YOLO11 YOLO: 차세대 객체 탐지기 비교
최적의 아키텍처 선택은 모든 컴퓨터 비전 프로젝트에서 중요한 단계입니다. 본 기술 가이드에서는 두 가지 강력한 객체 탐지 모델 간의 포괄적인 비교를 제공합니다: Ultralytics YOLO11 및 YOLO. 우리는 각 모델의 아키텍처 혁신, 훈련 패러다임, 실제 적용 가능성을 심층적으로 분석하여 배포 요구사항에 가장 적합한 도구를 선택하는 데 도움을 드릴 것입니다.
모델 개요
Ultralytics YOLO11
Ultralytics 팀이 개발한 YOLO11 는 정확도와 효율성을 모두 극대화한 YOLO 정교한 진화형 모델입니다. 데이터셋 관리부터 엣지 배포까지 아우르는 통합된 생산 환경을 원하는 연구자와 엔지니어를 위해 설계되었습니다.
- 저자: 글렌 조커와 징 치우
- 조직:Ultralytics
- 날짜:27
- GitHub:https://github.com/ultralytics/ultralytics
- Docs:https://docs.ultralytics.com/models/yolo11/
YOLO11 다재다능함으로 YOLO11 . 많은 기존 모델들이 경계 상자에만 집중하는 반면, YOLO11 객체 탐지, 인스턴스 분할, 이미지 분류, 자세 추정 기능을 YOLO11 지원합니다. 이러한 다중 모드 기능 덕분에 개발자들은 단일하고 잘 관리되는 프레임워크 아래에서 비전 AI 파이프라인을 통합할 수 있습니다.
DAMO-YOLO
YOLO 알리바바 그룹 연구진이 개발한 모델입니다. 신경망 구조 탐색(NAS) 기술을 활용하여 GPU 및 기타 가속기에서 실시간 추론을 위해 최적화된 고효율 백본을 발견합니다.
- 작성자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 조직:조직: 알리바바 그룹
- 날짜:23
- Arxiv:https://arxiv.org/abs/2211.15444v2
- GitHub:https://github.com/tinyvision/DAMO-YOLO
- Docs:https://github.com/tinyvision/DAMO-YOLO/blob/master/README.md
YOLO 핵심 철학은 반복 매개변수화(rep-parameterization)와 자동화된 검색(automated search)을 중심으로YOLO . 저자들은 MAE-NAS(다중 목표 진화 신경망 구조 검색)를 활용하여 특수 하드웨어에서 추론 속도를 크게 향상시키는 맞춤형 백본을 설계했습니다. 또한 지연 시간을 최소화하기 위해 고도로 최적화된 목 구조인 Efficient RepGFPN과 단순화된 ZeroHead 구조를 통합했습니다.
고려할 다른 모델
YOLO11 YOLO 비교할 때, 최신 Ultralytics 살펴보는 것도 고려해 보세요. 이 모델은 기본적으로 엔드투엔드 NMS 추론을 도입하여 CPU 최대 43%까지 향상시킵니다. YOLOX 또는 YOLOv8를 포함한 비교도 살펴볼 수 있습니다.
성능 및 아키텍처 비교
엣지 AI 애플리케이션을 배포할 때 성능 상의 절충점을 이해하는 것이 매우 중요합니다. 아래 표는 평균 정밀도(mAP), 지연 시간, 계산 규모와 같은 주요 지표를 요약합니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
심층적인 아키텍처 분석
YOLO11 매우 효율적인 맞춤형 백본을 기반으로 하여 매개변수 수와 표현 능력을 완벽하게 균형 잡았습니다. 다양한 하드웨어에서 원활하게 작동하도록 최적화되었으며, 훈련 및 추론 시 최소한의 CUDA 사용량으로 뛰어난 성능을 발휘합니다. 이는 일반 소비자용 하드웨어나 자원이 제한된 IoT 기기에 탁월한 선택지입니다.
반대로, YOLO MAE-NAS 기반 백본은 고처리량 GPU 최적화되어 있습니다. 효율적인 RepGFPN(일반화된 피라미드 특징 네트워크)은 다중 스케일을 적극적으로 통합합니다. 그러나 반복 매개변수화는 추론을 가속화하지만, 하드웨어 스택이 이러한 연산을 명시적으로 잘 지원하지 않을 경우 배포 과정을 복잡하게 만들 수 있습니다.
