Ultralytics YOLO27:
Get Started

모델 비교#

적절한 신경망 아키텍처를 선택하는 것은 모든 성공적인 컴퓨터 비전 프로젝트의 핵심입니다. Ultralytics 모델 비교 허브에 오신 것을 환영합니다! 이 페이지에서는 상세한 기술 분석과 성능 벤치마크를 한곳에 모아 최신 Ultralytics YOLO26과 YOLO11, YOLOv10, RT-DETR, EfficientDet 같은 다른 주요 아키텍처 간의 장단점을 살펴봅니다.

애플리케이션에 엣지 AI의 밀리초 단위 지연 시간이 필요하든 의료 영상에 요구되는 높은 충실도의 정밀도가 필요하든, 이 가이드는 정보에 입각한 선택에 필요한 데이터 기반 인사이트를 제공합니다. 모델을 평균 정밀도(mAP), 추론 속도, 파라미터 효율성, 배포 용이성을 기준으로 평가합니다.

대화형 성능 벤치마크#

속도와 정확도의 관계를 시각화하면 객체 탐지의 '파레토 프런티어', 즉 주어진 속도 제약에서 가장 높은 정확도를 제공하는 모델을 파악하는 데 도움이 됩니다. 아래 차트에서는 COCO와 같은 표준 데이터셋의 주요 지표를 비교합니다.

이 차트는 주요 성능 지표를 시각화하여 서로 다른 모델 간의 장단점을 빠르게 평가할 수 있도록 합니다. 이러한 지표를 이해하는 것은 특정 배포 제약에 맞는 모델을 선택하는 데 필수적입니다.

빠른 의사 결정 가이드#

어디서부터 시작해야 할지 모르시겠나요? 이 의사 결정 트리를 사용해 하드웨어 및 성능 요구 사항에 가장 적합한 아키텍처를 찾아보세요.

현재 동향: YOLO26 및 그 이후#

객체 탐지 분야는 빠르게 변화합니다. 이전 모델은 기존 시스템 지원 측면에서 여전히 유용하지만, 새로운 아키텍처는 가능한 범위를 계속 확장하고 있습니다.

Ultralytics YOLO26#

2026년 1월에 출시된 YOLO26은 최신 최첨단 모델이며, 모든 신규 프로젝트에 권장되는 시작점입니다. 선택적으로 사용할 수 있는 End-to-End NMS-Free Design(nms=False) 등 획기적인 아키텍처 혁신을 도입하여 비최대 억제 후처리가 필요하지 않으므로 추론 시간이 더 빠르고 예측 가능해집니다. YOLO26은 이전 세대보다 CPU에서 최대 43% 더 빠르므로 엣지 배포에 이상적입니다.

주요 혁신 사항은 다음과 같습니다.

  • NMS가 필요 없는 엔드 투 엔드: NMS 후처리 없이 간소화된 배포 (nms=False)
  • DFL 제거: ONNX, TensorRT, CoreML로의 내보내기 간소화
  • MuSGD 옵티마이저: 안정적인 수렴을 위해 LLM 학습에서 영감을 얻은 하이브리드 SGD/Muon 옵티마이저
  • ProgLoss + STAL: 소형 객체 탐지 성능 향상
YOLO26을 선택해야 하는 이유

YOLO26은 Ultralytics 엔지니어링의 정점을 보여 주며, CNN의 효율성과 Transformer와 유사한 엔드투엔드 기능을 결합합니다. 탐지, 인스턴스 및 시맨틱 세그멘테이션, 깊이 추정, 분류, 포즈 추정, OBB 등 모든 작업을 지원하며, 그 어느 때보다 작고 빠르며 배포하기 쉽습니다.

Ultralytics YOLO11#

YOLO11은 여전히 매우 뛰어난 모델입니다. YOLO11m은 YOLOv8m보다 파라미터를 22% 적게 사용하면서 탐지 정확도는 더 높습니다. 검증된 안정성이 필요하거나 기존 YOLO11 파이프라인이 있는 사용자에게 완전히 지원되며 권장됩니다.

커뮤니티 모델: YOLO12 및 YOLO13에 관한 안내#

커뮤니티 토론이나 저장소에서 YOLO12 또는 YOLO13에 대한 언급을 볼 수 있습니다.

프로덕션 사용 시 주의 사항

현재 프로덕션 환경에서는 YOLO12 또는 YOLO13을 권장하지 않습니다.

