YOLO11 대 YOLO26#
컴퓨터 비전은 빠른 속도, 정확도, 배포 효율성의 한계를 끊임없이 확장하며 빠르게 발전하고 있습니다. 실시간 객체 감지 분야에서 Ultralytics는 지속적으로 표준을 제시하고 있습니다. 이 기술 비교에서는 높은 성공을 거둔 YOLO11에서 최첨단 YOLO26으로의 전환을 살펴보고, 두 모델의 아키텍처, 성능 지표 및 이상적인 배포 시나리오를 분석합니다.
드론 배송 시스템을 구축하거나 글로벌 스마트 제조 파이프라인을 최적화하는 경우, 이 두 모델의 미묘한 차이를 이해하면 견고하고 미래 지향적인 AI 솔루션을 구축하는 데 도움이 됩니다.
모델 계보 및 생태계#
두 모델 모두 포괄적인 Ultralytics 생태계의 이점을 누리며, 간편한 API, 지속적인 유지 관리, 활발한 커뮤니티를 특징으로 합니다. 두 모델은 탁월한 범용성을 제공하며 객체 감지, 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB) 작업을 기본적으로 지원합니다.
YOLO11: 검증된 표준#
2024년 말에 출시된 YOLO11은 이전 세대의 발전 사항을 개선하여 프로덕션 환경에서 신뢰할 수 있는 핵심 솔루션으로서의 입지를 확고히 했습니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: YOLO11 문서
YOLO26: 새로운 지평#
2026년 초에 공개된 YOLO26은 엣지 컴퓨팅과 엔드투엔드 아키텍처의 패러다임 전환을 나타내며, 처리 속도와 통합 편의성을 크게 향상합니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: YOLO26 문서
YOLO11과 YOLO26은 모두 Ultralytics Platform에 완전히 통합되어 데이터셋 주석, 클라우드 학습, 플릿 모니터링을 위한 원활한 노코드 워크플로를 제공합니다.
아키텍처 혁신#
YOLO11은 수년간 컴퓨터 비전을 뒷받침해 온 전통적인 후처리 방식에 의존하는 반면, YOLO26은 병목 현상을 제거하도록 설계된 몇 가지 구조적 혁신을 도입합니다.
End-to-End NMS-Free 설계#
YOLO26의 가장 중요한 개선 사항 중 하나는 네이티브 엔드투엔드 아키텍처입니다. YOLOv10에서 처음 개척된 개념인 비최대 억제(NMS) 후처리를 제거합니다. NMS를 우회하면 배포 파이프라인이 크게 단순화되고 일관된 지연 시간이 보장되므로 자율 주행 알고리즘과 같은 실시간 애플리케이션에 필수적입니다.
엣지 최적화를 위한 DFL 제거#
YOLO26은 분포 초점 손실(DFL)을 제거합니다. DFL은 YOLO11에서 세밀한 위치 추정에 유용했지만, 이를 제거하면 네트워크의 내보내기 그래프가 단순해집니다. 이 변경으로 저전력 하드웨어와의 호환성이 향상되어 YOLO26은 Raspberry Pi나 NVIDIA Jetson과 같은 엣지 디바이스에서 강력한 성능을 발휘합니다.
MuSGD 옵티마이저#
대규모 언어 모델(LLM) 학습 메커니즘, 특히 Moonshot AI의 Kimi K2에서 영감을 받은 YOLO26은 혁신적인 MuSGD Optimizer를 사용합니다. 확률적 경사 하강법(SGD)과 Muon을 결합한 이 하이브리드 방식은 매우 안정적인 학습 실행을 제공하며, 이전 아키텍처에서 사용된 표준 AdamW 옵티마이저보다 훨씬 빠르게 수렴합니다.
고급 Loss Function#
YOLO26은 ProgLoss + STAL (Progressive Loss and Small-Target-Aware Label Assignment)을 탑재하고 있습니다. 이 조합은 작고 조밀하게 배치된 객체의 검출 성능을 대폭 향상시킵니다. 나아가 YOLO26은 태스크별 개선 사항을 도입했습니다. 세그멘테이션을 위한 전용 멀티 스케일 프로토타입, 복잡한 포즈 추정을 위한 RLE (Residual Log-Likelihood Estimation), 그리고 OBB 검출 태스크에서 경계 문제를 완화하기 위한 특화된 앵글 로스를 제공합니다.
