YOLO11 YOLO26: 실시간 비전 AI의 진화
컴퓨터 비전 분야는 급속히 발전하고 있으며, Ultralytics 최첨단 객체 탐지 모델로 Ultralytics 선도하고 있습니다. 본 비교 분석은 YOLO11과 2026년 1월 출시된 획기적인 YOLO26의 아키텍처 진화, 성능 지표, 실제 적용 사례를 살펴봅니다. 두 모델 모두 출시 당시 비전 AI의 정점을 보여주지만, YOLO26은 에지 배포를 위한 효율성과 속도를 재정의하는 중대한 아키텍처 변화를 도입했습니다.
모델 개요
YOLO11
저자: 글렌 조커(Glenn Jocher)와 징 치우(Jing Qiu)
소속:Ultralytics
날짜: 2024-09-27
GitHub:Ultralytics
문서:YOLO11
YOLO11 YOLO 시리즈의 상당한 개선을 YOLO11 , YOLOv8 보다 22% 적은 매개변수를 사용하면서도 탐지 정확도를 향상시켰습니다. 속도와 정밀도의 균형을 맞춘 향상된 아키텍처 설계를 도입하여, 객체 탐지에서 인스턴스 분할에 이르기까지 다양한 컴퓨터 비전 작업에 신뢰할 수 있는 선택지가 되었습니다.
YOLO26
저자: 글렌 조커(Glenn Jocher)와 징 치우(Jing Qiu)
소속:Ultralytics
날짜: 2026-01-14
GitHub:Ultralytics
문서:YOLO26 문서
YOLO26은 본질적으로 엔드투엔드 NMS 설계로 패러다임 전환을 이루었으며, 비최대 억제 후처리 과정이 필요하지 않습니다. 이 혁신은 최초로 YOLOv10에서 최초로 선보인 이 혁신은 배포 파이프라인을 크게 간소화하고 지연 시간을 줄입니다. YOLO26은 특히 엣지 컴퓨팅에 최적화되어 CPU 속도를 최대 43%까지 향상시키며, LLM 훈련 혁신에서 영감을 받은 SGD Muon)의 하이브리드 방식인 MuSGD 최적화기같은 새로운 훈련 기법을 도입했습니다.
종단 간 지연 시간 이점
NMS 제거함으로써 YOLO26은 장면에서 탐지된 객체 수와 무관하게 일관된 추론 시간을 제공합니다. 이는 후처리 작업으로 인한 지연이 위험한 결과를 초래할 수 있는 자율주행과 같은 실시간 애플리케이션에 매우 중요합니다.
성능 비교
아래 표는 YOLO26이 YOLO11 대비 성능 향상된 부분을 보여줍니다. 특히 CPU 상당한 개선이 이루어져, 라즈베리 파이(Raspberry Pi)나 휴대폰과 같이 전용 GPU가 없는 장치에서도 YOLO26이 탁월한 성능을 발휘할 수 있음을 알 수 있습니다.
| 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
심층적인 아키텍처 분석
YOLO11
YOLO11 CSPNet 백본 개념을 YOLO11 더 세밀한 특징을 포착하기 위해 특징 추출 계층을 개선했습니다. 표준 앵커 프리 탐지 헤드를 활용하고 경계 상자 회귀를 정교화하기 위해 분포 초점 손실(DFL)에 의존했습니다. 매우 효과적이었지만 NMS 대한 의존으로 NMS 추론 속도가 장면 밀도에 따라 변동될 수 있었으며, 이는 스마트 시티 감시에서 흔히 발생하는 병목 현상이었습니다.
YOLO26 아키텍처
YOLO26은 효율성과 안정성을 위해 설계된 몇 가지 근본적인 변화를 도입합니다:
- NMS 종단 간: 모델은 훈련 과정에서 일대일 대응을 통해 고정된 경계 상자 집합을 예측하여 추론 시 경험적 NMS 제거합니다.
- DFL 제거: 배포 초점 손실(Distribution Focal Loss)이 제거되어 다음과 같은 형식으로의 내보내기 프로세스가 간소화되었습니다. ONNX 및 TensorRT과 같은 형식으로의 내보내기 과정을 간소화하고 저전력 에지 장치와의 호환성을 향상시키기 위해 제거되었습니다.
- MuSGD 최적화기: Moonshot AI의 Kimi K2 및 대규모 언어 모델(LLM) 훈련에서 영감을 받아 개발된 이 하이브리드 최적화기는 SGD Muon) SGD 결합하여 더 빠른 수렴과 안정적인 훈련 실행을 보장하며, 대규모 비전 훈련에서 흔히 발생하는 "손실 급증" 현상을 줄입니다.
