YOLO11과 YOLOv10 비교#
엣지 디바이스와 클라우드 인프라 모두에서 가능한 범위를 넓히는 새로운 아키텍처가 등장하면서 실시간 컴퓨터 비전 분야는 끊임없이 발전하고 있습니다. 이 상세한 기술 분석에서는 해당 분야의 두 핵심 모델인 Ultralytics YOLO11과 YOLOv10의 세부적인 차이를 살펴봅니다. 두 모델은 모두 객체 탐지 역량을 크게 발전시켰지만, 성능을 달성하기 위해 근본적으로 다른 아키텍처 철학을 채택합니다.
YOLO11 아키텍처 살펴보기#
YOLO11 세부 정보:
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: https://docs.ultralytics.com/models/yolo11
다목적 고성능 모델로 소개된 YOLO11은 컴퓨터 비전 및 AI 분야의 오랜 기초 연구를 바탕으로 개발되었습니다. YOLO11의 핵심 설계 철학은 특징의 풍부함과 다양한 컴퓨터 비전 작업 전반에 걸친 뛰어난 유연성에 중점을 둡니다.
YOLO11의 주요 개선 사항 중 하나는 C3k2 Block의 구현입니다. 이 개선된 병목 모듈은 네트워크 전반의 그래디언트 흐름을 최적화하여 높은 정확도를 유지하면서 파라미터 효율성을 크게 높입니다. 또한 YOLO11은 향상된 공간 어텐션 메커니즘을 사용하며, 이는 작거나 부분적으로 가려진 대상을 식별하는 데 중요합니다. 따라서 항공 이미지 사용 사례와 세밀한 의료 영상 분석에 탁월한 선택입니다.
YOLO11은 앵커 프리 설계를 사용해 하이퍼파라미터 튜닝의 복잡성을 줄이고 다양한 사용자 지정 데이터셋 전반에서 견고하게 일반화합니다. 또한 학습 중 메모리 요구량이 Transformer 기반 아키텍처보다 훨씬 낮아 연구자가 일반 소비자용 하드웨어에서 대형 모델을 효율적으로 학습할 수 있습니다.
YOLOv10 아키텍처 살펴보기#
YOLOv10 세부 정보:
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: Tsinghua University
- 날짜: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- 문서: https://docs.ultralytics.com/models/yolov10
Tsinghua University의 연구진이 개발한 YOLOv10은 YOLO 제품군에서 엔드투엔드 접근법을 선도하며 큰 주목을 받았습니다. YOLOv10의 핵심은 NMS-Free Training 방법론입니다. 학습 단계에서 일관된 이중 할당을 적용하여 모델이 객체마다 정확히 하나의 바운딩 박스를 자연스럽게 예측합니다. 이 획기적인 접근법은 추론 중 비최대 억제(NMS)가 필요하지 않도록 완전히 제거합니다. 비최대 억제는 배포 파이프라인에서 지연 시간 병목을 일으키던 후처리 단계였습니다.
아키텍처에는 효율성과 정확도를 전체적으로 고려한 설계 전략도 도입되었습니다. 공간-채널 분리형 다운샘플링과 순위 기반 블록 설계를 적용하여 네트워크 단계의 중복을 선택적으로 줄입니다. 그 결과 FLOPs와 연산 오버헤드를 줄이면서도 평균 정밀도(mAP)를 크게 희생하지 않습니다. 밀리초 단위의 시간도 중요한 실시간 애플리케이션에서 NMS를 제거하면 결정론적 추론 그래프를 구현할 수 있어 엣지 AI 디바이스에 매우 적합합니다.
성능 지표 및 벤치마크#
두 모델을 평가할 때는 정확도, 파라미터 수, 속도의 균형을 살펴봅니다. 다음 표에서는 COCO 데이터셋의 다양한 규모에서 두 모델을 비교합니다.
| 모델 | 크기 (픽셀) | mAP검증 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 | 21.6 |
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
YOLO 성능 지표에서 확인할 수 있듯이 YOLO11은 모든 변형 모델에서 mAP 점수가 약간 더 높습니다. YOLOv10의 NMS 없는 설계는 매우 안정적인 엔드투엔드 추론 시간을 보장하지만, YOLO11도 NVIDIA 하드웨어에서 TensorRT로 최적화하면 뛰어난 처리량을 보여 줍니다.
배포를 위해 모델을 준비할 때는 최적화된 형식으로 내보내는 과정이 중요합니다. Ultralytics 프레임워크를 사용하면 YOLO11과 YOLOv10 모두 ONNX 및 TensorRT와 같은 형식으로 원활하게 내보낼 수 있습니다. 단계별 안내는 모델 배포 옵션 가이드를 참조하세요.
Ultralytics 생태계의 이점#
독립적인 성능 지표도 중요하지만, 머신러닝 프로젝트의 실질적인 성공은 이를 둘러싼 프레임워크에 따라 결정됩니다. Ultralytics 생태계에 기본적으로 통합된 YOLO11은 이 점에서 진가를 발휘합니다.
