모델 비교
적절한 신경망 아키텍처를 선택하는 것은 성공적인 컴퓨터 비전 프로젝트의 초석입니다. Ultralytics 모델 비교 허브에서는 최신 Ultralytics YOLO26과 YOLO11, YOLOv10, RT-DETR, EfficientDet 같은 다른 주요 아키텍처 간의 트레이드오프를 다루는 상세한 기술 분석과 성능 벤치마크를 제공합니다.
애플리케이션에 엣지 AI의 밀리초 단위 지연 시간이 필요하든, 의료 영상에 필요한 높은 정밀도가 중요하든, 이 가이드는 합리적인 선택을 내리는 데 필요한 데이터를 제공합니다. 모델은 평균 정밀도(mAP), 추론 속도, 파라미터 효율성, 배포 편의성을 기준으로 평가됩니다.
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 여러 모델 간의 트레이드오프를 빠르게 평가할 수 있도록 합니다. 이러한 지표를 이해하는 것은 배포 제약 조건에 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 발전합니다. 이전 모델은 기존 배포 환경에서 여전히 유효하지만, 새로운 아키텍처는 속도와 정확도를 계속해서 개선하고 있습니다.
Ultralytics YOLO26#
2026년 1월에 출시된 YOLO26은 최신 Ultralytics 모델이며 모든 신규 프로젝트의 권장 시작점입니다. 선택적으로 적용할 수 있는 종단 간 NMS 프리 설계(nms=False)를 비롯한 아키텍처 혁신을 도입하여 비최대 억제(NMS) 후처리의 필요성을 없애고, 더 빠르고 예측 가능한 추론 시간을 제공합니다. YOLO26n은 YOLO11n보다 CPU에서 최대 43% 더 빠르므로 엣지 배포에 적합합니다.
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
YOLO26은 CNN의 효율성과 Transformer와 유사한 종단 간 기능을 결합합니다. 모든 Ultralytics 작업(탐지, 인스턴스 및 시맨틱 분할, 깊이 추정, 분류, 포즈 추정, OBB)을 지원하면서 이전 세대보다 더 작고 빠르며 배포하기 쉽습니다.
Ultralytics YOLO11#
YOLO11은 여전히 뛰어난 성능을 제공하는 모델입니다. YOLO11m은 YOLOv8m보다 파라미터를 22% 적게 사용하면서 탐지 정확도는 더 높습니다. 검증된 안정성이 필요하거나 기존 YOLO11 파이프라인을 사용하는 경우에도 완벽하게 지원되며 권장됩니다.
커뮤니티 모델: YOLO12 및 YOLO13에 관한 안내#
커뮤니티 토론이나 저장소에서 YOLO12 또는 YOLO13에 대한 언급을 볼 수 있습니다.
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#
아래의 기술 비교를 살펴보고 백본 선택, 헤드 설계, 손실 함수 등 구체적인 아키텍처 차이를 확인해 보세요. 모델별로 정리되어 있습니다.
YOLO26 대#
YOLO26은 최신 Ultralytics 모델로, NMS 프리 종단 간 탐지, MuSGD 옵티마이저, YOLO11n 대비 최대 43% 빠른 YOLO26n CPU 추론을 제공합니다. 높은 정확도를 유지하면서 엣지 배포에 최적화되어 있습니다.
- YOLO26 대 YOLO11
- YOLO26 대 YOLOv10
- YOLO26 대 YOLOv9
- YOLO26 대 YOLOv8
- YOLO26 대 YOLOv7
- YOLO26 대 YOLOv6-3.0
- YOLO26 대 YOLOv5
- YOLO26 대 PP-YOLOE+
- YOLO26 대 DAMO-YOLO
- YOLO26 대 YOLOX
- YOLO26 대 RT-DETR
- YOLO26 대 EfficientDet
YOLO11 대#
YOLO11은 이전 모델의 성공을 기반으로 개발되었습니다. 특징 추출과 효율성을 높이기 위해 백본 및 넥 아키텍처를 개선했습니다.
- YOLO11 대 YOLO26
- YOLO11 대 YOLOv10
- YOLO11 대 YOLOv9
- YOLO11 대 YOLOv8
- YOLO11 대 YOLOv7
- YOLO11 대 YOLOv6-3.0
- YOLO11 대 YOLOv5
- YOLO11 대 PP-YOLOE+
- YOLO11 대 DAMO-YOLO
- YOLO11 대 YOLOX
- YOLO11 대 RT-DETR
- YOLO11 대 EfficientDet
YOLOv10 대#
칭화대학교에서 개발한 YOLOv10은 NMS 단계를 제거하여 지연 시간의 편차를 줄이는 데 중점을 두며, 연산 오버헤드를 줄이면서도 뛰어난 성능을 제공합니다.