- ProgLoss + STAL: 소형 물체 인식에 특화된 새로운 손실 함수(Progressive Loss 및 Soft-Target Assignment Loss)로 항공 이미지 분석 및 IoT 센서 성능을 획기적으로 향상시킵니다.
작업의 다양성
두 모델 모두 Ultralytics 내에서 다양한 작업을 지원하여 개발자가 파이프라인을 재작성하지 않고도 모델을 전환할 수 있도록 합니다.
- 탐지: 표준 바운딩 박스 탐지.
- 분할: 픽셀 단위 마스크. YOLO26은 향상된 마스크 품질을 위해 특정 의미론적 분할 손실과 다중 스케일 프로토를 추가합니다.
- 분류: 전체 이미지 분류.
- 자세 추정: 키포인트 탐지. YOLO26은 복잡한 자세에서 높은 정밀도를 위해 잔차 로그 가능도 추정(RLE)을 활용하며, 이는 스포츠 분석에 유용합니다.
- OBB(방향성 경계 상자): 항공 또는 각도 물체를 위한 회전된 상자. YOLO26은 위성 영상에서 흔히 발생하는 경계 불연속성 문제를 해결하기 위해 특수한 각도 손실 함수를 특징으로 합니다.
훈련 및 사용법
Ultralytics 특징 중 하나는 통합 API입니다. YOLO11 YOLO26으로 YOLO11 코드는 거의 동일하게 유지되어 기술적 부채를 최소화합니다.
Python 예제
다음은 YOLO11 사용된 것과 동일한 익숙한 인터페이스를 사용하여 새로운 YOLO26 모델을 훈련하는 방법입니다. 이 예시는 테스트에 완벽한 소규모 8개 이미지 데이터셋인 COCO8 대한 훈련을 보여줍니다.
from ultralytics import YOLO
# Load the latest YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model
# The MuSGD optimizer is handled automatically internally for YOLO26 models
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="cpu", # Use '0' for GPU
)
# Run inference
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()
CLI
명령줄 인터페이스 역시 간소화되어 신속한 실험과 모델 벤치마킹이 가능합니다.
# Train YOLO26n on the COCO8 dataset
yolo train model=yolo26n.pt data=coco8.yaml epochs=100 imgsz=640
# Export to ONNX for simplified edge deployment
yolo export model=yolo26n.pt format=onnx
이상적인 사용 사례
YOLO11 선택하세요:
- 기존에 YOLO11 최적화된 생산 파이프라인이 구축되어 YOLO11 새로운 아키텍처에 대한 검증 시간을 감당할 수 없습니다.
- 귀하의 배포 하드웨어는 YOLO11 구조에 대한 특정 최적화를 적용하고 있으나, 이는 아직 YOLO26에 대해 업데이트되지 않았습니다.
다음과 같은 경우 YOLO26을 선택하십시오:
- 에지 배포가 핵심이다: NMS DFL의 제거로 인해 YOLO26은 CPU 소중한 iOS 및 임베디드 시스템에 최적의 선택이 된다.
- 소형 물체 탐지: ProgLoss 및 STAL 함수는 농업 분야의 해충 식별이나 드론 영상 속 원거리 물체 탐지에 현저히 우수한 성능을 발휘합니다.
- 훈련 안정성: 대규모 맞춤형 데이터셋으로 훈련 중 발산 문제를 경험한 경우, YOLO26의 MuSGD 최적화기가 보다 안정적인 훈련 경로를 제공합니다.
- 가장 간편한 내보내기: 엔드투엔드 아키텍처는 복잡한 외부 NMS TensorRT CoreML TensorRT 같은 형식으로 더 깔끔하게 내보냅니다.
Ultralytics 내에서 다른 옵션을 탐색하고자 하는 개발자를 위해, 다음과 같은 모델들 YOLOv10 (엔드투엔드 YOLO의 전신)이나 YOLO (개방형 어휘 탐지용) 같은 모델도 완벽하게 지원됩니다.
결론
YOLO11 강력하고 뛰어난 성능을 YOLO11 불구하고, YOLO26은 실시간 컴퓨터 비전에서 가능한 것의 새로운 기준을 제시합니다. Ultralytics 대규모 언어 모델(LLM)에서 영감을 받은 훈련 역학을 통합하고 NMS 추론 파이프라인을 단순화함으로써, 정확도는 물론 실제 환경에서의 배포가 훨씬 용이한 모델을 Ultralytics .
Ultralytics 업그레이드가 원활하게 이루어지도록 보장합니다. 훈련 시 낮은 메모리 요구사항과 추론 시 빠른 CPU 갖춘 YOLO26은 2026년 모든 신규 프로젝트의 권장 시작점입니다.