Ultralytics YOLO27:

모델 비교#

적절한 neural network architecture를 선택하는 것은 성공적인 computer vision 프로젝트의 초석입니다. 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 주요 architecture 간의 트레이드오프를 분석합니다.

애플리케이션에 edge AI의 밀리초 단위 latency가 필요하든 medical imaging에 요구되는 높은 fidelity의 precision이 필요하든, 이 가이드는 정보에 기반한 선택에 필요한 데이터 중심의 인사이트를 제공합니다. mean Average Precision (mAP), inference speed, parameter efficiency, deployment 용이성을 기준으로 모델을 평가합니다.

대화형 성능 벤치마크#

speed와 accuracy의 관계를 시각화하는 것은 주어진 speed 제약에서 최고의 accuracy를 제공하는 object detection 모델, 즉 "Pareto frontier"를 식별하는 데 필수적입니다. 아래 차트에서는 표준 COCO와 같은 datasets에서의 주요 metrics를 비교합니다.

이 차트는 주요 performance metrics를 시각화하여 다양한 모델 간의 트레이드오프를 빠르게 평가할 수 있도록 합니다. 이러한 metrics를 이해하는 것은 특정 deployment 제약에 부합하는 모델을 선택하는 데 fundamental합니다.

빠른 의사 결정 가이드#

어디서 시작해야 할지 모르시겠습니까? 이 decision tree를 사용하여 hardware 및 performance 요구 사항에 가장 적합한 architecture로 범위를 좁혀 보십시오.

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

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

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

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

    classDef start fill:#4CAF50,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

현재의 흐름: YOLO26과 그 이상#

object detection 분야는 빠르게 변화합니다. 이전 모델이 legacy 지원에 여전히 유효한 반면, 새로운 architecture는 가능한 범위의 한계를 확장하고 있습니다.

Ultralytics YOLO26#

2026년 1월에 출시된 YOLO26은 최신 state-of-the-art 모델이며 모든 신규 프로젝트에 권장되는 출발점입니다. End-to-End NMS-Free Design을 비롯한 획기적인 architecture 혁신을 도입하여 Non-Maximum Suppression 후처리의 필요성을 제거하고, 더 빠르고 예측 가능한 inference time을 제공합니다. YOLO26은 이전 세대와 비교해 CPU에서 최대 43% 더 빠르므로 edge deployment에 이상적입니다.

주요 혁신은 다음과 같습니다.

  • NMS-Free End-to-End: 후처리가 필요 없는 간소화된 deployment
  • DFL Removal: ONNX, TensorRT, CoreML로의 export 간소화
  • MuSGD Optimizer: 안정적인 수렴을 위해 LLM training에서 영감을 얻은 hybrid SGD/Muon optimizer
  • ProgLoss + STAL: small object detection 성능 향상
YOLO26을 선택해야 하는 이유

YOLO26은 CNN efficiency와 transformer와 유사한 end-to-end capabilities를 결합한 Ultralytics engineering의 정점입니다. detection, segmentation, pose estimation, classification, OBB 등 모든 task를 지원하면서도 그 어느 때보다 작고 빠르며 deployment가 간편합니다.

Ultralytics YOLO11#

YOLO11은 YOLOv8에 비해 parameter를 22% 줄이면서 detection accuracy를 향상한 매우 뛰어난 모델로 남아 있습니다. 완전히 지원되며, 검증된 안정성이 필요하거나 기존 YOLO11 pipeline을 보유한 사용자에게 권장됩니다.

커뮤니티 모델: YOLO12 및 YOLO13에 대한 참고 사항#

커뮤니티 토론이나 repository에서 YOLO12 또는 YOLO13에 대한 언급을 접할 수 있습니다.

Production 사용 시 주의 사항

현재 YOLO12 또는 YOLO13을 production 용도로 권장하지 않습니다.

  • YOLO12: attention layer를 사용하므로 training instability, 과도한 memory consumption, 상당히 느린 CPU inference speed가 자주 발생합니다.
  • YOLO13: 벤치마크에 따르면 YOLO11보다 accuracy 향상은 미미한 반면 더 크고 느립니다. 보고된 결과에서는 reproducibility 문제가 나타났습니다.


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

상세 모델 비교#

backbone 선택, head design, loss function 등 구체적인 architecture 차이를 이해하려면 심층 기술 비교를 살펴보십시오. 쉽게 찾아볼 수 있도록 모델별로 구성했습니다.

YOLO26 대#

YOLO26은 NMS-free end-to-end detection, MuSGD optimizer, 최대 43% 더 빠른 CPU inference를 제공하는 최신 Ultralytics 모델입니다. state-of-the-art accuracy를 달성하면서 edge deployment에 최적화되었습니다.

YOLO11 대#

YOLO11은 최첨단 연구를 바탕으로 이전 모델의 성공을 이어갑니다. 더 나은 feature extraction과 최적화된 efficiency를 위해 개선된 backbone 및 neck architecture를 적용했습니다.

YOLOv10 대#

Tsinghua University에서 개발한 YOLOv10은 Non-Maximum Suppression (NMS) 단계를 제거하여 latency variance를 줄이는 데 중점을 두며, computational overhead를 줄이면서 state-of-the-art performance를 제공합니다.

YOLOv9 대#

YOLOv9은 deep neural network의 정보 손실 문제를 해결하기 위해 Programmable Gradient Information (PGI)과 Generalized Efficient Layer Aggregation Network (GELAN)을 도입합니다.

YOLOv8 대#

Ultralytics YOLOv8은 고급 backbone 및 neck architecture와 최적의 accuracy-speed tradeoff를 위한 anchor-free split head를 갖춘 매우 인기 있는 선택지입니다.

YOLOv7 대#

YOLOv7은 "학습 가능한 공짜 혜택(trainable bag-of-freebies)"과 모델 재매개변수화를 도입하여 추론 비용을 늘리지 않고 학습 프로세스를 최적화하는 데 중점을 둡니다.

YOLOv6 대#

Meituan의 YOLOv6은 산업용 애플리케이션을 위해 설계되었으며, 양방향 연결(BiC) 모듈과 앵커 보조 학습 전략을 특징으로 합니다.

YOLOv5 대#

Ultralytics YOLOv5은 사용 편의성, 안정성, 속도로 호평받고 있습니다. 폭넓은 디바이스 호환성이 필요한 프로젝트에서 여전히 강력한 선택지입니다.

RT-DETR 대#

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

PP-YOLOE+ 대#

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

DAMO-YOLO 대#

Alibaba Group이 개발한 DAMO-YOLO는 신경망 아키텍처 검색(NAS)과 효율적인 RepGFPN을 활용하여 정적 벤치마크에서 정확도를 극대화합니다.

YOLOX 대#

Megvii가 개발한 YOLOX는 분리형 헤드와 SimOTA 레이블 할당 전략으로 알려진 앵커 프리 방식의 발전된 모델입니다.

EfficientDet 대#

Google Brain의 EfficientDet은 복합 스케일링과 BiFPN을 사용하여 파라미터 효율성을 최적화하며, 다양한 제약 조건에 맞는 D0-D7 모델군을 제공합니다.

새로운 모델이 출시되고 벤치마크가 개선됨에 따라 이 색인은 지속적으로 업데이트됩니다. 다음 컴퓨터 비전 프로젝트에 가장 적합한 모델을 찾을 수 있도록 이러한 리소스를 살펴보시기 바랍니다. 비공개 라이선스를 제공하는 엔터프라이즈급 솔루션을 찾고 계시다면 라이선싱 페이지를 방문해 주세요. 즐겁게 비교해 보시기 바랍니다!

기여자
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

댓글