YOLO11과 YOLO26 비교
각 Ultralytics YOLO 세대는 실시간 객체 탐지의 속도, 정확도, 배포 효율성을 개선하는 것을 목표로 합니다. 이 기술 비교에서는 널리 사용되는 YOLO11에서 최신 YOLO26으로의 전환을 다루며, 두 모델의 아키텍처, 성능 지표, 적합한 배포 시나리오를 분석합니다.
드론 배송 시스템을 구축하든 글로벌 스마트 제조 파이프라인을 최적화하든, 두 모델의 차이를 이해하면 적합한 모델을 선택하는 데 도움이 됩니다.
모델 계보 및 생태계#
두 모델은 간편한 API, 지속적인 유지 관리, 활발한 커뮤니티를 갖춘 Ultralytics 생태계의 이점을 누립니다. 두 모델 모두 객체 탐지, 인스턴스 분할, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB) 작업을 기본 지원하며, YOLO26은 여기에 시맨틱 분할과 깊이 추정을 추가합니다.
YOLO11: 확립된 표준#
2024년 말에 출시된 YOLO11은 이전 세대의 발전을 한층 다듬어 프로덕션 환경에서 신뢰할 수 있는 주력 모델로 자리매김했습니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: YOLO11 문서
YOLO26: 차세대 모델#
2026년 1월에 출시된 YOLO26은 엣지 배포와 선택적 엔드투엔드 추론에 초점을 두어 CPU 속도와 통합 편의성을 개선합니다.
- 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 어노테이션, 클라우드 학습, 배포 모니터링을 위한 노코드 워크플로를 제공합니다.
아키텍처 혁신#
YOLO11은 수년간 컴퓨터 비전을 뒷받침해 온 기존 후처리 방식을 사용하지만, YOLO26은 배포 병목 현상을 해소하는 여러 구조적 변화를 도입했습니다.
종단 간 NMS-free 설계#
YOLO26에서 가장 중요한 개선 사항 중 하나는 네이티브 엔드투엔드 아키텍처입니다. 선택적 일대일 헤드(nms=False)는 비최대 억제(NMS) 후처리를 제거하며, 해당 후처리는 YOLOv10이 YOLO 모델에 도입한 개념입니다. NMS를 우회하면 배포 파이프라인이 단순해지고 지연 시간이 일관되게 유지되므로, 자율 주행 알고리즘과 같은 실시간 애플리케이션에 필수적입니다.
엣지 최적화를 위한 DFL 제거#
YOLO26은 분포 초점 손실(DFL)을 제거합니다. DFL은 YOLO11에서 정밀한 위치 추정에 유용했지만, 이를 제거하면 네트워크의 내보내기 그래프가 간소화됩니다. 이를 통해 저전력 하드웨어와의 호환성이 향상되어 YOLO26은 Raspberry Pi 또는 NVIDIA Jetson과 같은 엣지 기기에 적합합니다.
MuSGD 옵티마이저#
대규모 언어 모델(LLM) 학습 방식, 특히 Moonshot AI의 Kimi K2에서 영감을 얻은 YOLO26은 MuSGD 옵티마이저를 사용합니다. 확률적 경사 하강법(SGD)과 Muon의 하이브리드인 이 옵티마이저는 더 안정적인 학습과 빠른 수렴을 제공합니다. optimizer=auto을 사용하면 Ultralytics가 장기 학습 실행에 MuSGD를 선택합니다.
손실 및 레이블 할당#
YOLO26은 ProgLoss + STAL(Progressive Loss 및 소형 객체 인식형 레이블 할당)을 적용합니다. 이 조합은 작고 밀집된 객체의 탐지 성능을 개선합니다. 또한 YOLO26은 작업별 개선 사항을 도입했습니다. 인스턴스 분할에는 시맨틱 분할 손실과 멀티스케일 프로토 모듈을, 포즈 추정에는 잔차 로그 우도 추정(RLE)을, OBB 탐지 작업의 경계 문제를 완화하기 위해서는 특화된 각도 손실을 적용합니다.
