YOLO YOLO11: 포괄적인 기술 비교
차세대 컴퓨터 비전 프로젝트를 위한 실시간 객체 탐지 아키텍처를 선택할 때, 주요 모델 간 미묘한 차이를 이해하는 것이 매우 중요합니다. 본 종합 가이드에서는YOLO Ultralytics YOLO11 비교 분석하여 두 모델의 아키텍처, 성능 지표, 훈련 방법론 및 이상적인 실제 적용 시나리오를 심층적으로 기술합니다.
YOLO :
저자: 쑤셴저(Xianzhe Xu), 장이치(Yiqi Jiang), 천웨이화(Weihua Chen), 황이룬(Yilun Huang), 장위안(Yuan Zhang), 쑨시위(Xiuyu Sun)
기관: 알리바바 그룹
날짜: 2022-11-23
Arxiv: 2211.15444v2
GitHub: YOLO
문서: YOLO
YOLO11 :
저자: Glenn Jocher 및 Jing Qiu
소속 기관: Ultralytics
날짜: 2024-09-27
GitHub: ultralytics
문서: YOLO11
건축 설계 철학
객체 탐지 모델의 기본 아키텍처는 다양한 하드웨어 환경에서 추론 속도, 정확도 및 적응성을 결정한다.
YOLO 신경망 구조 탐색(NAS)에 크게 의존하여 백본을 자동 설계하는 등 여러 학술적 혁신을 도입합니다. 효율적인 RepGFPN(재매개변수화 일반화 피라미드 특징 네트워크)을 활용해 특징 융합을 강화하고, 기존 아키텍처에서 흔히 발견되는 무거운 예측 헤드를 대폭 축소하는 ZeroHead 설계를 적용합니다. 이러한 NAS 기반 접근법은 특정 GPU에서YOLO 효율성을YOLO , 결과적으로 생성된 아키텍처는 다양한 에지 디바이스에 원활하게 일반화하는 데 필요한 유연성을 갖추지 못할 수 있습니다.
반면, YOLO11 수년간의 기초 연구를 바탕으로 고도로 최적화된 수작업 아키텍처를 제공합니다. 간소화된 백본과 중복 계산을 줄이는 고효율 넥에 중점을 둡니다. YOLO11 주요 장점 중 하나는 정교한 매개변수 YOLO11 RT-DETR과 같은 트랜스포머 기반 모델에서 YOLO11 볼 수 있는 무거운 VRAM 요구 사항 없이 높은 특징 표현력을 달성합니다. 이로 인해 YOLO11 소비자용 GPU, 모바일 기기, 전용 엣지 가속기 등 다양한 환경에서 원활하게 실행될 수 있는 YOLO11 다용도성을 지닙니다.
성과 및 지표
성능 평가에는 단순한 정확도 이상의 요소를 고려해야 하며, 속도, 모델 크기, 그리고 계산 부하(FLOPs) 간의 균형을 종합적으로 검토해야 합니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
표에서 알 수 있듯이, YOLO11 매우 우수한 성능 균형을 YOLO11 . YOLO11s 예를 들어, 변종은 DAMO-YOLOs 정확도를 유지하면서도 훨씬 더 작은 매개변수 크기를 구현합니다. 이로 인한 메모리 요구량 감소는 직접적으로 배포 비용 절감과 에지 디바이스에서의 더 민첩한 성능으로 이어집니다.
학습 방법론 및 사용성
훈련 파이프라인은 개발자들이 대부분의 시간을 보내는 곳으로, 훈련 효율성은 가장 중요한 관심사입니다.
YOLO 지식 증류에 크게 의존하는 다단계 훈련 과정을YOLO . 라벨 할당을 위해 AlignedOTA(최적 수송 할당)를 활용하며, 종종 더 큰 "교사" 모델을 훈련시켜 지식을 더 작은 "학생" 모델로 증류해야 합니다. 이 방법론은 최적의 수렴을 달성하는 데 필요한 CUDA 사용량과 전체 계산 시간을 크게 증가시킵니다.
반대로, Ultralytics 모델 훈련의 복잡성을 추상화합니다. YOLO11 탁월한 사용 편의성을 위해 YOLO11 , 간소화된 Python 포괄적인 CLI 통해 엔지니어가 단일 명령어로 맞춤형 데이터셋에 대한 훈련을 시작할 수 있습니다. 훈련 파이프라인은 본질적으로 자원 효율적이며 메모리 급증을 최소화하여 표준 하드웨어에서도 더 큰 모델을 훈련할 수 있습니다.
Ultralytics를 통한 효율적인 교육
Ultralytics 훈련에는 일체 보일러플레이트 코드가 필요하지 않습니다. 내장된 데이터 로딩, 증강 및 손실 계산 파이프라인은 기본적으로 완전히 최적화되어 제공됩니다.
Ultralytics 훈련하고 배포하는 것이 얼마나 간단한지 보여주는 간단한 예시입니다:
from ultralytics import YOLO
# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model effortlessly on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Export the trained model to ONNX for seamless deployment
model.export(format="onnx")
실생활 적용 사례와 다용도성
이러한 아키텍처 간의 선택은 종종 배포 환경에서 요구되는 작업의 범위에 달려 있습니다.
YOLO 분야
YOLO 순수한 객체 탐지YOLO . 연구팀이 재현 가능한 매개변수화(rep-parameterization)를 탐구하거나 특정 신경망 구조 탐색(NAS) 실험을 재현하는 학술 연구 환경에서 탁월한 성능을 발휘합니다. 또한 NAS로 생성된 백본과 완벽하게 일치하는 특정 GPU 사용되는 엄격히 제한된 산업 환경에도 배포될 수 있습니다.
