전의 맥락에서 포즈 추정이 실제로 무엇을 의미하는지 자세히 살펴보겠습니다.

포즈 추정은 이미지나 동영상 프레임에서 특정 키포인트를 탐지하고 추적하는 기술입니다. 이러한 키포인트는 사람의 관절과 동물의 다리, 기계 부품, 장면의 고정 기준점 등 중요한 구조적 기준점을 나타낼 수 있습니다.

그림 2. 사람 포즈 추정을 사용한 작업자의 포즈 추정 (출처)

이러한 지점의 좌표를 식별하면 모델은 객체의 위치와 시간에 따른 움직임을 이해할 수 있습니다. 이미지 전체에 단일 라벨을 할당하는 이미지 분류나 객체 주위에 바운딩 박스를 그리는 데 중점을 두는 객체 탐지 모델과 달리, 포즈 추정은 구조와 움직임에 대한 더 상세한 공간 정보를 제공합니다.

Ultralytics YOLO26-pose 개요#

YOLO26-pose는 YOLO26n-pose 같은 경량 옵션과 YOLO26m-pose, YOLO26l-pose, YOLO26x-pose 같은 대형 모델을 포함해 여러 모델 변형 또는 모델 크기로 제공됩니다. 따라서 팀은 하드웨어와 성능 요구 사항에 따라 속도와 정확도 사이에서 적절한 균형을 선택할 수 있습니다.

Ultralytics는 처음부터 학습을 시작할 필요가 없도록 COCO 데이터셋과 같은 대규모 범용 데이터셋, 특히 사람 포즈 추정을 위한 COCO-Pose(COCO 키포인트) 주석으로 학습한 사전 학습 포즈 모델도 제공합니다. 대부분의 경우 팀은 특정 키포인트와 레이아웃, 환경에 맞게 이러한 모델을 자체 데이터셋으로 파인튜닝합니다.

일반적으로 키포인트 좌표와 클래스 라벨을 구조화된 형식으로 정의하는 맞춤 주석 파일을 준비해야 합니다. 이러한 주석은 각 이미지 내의 특정 픽셀 좌표에 키포인트를 대응시켜 모델이 학습 중에 정밀한 공간 관계를 학습하도록 합니다.

사전 학습 모델을 사용하면 학습 속도가 빨라지고 필요한 데이터가 줄어들며 프로젝트를 더 효율적으로 프로덕션에 배포할 수 있습니다.

사람 포즈 추정의 실제 활용 사례#

포즈 추정이 중요한 역할을 하는 실제 활용 사례를 소개합니다.

• 의료 및 재활: 의료진은 포즈 모델을 사용해 자세를 평가하고 회복 과정을 모니터링하며 물리 치료 중 움직임 패턴을 분석할 수 있습니다.
• 자율 시스템: 드론과 스마트 카메라는 포즈 정보를 사용해 동적인 장면에서 객체의 방향과 움직임을 더 정확하게 파악할 수 있습니다.
• 작업장 안전: 조직은 신체 위치와 반복 동작을 모니터링하여 잠재적인 안전 위험을 식별할 수 있습니다.
• 피트니스 및 개인 트레이닝: 피트니스 앱은 포즈 추정을 활용해 운동 자세를 추적하고 반복 횟수를 세며 피트니스 튜토리얼 중 유지하는 자세와 움직임에 대한 실시간 피드백을 제공합니다.

그림 3. 포즈 추정은 운동 동작 중 주요 신체 지점을 추적하는 데 도움이 됩니다. (출처)

포즈 추정 지원 기능 살펴보기: Ultralytics YOLO26#

Ultralytics YOLO26은 학습과 배포를 더 실용적으로 만들도록 설계된 업데이트를 통해 이전 Ultralytics YOLO 모델을 발전시켰습니다.

이전 버전과 마찬가지로 통합 프레임워크의 일부로 포즈 추정을 지원합니다. 주요 차이점은 Ultralytics YOLO26이 더 폭넓은 실제 활용 사례에서 유연하고 안정적으로 작동하도록 설계되었다는 점입니다.

그림 4. YOLO26 벤치마킹 (출처)

초기 Ultralytics YOLO 포즈 모델은 주로 사람 포즈 데이터셋의 영향을 받았으며, 그 결과 이전 방식의 일부는 사람 관절 구조에 맞춰 최적화되었습니다. YOLO26은 이러한 사람 특유의 가정을 제거합니다.