성능 비교#
정확도(mAP), 파라미터 수, 계산 복잡도(FLOPs), 속도 간의 균형이 하드웨어 선택을 좌우합니다. YOLO26은 특히 CPU 추론을 겨냥하며, YOLO26n은 YOLO11n보다 CPU 추론이 최대 43% 빠릅니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
YOLO26n은 ONNX Runtime을 사용했을 때 CPU 추론 시간을 56.1ms에서 38.9ms로 줄이면서 YOLO11n보다 mAP가 1.4포인트 높습니다(40.9 대 39.5). YOLO26은 모든 크기에서 정확도가 더 높습니다. m, l, x 크기에서는 YOLO11이 CPU에서 더 빠르며, T4 TensorRT 지연 시간은 두 제품군 간에 비슷합니다.
사용 사례 및 실제 애플리케이션#
YOLO11과 YOLO26 중에서 선택할 때는 주로 특정 인프라와 프로젝트 목표를 고려해야 합니다.
엣지 컴퓨팅 및 IoT#
드론을 통한 스마트 농업 모니터링이나 현지 보안 경보 시스템처럼 전력과 하드웨어 제약이 있는 애플리케이션에는 YOLO26이 더 적합합니다. DFL 제거와 최대 43% 빠른 CPU 추론(YOLO26n과 YOLO11n 비교)을 통해 전용 GPU가 없는 기기에서도 복잡한 비전 모델을 높은 프레임 속도로 실행할 수 있습니다.
클라우드 및 엔터프라이즈 규모#
YOLO11은 클라우드 기반 비디오 분석이나 출력 형식이 이미 통합된 대규모 미디어 처리 파이프라인처럼 YOLO11을 중심으로 구축된 기존 엔터프라이즈 배포에 여전히 적합합니다.
소형 객체 탐지#
회로 기판의 결함 탐지나 항공 이미지에서 멀리 있는 차량 추적과 같이 작은 객체의 높은 정확도가 필요한 프로젝트에서는 YOLO26의 ProgLoss + STAL 구현이 까다로운 사례의 재현율과 정밀도를 개선합니다.
학습 효율성 및 메모리 요구 사항#
Ultralytics 프레임워크의 주요 장점은 학습 중 메모리 사용량이 적다는 것입니다. CUDA 메모리를 많이 사용할 수 있는 RT-DETR과 같은 Transformer 기반 탐지기와 달리, YOLO11과 YOLO26은 모두 일반 소비자용 하드웨어에서 효율적으로 학습하도록 최적화되어 있습니다.
YOLO26에 통합된 MuSGD 옵티마이저는 더 빠르게 수렴하여 전체 GPU 연산 시간과 클라우드 컴퓨팅 비용을 줄이는 데도 도움이 됩니다.
다음은 Python API로 YOLO26을 학습하는 간단한 예제입니다:
from ultralytics import YOLO
# YOLO26 Nano 모델 초기화
model = YOLO("yolo26n.pt")
# COCO8 데이터셋으로 모델 학습
# 옵티마이저 선택(학습을 오래 실행할 때는 MuSGD 사용) 및 메모리 관리를 자동으로 처리합니다.
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# mAP 지표를 확인하기 위해 빠르게 검증 실행
metrics = model.val()
# 빠른 CPU 추론을 위해 학습한 모델을 ONNX로 내보내기
model.export(format="onnx")대체 아키텍처 살펴보기#
YOLO26은 권장되는 시작 모델이지만, Ultralytics 문서에 소개된 다른 모델이 특정 요구 사항에 더 적합할 수 있습니다. 레거시 환경에 종속된 사용자는 YOLOv5와 같은 이전 아키텍처를 계속 안정적으로 사용할 수 있습니다. 클래스를 미리 정의할 수 없는 제로샷 기능이 필요하다면 YOLO-World가 텍스트 프롬프트를 기반으로 오픈 보캐뷸러리 탐지를 제공합니다.
결론#
YOLO11에서 YOLO26으로의 전환은 단순한 점진적 업데이트를 넘어 실시간 탐지 모델의 프로덕션 실행 방식을 바꿉니다. 선택적 NMS-Free 추론과 엣지 우선 최적화를 갖춘 YOLO26은 신규 프로젝트에 권장되는 선택입니다. Ultralytics 문서의 지원을 바탕으로 YOLO26으로 업그레이드하면 배포가 간소화되고 학습이 안정되며 지원되는 비전 작업 전반에서 정확도가 향상됩니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.