Ultralytics 이점
Ultralytics ( YOLO11 포함)은 탁월한 다용도성과 잘 관리된 생태계 덕분에 실제 상업적 응용 분야에서 두각을 나타냅니다.YOLO 달리 Ultralytics 기본적으로 다중 모달 작업을 지원합니다. 의료 영상의 인스턴스 분할부터 스포츠 생체역학 분석을 위한 자세 추정까지, 단일 통합 코드베이스로 모든 작업을 처리합니다.
YOLO11 활용하는 산업 분야는 YOLO11 :
- 스마트 농업: 물체 감지 기술을 활용하여 작물 건강 상태를 모니터링하고 수확 기계를 자동화합니다.
- 소매 분석: 고객 동선 분석 및 재고 관리 자동화를 위한 스마트 감시 시스템 구현.
- 물류 및 공급망: 고속 컨베이어 벨트 상에서 방향성 경계 상자(OBB)를 활용한 고속 바코드 및 패키지 감지.
사용 사례 및 권장 사항
YOLO YOLO11 사이의 선택은 특정 프로젝트 요구사항, 배포 제약 조건 및 생태계 선호도에 따라 YOLO11 .
YOLO 선택해야 할 때
YOLO 다음과 같은 경우에 탁월한YOLO :
- 고처리량 비디오 분석: 고정된 NVIDIA GPU 높은 FPS의 비디오 스트림을 처리하며, 배치 1 처리량이 주요 지표입니다.
- 산업용 제조 라인: 전용 하드웨어에서 엄격한 GPU 제약이 적용되는 시나리오, 예를 들어 조립 라인에서의 실시간 품질 검사.
- 신경망 구조 탐색 연구: 자동화된 구조 탐색(MAE-NAS)과 효율적인 재매개변수화 백본이 탐지 성능에 미치는 영향 연구.
YOLO11 선택해야 할 때
YOLO11 다음에 권장YOLO11 :
- 생산 환경 배포: 라즈베리 파이(Raspberry Pi )나 NVIDIA (NVIDIA NVIDIA )과 같은 장치에서 신뢰성과 능동적 유지보수가 최우선인 상용 애플리케이션.
- 다중 작업 비전 애플리케이션: 단일 통합 프레임워크 내에서 탐지, 분할, 자세 추정 및 OBB(외부 경계 박스)가 필요한 프로젝트.
- 신속한 프로토타이핑 및 배포: 데이터 수집에서 생산 단계까지 신속하게 진행해야 하는 팀을 위한 간소화된 Ultralytics Python .
Ultralytics YOLO26)를 선택해야 할 때
대부분의 신규 프로젝트에 대해 Ultralytics 성능과 개발자 경험의 최적 조합을 제공합니다:
- NMS 에지 배포: 복잡한 비최대 억제(NMS) 후처리 없이도 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
- CPU 전용 환경: 전용 GPU 없는 장치에서, YOLO26의 최대 43% 빠른 CPU 성능이 결정적인 이점을 제공합니다.
- 소형 물체 탐지: 항공 드론 영상이나 IoT 센서 분석과 같은 까다로운 시나리오에서 ProgLoss와 STAL이 미세한 물체의 정확도를 크게 향상시킵니다.
차세대: YOLO26 소개
YOLO11 강력하고 신뢰할 수 있는 선택지이지만, 컴퓨터 비전 분야는 빠르게 변화하고 있습니다. 새로운 프로젝트를 시작하는 개발자들에게는 최신 기술인 YOLO26 모델이 새로운 최첨단 기술을 대표합니다.
2026년 1월 출시된 YOLO26은 다음과 같은 획기적인 발전을 선보입니다:
- 엔드투엔드 NMS 설계: 비최대 억제(NMS) 후처리 과정을 제거함으로써 YOLO26은 더 빠르고 결정론적인 추론 시간을 보장하며 배포 파이프라인을 획기적으로 단순화합니다.
- 최대 43% 빠른 CPU : 분포 초점 손실(DFL) 제거를 통해, 본 모델은 전용 GPU가 없는 에지 및 저전력 장치에 특히 적합합니다.
- MuSGD 최적화기: 대규모 언어 모델(LLM) 훈련 혁신(Moonshot AI에서 영감을 얻음)을 통합한 이 하이브리드 최적화기는 훈련 중 안정적이고 신속한 수렴을 보장합니다.
- 고급 손실 함수: ProgLoss + STAL을 활용하여 YOLO26은 항공 촬영 및 로봇 공학에 중요한 소형 물체 인식에서 탁월한 개선을 보여줍니다.
결론
YOLO YOLO11 모두 빠르고 정확한 컴퓨터 비전 발전에 크게 YOLO11 .YOLO 아키텍처 탐색 및 정제 기술에 대한 흥미로운 학술적 통찰을YOLO 반면, Ultralytics YOLO11 그리고 획기적인 YOLO26)은 우수한 개발자 경험을 제공합니다.
낮은 메모리 요구사항, 방대한 문서화, 멀티태스킹 기능, 그리고 강력한 Ultralytics 통합을 바탕으로, Ultralytics 견고하고 확장 가능한 AI 솔루션을 구축하려는 연구자 및 기업 엔지니어에게 여전히 최우선 추천 솔루션입니다. 다른 고급 아키텍처를 탐색하는 경우, YOLO26과 RT-DETR 비교하면 트랜스포머 기반 대안에 대한 추가적인 통찰력을 얻을 수 있습니다.