Does YOLO26 Truly Offer Advantages Over Its Predecessors for Edge Deployment? A Benchmark Study in Aquaculture

기술 요약: 양식업 현장 엣지 배포를 위한 YOLO26 벤치마킹

문제 정의
집약적 양식, 특히 순환 여과식 양식 시스템(RAS)에서 컴퓨터 비전(CV) 및 인공지능(AI)의 도입은 어류의 건강과 복지를 자동 모니터링하는 데 있어 상당한 잠재력을 제공한다. 그러나 이러한 시스템의 배포는 높은 사육 밀도, 물의 탁도, 광학적 왜곡, 그리고 수중 생물의 빠르고 예측 불가능한 움직임과 같은 고유한 과제에 직면해 있다. 핵심적인 제약 사항은 클라우드 전송을 위한 대역폭 제한과 GPU 가속 임베디드 플랫폼의 높은 비용 및 전력 소비로 인해, 자원이 제한된 엣지 장치(예: Raspberry Pi와 같은 CPU 기반 싱글 보드 컴퓨터)에 의존해야 한다는 점이다.

You Only Look Once(YOLO) 계열 모델은 실시간 객체 탐지에 널리 사용되고 있지만, 최신 세대인 YOLO26의 성능은 특정 도메인인 양식 시나리오에서 아직 검증되지 않았다. YOLO26은 NMS(Non-Maximum Suppression)가 없는 엔드 투 엔드 추론 및 CPU 기반 엣지 배포를 위한 최적화와 같은 구조적 혁신을 도입했다. 본 연구가 다루는 핵심 질문은 이러한 구조적 발전이 특정 작업(RAS 환경에서의 어류 폐사 탐지)에서 이전 모델들(YOLOv5u, YOLOv8, YOLO11)에 비해 실질적인 이점을 제공하는지, 아니면 모델 선택이 데이터 가용성이나 하드웨어 제약과 같은 다른 요인에 의해 결정되어야 하는가 하는 점이다.

연구 방법론
본 연구는 12가지 Ultralytics YOLO 모델 변체(4개 세대: v5u, v8, 11, 26; 3가지 스케일: nano, small, medium)를 사용하여 폐사한 물고기(폐사 vs 생존) 탐지에 대한 종합적인 벤치마킹 평가를 수행하였다.

• 데이터셋: 반상업적 규모의 RAS 데이터셋(RAS-MortDB)을 활용하였으며, 이는 90일 동안 수집된 대서양 연어(Salmo salar)의 수동 주석 처리된 이미지 2,000장으로 구성된다. 데이터셋에는 다양한 조명 조건(주변광 및 보조광)과 폐사 수준이 포함되었다. 이미지는 2,204개의 '폐사' 사례와 3,209개의 '생존' 사례를 포함하는 2,800장의 훈련 세트로 증강되었다.
• 훈련 환경: 공정한 비교를 위해 표준화된 하이퍼파라미터(100 에포크, 640px 입력, 배치 크기 32)를 사용하여 NVIDIA A100 GPU 클러스터에서 모델을 훈련시켰다.
• 평가 지표:
  1. 정확도: IoU 0.50에서의 평균 정밀도(mAP50) 및 0.50–0.95에서의 평균 정밀도(mAP50-95).
  2. 데이터 효율성: 90% mAP50에 도달하기 위한 최소 데이터 요구량을 결정하기 위해 7가지 데이터셋 크기(100~2,800장)에 따른 학습 곡선 분석.
  3. GPU 성능: A100 GPU에서의 추론 속도(FPS) 및 지연 시간(Latency)을 구분하여 측정(Raw forward-pass 시간, 후처리 시간(NMS 오버헤드), 엔드 투 엔드 지연 시간).
  4. 엣지 배포: ONNX Runtime을 사용하여 Raspberry Pi 5(CPU 전용, 8GB RAM)에서 추론 벤치마킹을 수행하였다. 지표로는 평균 지연 시간, FPS, 열 스로틀링 상태, 모델 크기(ONNX 풋프린트)가 포함되었다.

