Meet YOLO26: next-gen vision AI.

Link to this section모델 비교: 프로젝트에 가장 적합한 객체 탐지 모델 선택#

올바른 신경망 아키텍처를 선택하는 것은 성공적인 컴퓨터 비전 프로젝트의 초석입니다. Ultralytics 모델 비교 허브에 오신 것을 환영합니다! 이 페이지에서는 최신 Ultralytics YOLO26과 YOLO11, YOLOv10, RT-DETR, EfficientDet과 같은 주요 아키텍처 간의 장단점을 분석한 상세한 기술적 분석 및 성능 벤치마크를 제공합니다.

애플리케이션에 엣지 AI의 밀리초 단위 지연 시간이 필요하든, 의료 영상에 필요한 고충실도 정밀도가 필요하든, 이 가이드는 정보에 입각한 선택을 하는 데 필요한 데이터 기반 통찰력을 제공합니다. 저희는 평균 정밀도(mAP), 추론 속도, 파라미터 효율성 및 배포 용이성을 기준으로 모델을 평가합니다.

Link to this section대화형 성능 벤치마크#

속도와 정확도 간의 관계를 시각화하는 것은 객체 탐지의 "파레토 프런티어(Pareto frontier)", 즉 특정 속도 제약 조건 내에서 최상의 정확도를 제공하는 모델을 식별하는 데 필수적입니다. 아래 차트는 표준 COCO와 같은 데이터셋에서의 주요 지표를 비교합니다.

이 차트는 다양한 모델 간의 장단점을 빠르게 평가할 수 있도록 주요 성능 지표를 시각화합니다. 이러한 지표를 이해하는 것은 특정 배포 제약 사항에 부합하는 모델을 선택하는 데 기본이 됩니다.

Link to this section빠른 의사 결정 가이드#

어디서부터 시작해야 할지 확실하지 않으신가요? 이 의사 결정 트리를 사용하여 하드웨어 및 성능 요구 사항에 가장 적합한 아키텍처를 찾아보십시오.

graph TD
    A[Start: Define Project Needs] --> B{Deployment Hardware?}
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}

    C -- "Extreme Speed (Real-time)" --> E[YOLO26n / YOLO26s]
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]

    A --> I{Specialized Features?}
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]
    I -- "Video Analytics" --> L[YOLO26 + Tracking]

Link to this section현재 상황: YOLO26 및 그 이후#

객체 탐지 분야는 빠르게 발전하고 있습니다. 이전 모델들은 레거시 지원을 위해 여전히 관련성이 있지만, 새로운 아키텍처는 가능성의 경계를 확장하고 있습니다.

Link to this sectionUltralytics YOLO26#

2026년 1월에 출시된 YOLO26은 최신 최첨단(SOTA) 모델이며 모든 신규 프로젝트를 위한 권장 시작점입니다. 이 모델은 비최대 억제(NMS) 후처리의 필요성을 제거하여 더 빠르고 예측 가능한 추론 시간을 제공하는 혁신적인 NMS-Free End-to-End 설계를 도입했습니다. YOLO26은 이전 세대 대비 CPU에서 최대 43% 더 빠르며, 엣지 배포에 이상적입니다.

주요 혁신 사항은 다음과 같습니다:

  • NMS-Free End-to-End: 후처리가 필요 없는 간소화된 배포
  • DFL 제거: ONNX, TensorRT 및 CoreML로의 간소화된 내보내기
  • MuSGD 옵티마이저: LLM 학습에서 영감을 받은 안정적인 수렴을 위한 하이브리드 SGD/Muon 옵티마이저
  • ProgLoss + STAL: 향상된 소형 객체 탐지 성능
왜 YOLO26을 선택해야 합니까?

YOLO26은 CNN의 효율성과 트랜스포머와 같은 엔드 투 엔드 기능을 결합한 Ultralytics 엔지니어링의 정점입니다. 탐지, 세그멘테이션, 포즈 추정, 분류 및 OBB 등 모든 작업을 지원하면서도 이전보다 더 작고 빠르며 배포하기 쉽습니다.

Link to this sectionUltralytics YOLO11#

YOLO11은 YOLOv8 대비 파라미터를 22% 줄이면서도 탐지 정확도를 향상시킨 매우 유능한 모델입니다. 검증된 안정성이 필요하거나 기존 YOLO11 파이프라인을 보유한 사용자에게 완전히 지원되며 권장됩니다.

Link to this section커뮤니티 모델: YOLO12 및 YOLO13에 대한 참고 사항#

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

프로덕션 주의 사항

저희는 현재 프로덕션 환경에서 YOLO12 또는 YOLO13 사용을 권장하지 않습니다.