그 결과 테니스 코트 모서리나 기타 맞춤 구조적 기준점 탐지와 같은 비인간 키포인트에 더 적합합니다. 기본 제공되는 사전 학습 Ultralytics YOLO26-pose 모델은 COCO-pose 같은 데이터셋으로 학습되고 데이터셋 주석에 정의된 사람 키포인트를 예측하므로 이는 중요한 특징입니다.

그러나 팀에서 기계 부품과 스포츠 경기장 표식, 인프라 지점 등 다른 유형의 기준점을 탐지하려면 일반적으로 해당 키포인트에 주석을 단 맞춤 데이터셋으로 모델을 파인튜닝해야 합니다.

Ultralytics YOLO26은 사람 관절 구조에 관한 가정에 얽매이지 않으므로 파인튜닝 중에 더 효과적으로 적응할 수 있습니다. 이러한 유연성 덕분에 모델은 맞춤 키포인트 레이아웃을 더 안정적으로 학습할 수 있으며, 고유한 키포인트 구성을 가진 데이터셋으로 검증할 때 평가 지표가 향상됩니다.

Ultralytics YOLO26-pose는 객체의 일부가 가려져 있거나 매우 작은 크기로 나타날 때도 키포인트 위치를 더 정확하게 찾도록 설계되었습니다. 멀리 있는 피사체와 드론 영상, 작은 객체가 포함된 실제 장면에서는 이전 포즈 모델보다 키포인트를 더 정확하게 예측할 수 있습니다.

또 다른 중요한 업데이트는 학습 중 사용하는 손실 함수의 개선입니다. 손실 함수는 모델이 학습하면서 오류를 어떻게 수정하는지 결정합니다.

Ultralytics YOLO26-pose의 경우 이 프로세스가 더 효과적이므로 모델이 더 빠르게 학습하고 더 적은 epoch로 높은 정확도에 도달할 수 있습니다. 여기서 epoch는 학습 데이터셋 전체를 한 번 통과하는 것을 의미합니다.

전반적으로 YOLO26-pose는 이전 Ultralytics YOLO 포즈 모델을 기반으로 비인간 키포인트 지원과 학습 수렴 측면에서 더 명확한 개선을 제공하면서도 익숙한 워크플로를 그대로 유지합니다.

YOLO26-pose와 Ultralytics YOLOv5 비교#

Ultralytics YOLO 모델의 초기 버전인 Ultralytics YOLOv5는 주로 객체 탐지용으로 개발되었습니다. YOLOv5는 나중에 인스턴스 세그멘테이션까지 지원하도록 확장되었지만, 공식 Ultralytics 프레임워크에는 기본 제공되는 특화 포즈 추정 헤드가 없습니다.

키포인트 탐지가 필요한 팀은 일반적으로 별도의 구현이나 맞춤 수정을 사용했습니다. Ultralytics YOLO26에는 키포인트 예측을 위해 특별히 설계된 전용 아키텍처 헤드와 함께 포즈 추정이 기본 작업으로 포함되어 있습니다.

따라서 Ultralytics YOLO26-pose 모델은 탐지 및 세그멘테이션과 동일한 통합 워크플로 내에서 학습, 검증 및 배포할 수 있습니다. 구조화된 키포인트 탐지에 중점을 둔 프로젝트의 경우, YOLO26은 기본 포즈 지원과 작업별 아키텍처를 제공하지만 YOLOv5에는 이러한 기능이 기본 제공되지 않습니다.

주요 차이점: YOLO26-pose와 Ultralytics YOLOv8-pose 비교#

Ultralytics YOLOv8은 통합 Ultralytics 프레임워크에 기본 포즈 추정 기능을 도입하여 탐지 및 세그멘테이션과 동일한 워크플로를 사용해 키포인트 모델을 쉽게 학습하고 배포할 수 있게 했습니다. YOLOv8은 비최대 억제(NMS)를 포함하는 전통적인 후처리 파이프라인과 경계 상자 회귀 및 학습을 위한 이전 손실 공식을 사용합니다.

Ultralytics YOLO26은 포즈 추정에 직접적인 영향을 주는 아키텍처 및 학습 업데이트를 통해 이 기반을 발전시켰습니다. 주요 차이점 중 하나는 엔드투엔드 설계입니다. YOLO26은 추론 시 외부 NMS가 필요하지 않아 배포를 간소화하고, 특히 CPU와 엣지 디바이스에서 지연 시간의 일관성을 향상합니다.