주요 결과

• 탐지 정확도: 12개 모델 모두 전체 데이터셋에서 유사한 탐지 정확도를 달elle 성하였다. mAP50 값은 93.77%(YOLOv8m)에서 94.81%(YOLO11m) 사이로 매우 좁은 범위를 보였다. 단 1.04%포인트의 차이는 충분한 훈련 데이터가 확보되었을 때 구조적 세대가 최종 폐사 탐지 정확도에 미치는 영향이 미미함을 나타낸다.
• 데이터 효율성: YOLOv8은 단 400장의 훈련 이미지만으로 ≥90% mAP50을 달성하며 우수한 훈련 효율성을 입증하였다. 반면, YOLO26(nano 및 small 변체)은 동일한 임계값에 도달하기 위해 1,000장의 이미지가 필요하여 약 2.5배 더 낮은 데이터 효율성을 보였다. 이는 YOLO26의 일대일(one-to-one) 레이블 할당 전략이 이전 모델들의 다대일(many-to-one) 전략에 비해 더 희소한 감독 신호를 생성하기 때문인 것으로 분석된다.
• GPU 추론: 고성능 GPU에서 YOLOv8은 일관되게 가장 높은 추론 속도(FPS)와 가장 낮은 엔드 투 엔드 지연 시간을 기록하였다. YOLO26의 NMS-free 설계가 후처리 오버헤드를 크게 줄였음에도 불구하고, 더 높은 잔여 지연 시간(전처리 및 텐서 할당)으로 인해 YOLOv8 및 YOLOv5u에 비해 전체 FPS가 낮게 나타났다.
• 엣지(CPU) 추론: 자원이 제한된 Raspberry Pi 5에서는 성능 순위가 역전되었다:
  • Nano/Small 티어: YOLO26n은 7.51 FPS의 가장 높은 추서 속도를 기록하여, YOLOv8n(6.51 FPS)과 YOLO11n(6.71 FPS)을 앞질렀다. 이는 CPU 효율성을 위한 YOLO26의 NMS-free 설계의 유효성을 입증한다.
  • Medium 티어: 놀랍게도 YOLOv5mu가 모든 다른 미디엄 스케일 모델보다 우수한 성능을 보였다(1.25 FPS vs 기타 YOLO26m의 ~1.05 FPS). 이는 아마도 최신 모델의 복잡한 어텐션 메커니즘보다 앵커 기반 아키텍처의 구조적 단순함이 ARM CPU 명령어 집합과 더 잘 호환되었기 때문으로 보인다.
• 모델 크기: YOLO26n은 가장 작은 ONNX 내보내기 크기(9.8 MB)를 생성하여 저장 공간이 제한된 엣지 장치에 유리함을 보여주었다.

주요 기여

1. 도메인 특화 검증: 본 연구는 일반적인 목적의 벤치마크(예: COCO)를 넘어 실제 양식 현장의 어류 폐사 데이터를 통해 YOLO26를 검증한 최초의 피어 리뷰 논문이다.
2. 하드웨어 불가지론적 통찰: 본 연구는 GPU와 CPU 간의 성능 순위가 상이함을 강조하며, GPU 벤치마크가 엣지 배포 적합성을 판단하는 충분한 대리 지표가 될 수 없음을 보여준다.
3. 데이터 효율성 분석: 본 연구는 구조적 참신함과 데이터 요구량 사이의 트레이드오프를 정량화하여, 새로운 아키텍처(YOLO26)가 기존 모델(YOLOv8)과 동일한 성능 수준에 도달하기 위해 훨씬 더 큰 규모의 주석 데이터가 필요할 수 있음을 밝혀냈다.
4. 오픈 소스 리소스: 저자들은 재현성과 추가 연구를 촉진하기 위해 RAS-MortDB 데이터셋과 모든 훈련된 모델 가중치(PyTorch 및 ONNX)를 공개하기로 약속하였다.

의의 및 주장
본 논문은 구조적 참신함 그 자체만으로는 양식업 적용을 위한 모델 선택의 충분한 기준이 될 수 없다고 결론짓는다. YOLO26은 NMS-free 추론 덕분에 CPU 기반 엣지 배포(특히 nano/small 티어)에서 뚜렷한 이점을 제공하지만, 이러한 이점은 데이터 효율성 및 훈련 시간의 트레이드오프를 동반한다.

저자들은 다음과 같은 고려 사항을 포함하는 배포 지향적 프레임워크에 따라 모델 선택이 이루어져야 한다고 주장한다:

• 데이터 가용성: 주석 처리된 데이터가 부족한 경우, 빠른 수렴 성능을 가진 YOLOv8이 바람직하다.
• 대상 하드웨어: CPU가 제한된 엣지 장치의 경우, YOLO26(nano/small) 또는 YOLOv5(medium)가 최신 세대 모델보다 더 우수한 추론 속도를 제공할 수 있다.
• 추론 요구사항: 높은 처리량이 필요한 GPU 작업은 YOLOv8이 유리할 수 있는 반면, 저전력 엣지 작업은 YOLO26의 경량화된 설계를 통해 이득을 얻을 수 있다.

본 연구는 사건이 초 단위가 아닌 분 단위로 발생하는 RAS 내 어류 폐사 탐지라는 특정 작업의 특성상, 모델 간의 미미한 정확도 차이는 무시할 수 있는 수준임을 강조한다. 따라서 배포 결정은 최신 아키텍처 세대를 쫓는 것보다 주석 비용, 하드웨어 제한, 에너지 소비와 같은 실질적인 제약 조건에 의해 주도되어야 한다. 저자들은 GPU 벤치마크에만 의존하는 것을 경계하고, 운영 가능성을 보장하기 위해 대상 엣지 하드웨어에서의 엄격한 검증을 권고한다.