- YOLOv10 대 YOLO26
- YOLOv10 대 YOLO11
- YOLOv10 대 YOLOv9
- YOLOv10 대 YOLOv8
- YOLOv10 대 YOLOv7
- YOLOv10 대 YOLOv6-3.0
- YOLOv10 대 YOLOv5
- YOLOv10 대 PP-YOLOE+
- YOLOv10 대 DAMO-YOLO
- YOLOv10 대 YOLOX
- YOLOv10 대 RT-DETR
- YOLOv10 대 EfficientDet
YOLOv9 대#
YOLOv9은 심층 신경망의 정보 손실 문제를 해결하기 위해 프로그래밍 가능한 그래디언트 정보(PGI)와 일반화된 효율적 계층 집계 네트워크(GELAN)를 도입했습니다.
- YOLOv9 대 YOLO26
- YOLOv9 대 YOLO11
- YOLOv9 대 YOLOv10
- YOLOv9 대 YOLOv8
- YOLOv9 대 YOLOv7
- YOLOv9 대 YOLOv6-3.0
- YOLOv9 대 YOLOv5
- YOLOv9 대 PP-YOLOE+
- YOLOv9 대 DAMO-YOLO
- YOLOv9 대 YOLOX
- YOLOv9 대 RT-DETR
- YOLOv9 대 EfficientDet
YOLOv8 대#
Ultralytics YOLOv8은 여전히 많은 사용자에게 인기 있는 선택입니다. 고급 백본 및 넥과 앵커 프리 분리 헤드를 결합한 아키텍처로 정확도와 속도 간의 뛰어난 균형을 제공합니다.
- YOLOv8 대 YOLO26
- YOLOv8 대 YOLO11
- YOLOv8 대 YOLOv10
- YOLOv8 대 YOLOv9
- YOLOv8 대 YOLOv7
- YOLOv8 대 YOLOv6-3.0
- YOLOv8 대 YOLOv5
- YOLOv8 대 PP-YOLOE+
- YOLOv8 대 DAMO-YOLO
- YOLOv8 대 YOLOX
- YOLOv8 대 RT-DETR
- YOLOv8 대 EfficientDet
YOLOv7 대#
YOLOv7은 추론 비용을 높이지 않으면서 학습 프로세스를 최적화하는 데 중점을 두고 "학습 가능한 공짜 혜택 묶음"과 모델 재매개변수화를 도입했습니다.
- YOLOv7 대 YOLO26
- YOLOv7 대 YOLO11
- YOLOv7 대 YOLOv10
- YOLOv7 대 YOLOv9
- YOLOv7 대 YOLOv8
- YOLOv7 대 YOLOv6-3.0
- YOLOv7 대 YOLOv5
- YOLOv7 대 PP-YOLOE+
- YOLOv7 대 DAMO-YOLO
- YOLOv7 대 YOLOX
- YOLOv7 대 RT-DETR
- YOLOv7 대 EfficientDet
YOLOv6 대#
Meituan의 YOLOv6은 산업용 애플리케이션을 위해 설계되었으며, 양방향 연결(BiC) 모듈과 앵커 보조 학습 전략을 특징으로 합니다.
- YOLOv6-3.0 대 YOLO26
- YOLOv6-3.0 대 YOLO11
- YOLOv6-3.0 대 YOLOv10
- YOLOv6-3.0 대 YOLOv9
- YOLOv6-3.0 대 YOLOv8
- YOLOv6-3.0 대 YOLOv7
- YOLOv6-3.0 대 YOLOv5
- YOLOv6-3.0 대 PP-YOLOE+
- YOLOv6-3.0 대 DAMO-YOLO
- YOLOv6-3.0 대 YOLOX
- YOLOv6-3.0 대 RT-DETR
- YOLOv6-3.0 대 EfficientDet
YOLOv5 대#
Ultralytics YOLOv5은 사용 편의성, 안정성, 속도로 잘 알려져 있습니다. 폭넓은 디바이스 호환성이 필요한 프로젝트에 여전히 신뢰할 수 있는 선택입니다.