또 다른 주요 개선 사항은 학습 방법론입니다. Ultralytics YOLO26은 업데이트된 손실 전략과 함께 MuSGD 옵티마이저를 도입합니다. 포즈 작업에는 키포인트 불확실성 모델링을 개선하는 Residual Log-Likelihood Estimation을 통합합니다. 이러한 변화는 특히 복잡하거나 부분적으로 가려진 장면에서 더 빠른 수렴과 안정적인 키포인트 예측으로 이어질 수 있습니다.

요약하면, Ultralytics YOLOv8-pose는 강력하고 범용적인 기준 모델을 확립했습니다. YOLO26-pose는 학습 효율을 높이고 가림 현상을 더 잘 처리하며 실제 환경의 비인간 포즈 응용 분야에 대한 유연성을 향상해 그 기준 모델을 개선합니다.

YOLO26-pose와 Ultralytics YOLO11-pose 비교: 무엇이 개선되었나요?#

Ultralytics YOLO11은 백본과 특징 추출 레이어를 개선하여 Ultralytics YOLOv8을 발전시켰습니다. FLOPs를 줄이고 파라미터 효율성을 높였으며, 강력한 실시간 성능을 유지하면서 mAP를 향상했습니다. 포즈 작업에서는 더 가벼운 아키텍처로 키포인트 정확도가 개선되었습니다.

YOLO26-pose는 보다 근본적인 아키텍처 변화를 통해 이러한 발전을 이어갑니다. 간단히 말해, YOLO11은 YOLOv8의 효율성과 정확도를 개선했고, YOLO26은 더 빠른 수렴, 안정적인 추론, 복잡한 시나리오에서 향상된 포즈 정확도를 목표로 하는 아키텍처 및 학습 업데이트로 그 기반을 발전시켰습니다.

포즈 추정에 Ultralytics YOLO26 모델을 사용하기 시작해야 하는 이유는 무엇인가요?#

Ultralytics YOLO 모델 간의 차이를 살펴보면서 YOLO26-pose로 전환해야 할지 고민하고 계실 수 있습니다.

간단히 답하면 손쉽게 업그레이드할 수 있습니다. 이미 Ultralytics YOLOv8-pose 또는 Ultralytics YOLO11-pose를 사용하고 있다면, YOLO26-pose로 전환할 때 일반적으로 파이프라인을 다시 구축할 필요 없이 모델 버전만 변경하면 됩니다.

동일한 Ultralytics 프레임워크를 유지하면서 비인간 키포인트에 대한 향상된 지원, 학습 중 더 빠른 수렴, 가려진 포인트 처리 개선의 이점을 얻을 수 있습니다. 대부분의 신규 및 기존 포즈 프로젝트에서 YOLO26-pose로 전환하면 번거로움을 최소화하면서 이러한 개선 사항을 손쉽게 활용할 수 있습니다.

또한 YOLO26-pose는 PyTorch를 기반으로 하며 학습, 검증 및 배포를 간편하게 해주는 Ultralytics Python 패키지에서 완벽하게 지원됩니다. 모델을 ONNX, TensorRT, OpenVINO, CoreML, TFLite 등의 형식으로 내보낼 수 있으므로 전체 워크플로를 변경하지 않고도 GPU, CPU 및 엣지 디바이스 전반에 더 쉽게 배포할 수 있습니다.

핵심 요점#

Ultralytics YOLO26-pose는 특히 비인간 키포인트나 복잡한 장면을 다룰 때 포즈 추정을 더 유연하고 안정적으로 수행합니다. 학습 속도가 더 빠르고 가림 현상을 더 잘 처리하며 다양한 데이터셋에서 더 일관된 결과를 제공합니다. 이미 Ultralytics YOLO 포즈 모델을 사용 중인 팀은 기존 워크플로를 바꾸지 않고도 YOLO26의 명확한 개선 효과를 얻을 수 있습니다.

AI에 대해 더 알고 싶으신가요? 커뮤니티와 GitHub 리포지토리를 살펴보세요. 솔루션 페이지에서 로보틱스 분야의 AI와 농업 분야의 컴퓨터 비전에 대해 알아보세요. 라이선스 옵션을 확인하고 지금 바로 컴퓨터 비전 구축을 시작하세요!