성능 비교#
이러한 모델을 평가할 때는 파라미터 수, 계산 복잡도(FLOPs), 속도 간의 균형에 따라 하드웨어 선택이 결정됩니다. YOLO26은 특히 CPU 추론 속도를 목표로 하며, 이전 모델보다 최대 43% 빠른 CPU 추론을 달성합니다.
| 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 |
앞서 살펴본 것처럼 YOLO26 Nano(YOLO26n)는 ONNX Runtime을 사용하여 CPU 추론 시간을 56.1ms에서 38.9ms로 단축하면서 정확도를 크게 향상합니다.
사용 사례 및 실제 애플리케이션#
YOLO11과 YOLO26 중 어떤 모델을 선택할지는 주로 특정 인프라와 프로젝트 목표에 따라 달라집니다.
엣지 컴퓨팅 및 IoT#
드론을 통한 스마트 농업 모니터링이나 현지 보안 경보 시스템처럼 전력과 하드웨어가 제한된 애플리케이션에서는 YOLO26이 확실한 최선의 선택입니다. DFL을 제거하고 CPU 속도를 43% 향상했기 때문에 전용 GPU가 없는 디바이스에서도 높은 프레임 속도를 유지하면서 복잡한 비전 모델을 실행할 수 있습니다.
클라우드 및 엔터프라이즈 규모#
YOLO11은 대규모 서버 팜이 이미 텐서 구조에 최적화되어 있는 엔터프라이즈 솔루션을 위한 훌륭한 선택지로 남아 있습니다. 특정 출력 형식과 이미 깊게 통합되어 있는 클라우드 기반 비디오 분석 및 대규모 미디어 처리 파이프라인에 완벽하게 적합합니다.
복잡한 멀티 태스크#
회로 기판의 결함 감지나 항공 이미지에서 멀리 있는 차량 추적처럼 작은 객체에 대한 정밀한 정확도가 프로젝트에 필요한 경우, YOLO26의 ProgLoss + STAL 구현은 이러한 까다로운 엣지 케이스에서 재현율과 정밀도를 눈에 띄게 향상합니다.
학습 효율성 및 메모리 요구 사항#
Ultralytics 프레임워크의 주요 장점 중 하나는 학습 중 메모리 사용량이 매우 적다는 점입니다. 방대한 양의 CUDA 메모리를 소모할 수 있는 RT-DETR 같은 대규모 비전 트랜스포머와 달리, YOLO11과 YOLO26은 모두 소비자용 하드웨어에서 효율적으로 학습되도록 최적화되어 있습니다.
YOLO26에 MuSGD Optimizer가 통합되면서 모델이 최적의 가중치를 더 빠르게 찾아내어 전체 GPU 연산 시간과 클라우드 컴퓨팅 비용을 절감함으로써 이러한 장점이 더욱 강화됩니다.
다음은 네이티브 Python API를 사용하여 최신 YOLO26 모델을 얼마나 간편하게 학습할 수 있는지 보여주는 간단한 예제입니다.
from ultralytics import YOLO
# Initialize the YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset
# The MuSGD optimizer and efficient memory management are handled automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Run a quick validation to verify the mAP metrics
metrics = model.val()
# Export the trained model to ONNX for fast CPU inference
model.export(format="onnx")대체 아키텍처 살펴보기#
YOLO26은 실시간 감지의 정점을 보여주지만, Ultralytics 문서에서 다른 모델을 살펴보는 것도 유용할 수 있습니다. 레거시 환경에 종속된 사용자의 경우 YOLOv5와 같은 이전 아키텍처도 여전히 견고한 성능을 제공합니다. 사전에 클래스를 정의할 수 없는 제로샷 기능이 필요한 경우 YOLO-World는 텍스트 프롬프트로 구동되는 개방형 어휘 감지를 제공합니다.
결론#
YOLO11에서 YOLO26으로의 도약은 단순한 점진적 업데이트가 아니라, 실시간 객체 감지 모델이 프로덕션에서 작동하는 방식을 구조적으로 재구상한 것입니다. 복잡한 후처리 단계를 제거하고 엣지 우선 실행에 최적화함으로써 YOLO26은 현대 개발자를 위한 최고의 선택으로 자리매김합니다. 강력한 Ultralytics 생태계와 포괄적인 문서를 기반으로 하는 YOLO26으로의 업그레이드는 사실상 모든 컴퓨터 비전 작업에서 더 빠른 배포, 안정적인 학습, SOTA 정확도를 보장합니다.