  • YOLO12: 종종 학습 불안정성, 과도한 메모리 소비 및 훨씬 느린 CPU 추론 속도를 유발하는 어텐션 레이어를 사용합니다.
  • YOLO13: 벤치마크 결과 YOLO11 대비 정확도 향상이 미미하며, 모델 크기가 더 크고 속도는 더 느린 것으로 나타났습니다. 보고된 결과에서 재현성 문제가 확인되었습니다.


Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

Link to this section상세 모델 비교#

백본 선택, 헤드 설계 및 손실 함수와 같은 특정 아키텍처 차이점을 이해하기 위해 심층 기술 비교를 살펴보십시오. 쉽게 액세스할 수 있도록 모델별로 정리했습니다:

Link to this sectionYOLO26 대#

YOLO26은 NMS-free 엔드 투 엔드 탐지, MuSGD 옵티마이저를 특징으로 하며 최대 43% 더 빠른 CPU 추론을 제공하는 최신 Ultralytics 모델입니다. 최첨단 정확도를 유지하면서 엣지 배포에 최적화되었습니다.

Link to this sectionYOLO11 대#

YOLO11은 최첨단 연구를 통해 전작의 성공을 기반으로 합니다. 더 나은 특징 추출과 최적화된 효율성을 위해 개선된 백본 및 넥(neck) 아키텍처를 특징으로 합니다.

Link to this sectionYOLOv10 대#

칭화대학교에서 개발한 YOLOv10은 지연 시간 변동을 줄이기 위해 비최대 억제(NMS) 단계를 제거하는 데 중점을 두었으며, 계산 오버헤드를 줄이면서 최첨단 성능을 제공합니다.

Link to this sectionYOLOv9 대#

YOLOv9은 딥 신경망에서의 정보 손실 문제를 해결하기 위해 PGI(Programmable Gradient Information)와 GELAN(Generalized Efficient Layer Aggregation Network)을 도입했습니다.

Link to this sectionYOLOv8 대#

Ultralytics YOLOv8은 고급 백본 및 넥 아키텍처와 최적의 정확도-속도 균형을 위한 앵커 프리(anchor-free) 분할 헤드를 갖추고 있어 여전히 매우 인기 있는 선택입니다.

Link to this sectionYOLOv7 대#

YOLOv7은 "trainable bag-of-freebies"와 모델 재매개변수화(re-parameterization)를 도입하여, 추론 비용을 증가시키지 않으면서 학습 과정을 최적화하는 데 중점을 두었습니다.

Link to this sectionYOLOv6 vs#

Meituan의 YOLOv6는 산업용 애플리케이션을 위해 설계되었으며, Bi-directional Concatenation(BiC) 모듈과 앵커 기반 학습 전략을 특징으로 합니다.

Link to this sectionYOLOv5 vs#

Ultralytics YOLOv5는 사용 편의성, 안정성, 속도 면에서 높은 평가를 받습니다. 이는 광범위한 장치 호환성이 필요한 프로젝트를 위한 강력한 선택지입니다.

Link to this sectionRT-DETR vs#

RT-DETR(Real-Time Detection Transformer)은 vision transformer를 활용하여 실시간 성능과 함께 높은 정확도를 달성하며, 전역 컨텍스트 이해에 탁월합니다.

Link to this sectionPP-YOLOE+ vs#

Baidu에서 개발한 PP-YOLOE+는 Task Alignment Learning(TAL)과 decoupled head를 사용하여 효율성과 정확도의 균형을 맞춥니다.

Link to this sectionDAMO-YOLO vs#

Alibaba Group에서 개발한 DAMO-YOLO는 Neural Architecture Search(NAS)와 효율적인 RepGFPN을 활용하여 정적 벤치마크에서 정확도를 극대화합니다.

Link to this sectionYOLOX vs#

Megvii에서 개발한 YOLOX는 decoupled head와 SimOTA 라벨 할당 전략으로 알려진 앵커 프리(anchor-free) 진화 모델입니다.

Link to this sectionEfficientDet vs#

Google Brain의 EfficientDet은 복합 스케일링(compound scaling)과 BiFPN을 사용하여 파라미터 효율성을 최적화하며, 다양한 제약 조건에 맞는 모델 범위(D0-D7)를 제공합니다.

이 색인은 새로운 모델이 출시되고 벤치마크가 개선됨에 따라 지속적으로 업데이트됩니다. 차기 컴퓨터 비전 프로젝트에 가장 적합한 모델을 찾기 위해 이 리소스를 활용해 보시기 바랍니다. 개인 라이선스가 포함된 엔터프라이즈급 솔루션을 찾고 계시다면 라이선스 페이지를 방문해 주십시오. 즐거운 비교 분석 되시길 바랍니다!

기여자
GLglenn-jocher11PDpderrenger1RIRizwanMunawar1

댓글