YOLO (You Only Look Once) 시리즈 기술 진화 정리
YOLO는 단일 객체 탐지 모델이 아니라, “실시간 객체 탐지를 가능하게 한 설계 철학과 구현 계열”로 이해하는 것이 정확하다.
- 공식 논문 계보: YOLOv1 ~ YOLOv4
- 산업·커뮤니티 확장 계보: YOLOv5 이후 (YOLO-style detectors)
특히 YOLOv9~YOLOv12는 단일 연구 계보가 아닌 다양한 구현체의 네이밍이 혼재되어 있으므로,
학술적 문서에서는 “YOLO-style 최신 구현체”라는 표현이 가장 안전하다.
1. YOLOv1 (2015) — 개념 혁신기
-
제작: Joseph Redmon et al.
-
핵심 개념
-
객체 탐지를 classification + localization의 결합 문제가 아닌
-
하나의 regression 문제로 재정의
-
-
구조 특징
-
24 Convolution layers + 2 Fully Connected layers
-
Leaky ReLU, Dropout 사용
-
입력 이미지를 ( S \times S ) grid로 분할
-
각 grid cell이 ( B )개의 bounding box와 class probability 예측
-
-
핵심 한계
-
하나의 grid cell이 하나의 객체만 책임지는 구조
-
작은 객체 및 밀집 객체 탐지에 구조적 제약
-
정리
YOLOv1의 한계는 성능 문제가 아니라 문제 정의 방식의 한계였다.
2. YOLOv2 / YOLO9000 (2016) — 구조 보강기
-
주요 개선 사항
-
Batch Normalization 도입
-
Anchor Box 도입
-
Multi-scale training
-
고해상도 입력 지원
-
-
YOLO9000의 핵심
-
단순히 “9,000개 클래스 탐지”가 아니라
-
Hierarchical label space + detection/classification joint training
-
-
의의
-
YOLO가 Faster R-CNN 계열과 개념적으로 수렴
-
실시간성과 정확도의 균형점 진입
-
3. YOLOv3 (2018) — 실전 안정화 단계
-
백본 네트워크: Darknet-53
- Residual connection 기반의 안정적 학습
-
핵심 개선:
-
다중 스케일 예측 (FPN과 유사한 구조)
-
Objectness score 명시적 분리
-
Anchor box 다양화
-
-
의의
- YOLO가 연구용을 넘어 산업 적용 가능한 detector로 자리 잡음
4. YOLOv4 (2020) — 최적화 집대성
-
제작: Alexey Bochkovskiy et al.
-
구조 특징
-
CSPDarknet53
-
Mish activation
-
-
핵심 개념
-
Bag of Freebies: 추론 비용 증가 없이 성능 향상
-
Bag of Specials: 소폭 비용으로 큰 성능 개선
-
-
의의
-
새로운 이론보다는 기존 기법의 체계적 검증과 엔지니어링 완성도
-
논문 기반 YOLO 계보의 사실상 종착점
-
5. YOLOv5 (~2021) — 패러다임 전환
-
제작: Ultralytics
-
특징
-
PyTorch 기반
-
CLI, 학습 파이프라인, 배포 도구 내장
-
s/m/l/x 등 다양한 모델 스케일 제공
-
-
중요한 점
- 공식 논문은 없으나 MLOps 친화성으로 사실상 산업 표준 구현체
-
의의
- YOLO를 연구 모델에서 제품화 가능한 프레임워크로 전환
6. YOLOR · YOLOX (2021) — 설계 실험기
YOLOX
-
Anchor-free 방식 채택
-
핵심은 anchor 제거가 아니라 SimOTA 기반 label assignment
YOLOR
-
Multi-task learning 실험
-
실제 산업 채택은 제한적
정리
이 시기는 YOLO 설계 철학의 다양한 실험 분기점이다.
7. YOLOv6 · YOLOv7 · DAMO-YOLO (2022) — 기업 주도 최적화
-
YOLOv6 (Meituan)
-
EfficientRep, Rep-PAN
-
엣지 및 산업 배포 지향
-
-
YOLOv7
-
Trainable bag-of-freebies
-
논문 기반 YOLO-style detector의 정점
-
-
DAMO-YOLO (Alibaba)
-
NAS 기반 구조 탐색
-
재현성은 상대적으로 낮음
-
정리
YOLO는 이 시점부터 논문 브랜드가 아닌 산업 패턴이 된다.
8. YOLOv8 (2023) — 프레임워크화 완성
-
제작: Ultralytics
-
주요 변화
-
Anchor-free detection
-
C2f 모듈
-
Mosaic augmentation 개선
-
-
지원 태스크
- Detection, Segmentation, Pose
-
의의
- YOLO를 단일 detector가 아닌 범용 Vision SDK로 확장
9. YOLOv9 ~ YOLOv12 (2024–2025) — 최신 구현체 정리
중요: 아래 버전들은 단일 공식 계보가 아니다.
-
YOLOv9 (2024)
- Transformer 기반 feature extraction 일부 도입
-
YOLOv10 (2024)
-
Quantization-aware training
-
Edge AI 최적화
-
-
YOLOv11 (2025)
-
Detection, Classification, Pose, OBB 등 멀티태스크 통합
-
성능 수치는 구현체 의존
-
-
YOLOv12 (2025)
-
Attention 중심 설계
-
낮은 latency 지향
-
학술 문서에서는 “YOLO-style 최신 구현체”로 통칭하는 것이 바람직하다.
10. 버전별 요약 테이블
| 버전 | 연도 | 핵심 특징 |
|---|---|---|
| YOLOv1 | 2015 | Detection을 regression으로 정의 |
| YOLOv2 | 2016 | Anchor, BN, YOLO9000 |
| YOLOv3 | 2018 | Darknet-53, 다중 스케일 |
| YOLOv4 | 2020 | CSP, Mish, 최적화 집대성 |
| YOLOv5 | ~2021 | PyTorch, MLOps 친화 |
| YOLOR / YOLOX | 2021 | 설계 실험 |
| YOLOv6 | 2022 | 경량·산업 최적화 |
| YOLOv7 | 2022 | 논문 기반 YOLO 정점 |
| DAMO-YOLO | 2022 | NAS 기반 |
| YOLOv8 | 2023 | Anchor-free, SDK화 |
| YOLOv9 | 2024 | Transformer 일부 도입 |
| YOLOv10 | 2024 | Edge AI 최적화 |
| YOLOv11 | 2025 | 멀티태스크 통합 |
| YOLOv12 | 2025 | Attention 중심 |
YOLO의 진화 단계
-
개념 혁신: v1 ~ v3
-
최적화·산업화: v4 ~ v7
-
플랫폼화: v8 이후
YOLO는 더 이상 하나의 모델이 아니라 실시간 객체 인식을 위한 설계 철학과 구현 생태계이다.
목적별 추천 가이드
| 목적 | 추천 |
|---|---|
| 이론·논문 비교 | YOLOv3, YOLOv4 |
| 산업 배포 | YOLOv5, YOLOv8 |
| 엣지 디바이스 | YOLOv6, YOLOv10 |
| 멀티태스크 | YOLOv8 이후 |
| 최신 연구 트렌드 | YOLO-style + Transformer 혼합 |