- YOLOv5 대 YOLO26
- YOLOv5 대 YOLO11
- YOLOv5 대 YOLOv10
- YOLOv5 대 YOLOv9
- YOLOv5 대 YOLOv8
- YOLOv5 대 YOLOv7
- YOLOv5 대 YOLOv6-3.0
- YOLOv5 대 PP-YOLOE+
- YOLOv5 대 DAMO-YOLO
- YOLOv5 대 YOLOX
- YOLOv5 대 RT-DETR
- YOLOv5 대 EfficientDet
RT-DETR 대#
RT-DETR(실시간 탐지 Transformer)은 CNN 백본과 Transformer 인코더-디코더를 결합하여 실시간 성능과 높은 정확도를 달성하며, 전역 문맥 이해에 탁월합니다.
- RT-DETR 대 YOLO26
- RT-DETR 대 YOLO11
- RT-DETR 대 YOLOv10
- RT-DETR 대 YOLOv9
- RT-DETR 대 YOLOv8
- RT-DETR 대 YOLOv7
- RT-DETR 대 YOLOv6-3.0
- RT-DETR 대 YOLOv5
- RT-DETR 대 PP-YOLOE+
- RT-DETR 대 DAMO-YOLO
- RT-DETR 대 YOLOX
- RT-DETR 대 EfficientDet
PP-YOLOE+ 대#
Baidu가 개발한 PP-YOLOE+는 태스크 정렬 학습(TAL)과 분리형 헤드를 사용해 효율성과 정확도의 균형을 맞춥니다.
- PP-YOLOE+ 대 YOLO26
- PP-YOLOE+ 대 YOLO11
- PP-YOLOE+ 대 YOLOv10
- PP-YOLOE+ 대 YOLOv9
- PP-YOLOE+ 대 YOLOv8
- PP-YOLOE+ 대 YOLOv7
- PP-YOLOE+ 대 YOLOv6-3.0
- PP-YOLOE+ 대 YOLOv5
- PP-YOLOE+ 대 DAMO-YOLO
- PP-YOLOE+ 대 YOLOX
- PP-YOLOE+ 대 RT-DETR
- PP-YOLOE+ 대 EfficientDet
DAMO-YOLO 대#
Alibaba Group의 DAMO-YOLO는 신경망 아키텍처 탐색(NAS)과 효율적인 RepGFPN 넥을 사용하여 지연 시간과 정확도의 균형을 맞춥니다.
- DAMO-YOLO 대 YOLO26
- DAMO-YOLO 대 YOLO11
- DAMO-YOLO 대 YOLOv10
- DAMO-YOLO 대 YOLOv9
- DAMO-YOLO 대 YOLOv8
- DAMO-YOLO 대 YOLOv7
- DAMO-YOLO 대 YOLOv6-3.0
- DAMO-YOLO 대 YOLOv5
- DAMO-YOLO 대 PP-YOLOE+
- DAMO-YOLO 대 YOLOX
- DAMO-YOLO 대 RT-DETR
- DAMO-YOLO 대 EfficientDet
YOLOX 대#
Megvii가 개발한 YOLOX는 앵커가 필요 없는 모델로, 분리형 헤드와 SimOTA 레이블 할당 전략으로 잘 알려져 있습니다.
- YOLOX 대 YOLO26
- YOLOX 대 YOLO11
- YOLOX 대 YOLOv10
- YOLOX 대 YOLOv9
- YOLOX 대 YOLOv8
- YOLOX 대 YOLOv7
- YOLOX 대 YOLOv6-3.0
- YOLOX 대 YOLOv5
- YOLOX 대 PP-YOLOE+
- YOLOX 대 DAMO-YOLO
- YOLOX 대 RT-DETR
- YOLOX 대 EfficientDet
EfficientDet 대#
Google Brain의 EfficientDet은 복합 스케일링과 BiFPN을 사용해 파라미터 효율성을 최적화하며, 다양한 제약 조건에 맞춰 여러 모델(D0-D7)을 제공합니다.
- EfficientDet 대 YOLO26
- EfficientDet 대 YOLO11
- EfficientDet 대 YOLOv10
- EfficientDet 대 YOLOv9
- EfficientDet 대 YOLOv8
- EfficientDet 대 YOLOv7
- EfficientDet 대 YOLOv6-3.0
- EfficientDet 대 YOLOv5
- EfficientDet 대 PP-YOLOE+
- EfficientDet 대 DAMO-YOLO
- EfficientDet 대 YOLOX
- EfficientDet vs RT-DETR
이 색인은 새 모델이 출시되고 벤치마크가 개선될 때마다 업데이트됩니다. 비공개 라이선스가 필요한 엔터프라이즈 배포에 대해서는 Ultralytics 라이선스 페이지를 참조하세요.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.