  • YOLO12: 어텐션 레이어를 사용하므로 학습 불안정, 과도한 메모리 사용, 현저히 느린 CPU 추론 속도가 발생하는 경우가 많습니다.
  • YOLO13: 벤치마크 결과에 따르면 YOLO11보다 정확도 향상은 미미한 반면 모델은 더 크고 느립니다. 보고된 결과에서는 재현성 문제가 나타났습니다.


시청: YOLO 모델 비교: Ultralytics YOLO11, YOLOv10, YOLOv9 및 Ultralytics YOLOv8

상세 모델 비교#

백본 선택, 헤드 설계, 손실 함수 등 구체적인 아키텍처 차이를 이해하려면 심층 기술 비교를 살펴보세요. 쉽게 찾아볼 수 있도록 모델별로 정리했습니다.

YOLO26 대#

YOLO26은 NMS-free 엔드투엔드 탐지, MuSGD 옵티마이저, 최대 43% 더 빠른 CPU 추론을 제공하는 최신 Ultralytics 모델입니다. 최첨단 정확도를 달성하면서 엣지 배포에 최적화되어 있습니다.

YOLO11 대#

YOLO11은 최첨단 연구를 바탕으로 이전 모델의 성공을 이어갑니다. 향상된 특징 추출과 효율성 최적화를 위해 백본 및 넥 아키텍처를 개선했습니다.

YOLOv10 대#

칭화대학교에서 개발한 YOLOv10은 지연 시간 편차를 줄이기 위해 비최대 억제(NMS) 단계를 제거하는 데 중점을 두며, 계산 오버헤드는 줄이면서 최첨단 성능을 제공합니다.

YOLOv9 대#

YOLOv9는 심층 신경망의 정보 손실을 해결하기 위해 프로그래밍 가능한 그래디언트 정보(PGI)와 일반화 효율 레이어 집계 네트워크(GELAN)를 도입합니다.

YOLOv8 대#

Ultralytics YOLOv8은 고급 백본 및 넥 아키텍처와 최적의 정확도·속도 절충을 위한 앵커 프리 분리형 헤드를 갖추어 여전히 큰 인기를 얻고 있습니다.

YOLOv7 대#

YOLOv7은 추론 비용을 늘리지 않고 학습 프로세스를 최적화하는 데 중점을 두어 '학습 가능한 무료 혜택 묶음'과 모델 재매개변수화를 도입했습니다.

YOLOv6 대#

Meituan의 YOLOv6는 산업용 애플리케이션을 위해 설계되었으며, 양방향 연결(BiC) 모듈과 앵커 보조 학습 전략을 특징으로 합니다.

YOLOv5 대#

Ultralytics YOLOv5는 사용 편의성, 안정성, 속도로 호평받고 있습니다. 폭넓은 디바이스 호환성이 필요한 프로젝트에서 여전히 신뢰할 수 있는 선택지입니다.

RT-DETR 대#

RT-DETR(실시간 탐지 Transformer)은 비전 Transformer를 활용해 실시간 성능과 높은 정확도를 달성하며, 전역 컨텍스트 이해에 뛰어납니다.

PP-YOLOE+ 대#

Baidu가 개발한 PP-YOLOE+는 태스크 정렬 학습(TAL)과 분리형 헤드를 사용해 효율성과 정확도의 균형을 맞춥니다.

DAMO-YOLO 대#

Alibaba Group의 DAMO-YOLO는 신경망 아키텍처 탐색(NAS)과 효율적인 RepGFPN을 활용해 정적 벤치마크에서 정확도를 극대화합니다.

YOLOX 대#

Megvii가 개발한 YOLOX는 앵커가 필요 없는 모델로, 분리형 헤드와 SimOTA 레이블 할당 전략으로 잘 알려져 있습니다.

EfficientDet 대#

Google Brain의 EfficientDet은 복합 스케일링과 BiFPN을 사용해 파라미터 효율성을 최적화하며, 다양한 제약 조건에 맞춰 여러 모델(D0-D7)을 제공합니다.

새로운 모델이 출시되고 벤치마크가 개선됨에 따라 이 색인은 지속적으로 업데이트됩니다. 다음 컴퓨터 비전 프로젝트에 가장 적합한 모델을 찾으려면 이러한 자료를 살펴보시기 바랍니다. 비공개 라이선스가 적용되는 엔터프라이즈급 솔루션을 찾고 계신다면 라이선스 페이지를 방문해 주세요. 즐겁게 비교해 보세요!

기여자
GLglenn-jocher17PDpderrenger1RIRizwanMunawar1

댓글