Ultralytics Platform은 매우 간소화된 사용자 경험을 제공합니다. 간편하고 통합된 Python API를 사용하면 개발자는 기본적인 바운딩 박스를 넘어서는 작업도 처리할 수 있습니다. YOLO11은 인스턴스 분할, 자세 추정, 이미지 분류, 방향성 바운딩 박스(OBB) 감지를 기본 지원합니다. 이러한 폭넓은 활용성은 특화된 연구 리포지토리에서는 찾아보기 어려운 경우가 많습니다.
또한 이 생태계는 풍부한 문서와 활발한 커뮤니티 지원을 바탕으로 합니다. 실험 추적을 위한 Weights & Biases 및 Intel 하드웨어 최적화를 위한 OpenVINO와 같은 도구가 라이브러리에 직접 통합되어 있습니다. 모델 학습에는 최소한의 보일러플레이트 코드만 필요하며, RT-DETR과 같은 대규모 Transformer 모델보다 CUDA 메모리를 적게 사용하는 매우 효율적인 학습 프로세스의 이점을 누릴 수 있습니다.
실습 코드 예제#
Ultralytics를 사용한 학습 및 추론은 최대한 직관적으로 수행할 수 있도록 설계되었습니다. 동일한 API로 YOLO11과 YOLOv10을 모두 간편하게 처리할 수 있습니다.
from ultralytics import YOLO
# 모델을 초기화합니다(YOLO11n 또는 YOLOv10n).
model = YOLO("yolo11n.pt")
# 사용자 지정 데이터셋으로 모델을 효율적으로 학습합니다.
# Ultralytics가 하이퍼파라미터 및 메모리 최적화를 자동으로 처리합니다.
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# 이미지에서 추론 실행
inference_results = model("https://ultralytics.com/images/bus.jpg")
# 감지된 객체를 표시합니다.
inference_results[0].show()사용 사례 및 권장 사항#
YOLO11과 YOLOv10 중 어떤 모델을 선택할지는 프로젝트의 구체적인 요구사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
YOLO11을 선택해야 하는 경우#
YOLO11은 다음과 같은 경우에 적합합니다.
- 프로덕션 엣지 배포: 안정성과 지속적인 유지 관리가 가장 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서 상용 애플리케이션을 실행하는 경우입니다.
- 멀티태스크 비전 애플리케이션: 하나의 통합 프레임워크에서 감지, 분할, 자세 추정, OBB가 필요한 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션 배포까지 빠르게 진행해야 하는 팀에 적합합니다.
YOLOv10을 선택해야 하는 경우#
다음과 같은 경우 YOLOv10을 권장합니다:
- NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
- 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
- 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
차세대 모델: YOLO26#
YOLOv10이 혁신적인 NMS 없는 패러다임을 도입하고 YOLO11이 멀티태스크 활용성을 완성했지만, AI 분야는 빠르게 발전하고 있습니다. 현재 새로운 프로덕션 배포를 시작하는 개발자에게는 Ultralytics YOLO26을 살펴볼 것을 적극 권장합니다.
2026년 1월에 출시된 YOLO26은 두 모델의 장점을 결합합니다. YOLOv10이 선보인 엔드투엔드 NMS 없는 설계를 선택적 일대일 헤드(nms=False)로 제공합니다. 이를 통해 배포 파이프라인을 크게 간소화하고 일관된 지연 시간을 보장합니다. 또한 YOLO26에는 엣지 컴퓨팅을 위한 특화된 최적화가 적용되어 있습니다. DFL 제거(Distribution Focal Loss 제거)를 통해 아키텍처를 더 쉽게 내보낼 수 있으며, 기존 모델보다 CPU 추론 속도가 최대 43% 빨라 저전력 IoT 디바이스와 모바일 애플리케이션에 최적의 선택이 됩니다.
YOLO26은 혁신적인 하이브리드 방식인 MuSGD 옵티마이저를 통해 대규모 언어 모델(LLM) 학습 안정성을 컴퓨터 비전에 도입했습니다. ProgLoss + STAL 손실 함수와 결합된 YOLO26은 작은 객체에서 탁월한 정밀도를 제공하며, 이는 상세한 교통 영상 감지와 복잡한 로봇 자동화에 필수적입니다.
결론#
적합한 비전 모델은 구체적인 운영상의 제약 조건에 따라 달라집니다. YOLOv10은 학계의 중요한 이정표로, 감지 파이프라인에서 NMS를 효과적으로 제거할 수 있음을 입증했습니다. 그러나 성능, 포괄적인 작업 활용성, 원활한 배포 도구의 균형을 더 잘 갖춘 YOLO11은 엔터프라이즈 환경에 적합한 견고한 솔루션입니다.
엔드투엔드 방식의 간결함과 뛰어난 엣지 성능을 모두 원하는 엔지니어에게는 최신 YOLO26으로 마이그레이션하는 것을 가장 권장합니다. 종합적인 Ultralytics Platform을 활용하면 프로젝트를 지속적으로 유지 관리되고 효율적이며 미래에도 대응할 수 있는 기반 위에 구축할 수 있습니다.