사용성 및 교육 효율성
개발 시간을 고려할 때 모델의 사용 편의성은 순수 벤치마크 점수만큼 중요해진다.
YOLO11 개발자 접근성 원칙을 중점으로 구축되었습니다. 포괄적인 ultralytics 패키지는 데이터셋 파싱, 증강 및 하이퍼파라미터 튜닝과 같은 복잡한 작업을 추상화합니다. 모델을 다음과 같은 프로덕션 형식으로 내보내는 기능도 제공합니다: ONNX, TensorRT및 OpenVINO 단 하나의 명령만 필요합니다.
from ultralytics import YOLO
# Initialize YOLO11 object detection model
model = YOLO("yolo11s.pt")
# Train the model with mixed precision on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export the trained model to TensorRT for edge deployment
model.export(format="engine", device=0)
YOLO 학술 및 연구 중심의 배경에서 비롯되어 학습 곡선이 가파릅니다. 최고 정확도를 달성하려면 복잡한 지식 증류 파이프라인이 필요한 경우가 많습니다. 즉, 먼저 거대한 '교사' 네트워크를 훈련시킨 후 그 지식을 더 작은 '학생' 네트워크로 전달해야 합니다. 이는 Ultralytics 간결한 훈련 루프에 비해 필요한 GPU 오버헤드와 전체 훈련 기간을 크게 증가시킵니다.
사용 사례 및 권장 사항
YOLO11 YOLO 사이의 선택은 특정 프로젝트 요구사항, 배포 제약 조건 및 생태계 선호도에 따라YOLO .
YOLO11 선택해야 할 때
YOLO11 다음에 대한 강력한 YOLO11 :
- 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 .
YOLO 선택해야 할 때
YOLO 다음에 권장YOLO :
- 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.
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.
실제 적용 사례 및 사용 사례
자율 시스템 및 드론
항공 촬영 및 무인 항공기(UAV) 배치에 관하여, YOLO11 은 매우 유리한 성능 균형을 제공합니다. 소형 물체 탐지는 드론 분석에서 큰 장애물이지만, YOLO11 다양한 규모를 기본적으로 즉시 YOLO11 . 또한 낮은 메모리 요구 사항 덕분에 YOLO11 및 Small 변형은 드론에 장착된 경량 에지 CPU 또는 NPU에서 직접 실행될 수 있습니다.
산업 자동화 및 품질 관리
스마트 공장에서는 지연 시간이 가장 중요합니다. YOLO RepGFPN 목 구조 덕분에 고성능 서버급 GPU에서 강력한 추론 속도를 제공하지만, 경직된 통합 방식은 과잉 설계일 수 있습니다. YOLO11 단순한 추적 API와 결함의 각도 경계 인식이 필요한 경우 순수 탐지에서 방향성 바운딩 박스(OBB) 작업으로 원활하게 전환할 수 있는 능력 덕분에 자동화된 품질 관리에 YOLO11 더 우수한 대안으로 작용합니다.
스마트 헬스케어 및 의료 영상
의료 영상 데이터셋은 상대적으로 규모가 작은 경우가 많으며, 과적합을 피하는 것이 어렵습니다. Ultralytics 잘 관리된 생태계가 제공하는 표준 전이 학습 파이프라인과 결합된 능동적 증강 기법은 임상의와 개발자가 정확한 종양 탐지 모델을 안정적으로 배포하는 데 도움을 줍니다. 방대한 커뮤니티 지원은 의료와 같은 복잡한 분야의 문제들이 신속히 해결되도록 보장합니다.
YOLO26과 함께 미래를 맞이하다
새로운 애플리케이션을 처음부터 구축 중이라면 YOLO26을 고려해 보세요. 2026년 초에 출시된 이 모델은 MuSGD 최적화기와 ProgLoss 함수를 활용하여 아주 작은 물체에 대한 탁월한 정확도를 제공하며, 기본적으로 NMS 엔드투엔드 파이프라인을 제공합니다!
궁극적으로,YOLO 신경망 구조 탐색(Neural Architecture Search)의 강력한 사례임에도 불구하고, YOLO11 과 확장된 Ultralytics 신속한 배포, 개발자 편의성, 최상위 다중 모달 성능을 최우선으로 하는 실제 컴퓨터 비전 작업에 대한 결정적인 권장 사항으로 남아 있습니다.