YOLO11 대 YOLOv10: 상세 기술 비교
최적의 객체 감지 모델을 선택하는 것은 정확도, 속도 및 배포 제약 조건의 요구 사항 간 균형을 맞추는 중요한 결정입니다. 이 페이지에서는 컴퓨터 비전 분야의 최전선에 있는 두 가지 강력한 모델인 Ultralytics YOLO11과 YOLOv10 간의 포괄적인 기술 비교를 제공합니다. YOLOv10은 주목할 만한 효율성 향상을 도입했지만, Ultralytics YOLO11은 YOLO 아키텍처의 정점을 나타내며, 뛰어난 성능, 타의 추종을 불허하는 다재다능함, 그리고 성숙하고 잘 관리된 생태계라는 중요한 이점을 제공합니다.
Ultralytics YOLO11: 새로운 최첨단 기술
Ultralytics YOLO11은 Ultralytics YOLO 시리즈의 최신이자 가장 발전된 모델로, 실시간 객체 감지 및 그 이상에 대한 새로운 기준을 제시합니다. 큰 성공을 거둔 YOLOv5 및 YOLOv8 모델의 제작자가 제작한 YOLO11은 최대 정확도, 속도 및 다재다능성을 위해 설계되었습니다.
- 저자: Glenn Jocher, Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: https://docs.ultralytics.com/models/yolo11/
아키텍처 및 주요 기능
YOLO11은 검증된 아키텍처를 기반으로 개선된 특징 추출 네트워크와 최적화된 감지 헤드를 통합하여 최첨단 정확도를 제공합니다. YOLO11의 핵심 강점은 놀라운 다재다능함입니다. 특수 모델과 달리 단일 통합 프레임워크 내에서 객체 감지, 인스턴스 분할, 이미지 분류, 자세 추정 및 OBB(Oriented Bounding Box)를 기본적으로 지원하는 다중 작업 기능을 갖추고 있습니다.
이러한 다재다능함은 사용 편의성과 개발자 생산성을 우선시하는 강력한 Ultralytics 생태계에서 지원됩니다. 간단한 Python API 및 CLI, 광범위한 문서와 Ultralytics HUB와 같은 도구와의 원활한 통합을 통해 개발자는 그 어느 때보다 빠르게 컨셉에서 배포로 이동할 수 있습니다. 이 모델은 효율적인 학습 프로세스, 즉시 사용 가능한 사전 학습된 가중치, 트랜스포머와 같이 더 복잡한 아키텍처에 비해 더 낮은 메모리 요구 사항의 이점을 누릴 수 있습니다.
강점
- 뛰어난 성능 균형: 다양한 하드웨어 플랫폼에서 다른 모델보다 뛰어난 속도와 정확성 간의 균형을 달성합니다.
- 탁월한 다재다능함: 단일 모델 패밀리가 5가지 주요 비전 AI 작업을 처리하여 복잡한 애플리케이션 개발을 간소화합니다.
- 잘 관리되는 에코시스템: 활발한 개발, 대규모 커뮤니티, 잦은 업데이트, 그리고 안정성과 지원을 보장하는 포괄적인 리소스에 의해 뒷받침됩니다.
- 사용 편의성: 초보자와 전문가 모두 최소한의 마찰로 모델을 학습하고 배포할 수 있도록 간소화된 사용자 경험을 위해 설계되었습니다.
- 학습 및 배포 효율성: 더 빠른 학습 시간과 더 낮은 메모리 사용량에 최적화되어 에지 장치에서 클라우드 서버에 이르기까지 광범위한 하드웨어에 적합합니다.
약점
- 최첨단 모델인 가장 큰 YOLO11 모델은 최대 정확도를 달성하기 위해 상당한 컴퓨팅 리소스가 필요하지만, 성능 등급에 비해 매우 효율적입니다.
이상적인 사용 사례
YOLO11은 뛰어난 성능과 다재다능성을 결합하여 광범위하고 까다로운 응용 분야에 이상적인 선택입니다.
- 산업 자동화: 고정밀로 품질 관리 및 컨베이어 벨트 자동화를 지원합니다.
- 스마트 시티: 고급 교통 관리 및 공공 안전 모니터링을 지원합니다.
- 헬스케어: 더 빠른 진단을 위한 의료 영상 분석 지원.
- 리테일: 재고 관리 최적화 및 고객 분석 개선.
YOLOv10: 효율성의 경계를 넓히다
칭화대학교 연구진이 발표한 YOLOv10은 사후 처리 중에 Non-Maximum Suppression (NMS)의 필요성을 제거하여 end-to-end 지연 시간 최적화에 중점을 둔 객체 감지 모델입니다.
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- Organization: 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/
아키텍처 및 주요 기능
YOLOv10의 핵심 혁신은 NMS(Non-Maximum Suppression)가 필요 없는 학습 전략으로, 학습 중에 일관된 이중 할당을 사용하여 중복 예측을 처리합니다. 이를 통해 모델을 NMS 단계 없이 배포할 수 있어 후처리 오버헤드를 줄이고 추론 지연 시간을 개선합니다. 또한 이 아키텍처는 계산 부하를 줄이기 위한 경량 분류 헤드와 같은 최적화를 통해 전체적인 효율성-정확도 중심 설계를 특징으로 합니다.
강점
- NMS-Free 배포: 주요 사후 처리 병목 현상을 제거하여 지연 시간에 중요한 애플리케이션에 유용합니다.
- 높은 효율성: FLOPs 및 파라미터 수 측면에서 뛰어난 성능을 보여 리소스가 제한된 환경에 적합합니다.
- 강력한 지연 시간-정확도 균형: GPU에서 매우 짧은 추론 시간으로 경쟁력 있는 정확도를 달성합니다.
약점
- 제한적인 활용성: YOLOv10은 주로 객체 탐지를 위해 설계되었으며 YOLO11에서 표준으로 제공되는 세분화, 포즈 추정 및 분류를 위한 기본 멀티태스킹 기능이 부족합니다.
- 생태계 및 지원: 학술 기관의 연구 중심 모델이므로 Ultralytics 생태계 내 모델과 동일한 수준의 지속적인 유지 관리, 커뮤니티 지원 또는 통합 툴링을 갖추고 있지 않습니다.
- 사용성: YOLOv10을 프로덕션 파이프라인에 통합하려면 Ultralytics에서 제공하는 간소화된 경험에 비해 더 많은 수동 작업이 필요할 수 있습니다.
이상적인 사용 사례
YOLOv10은 객체 감지를 위한 엔드 투 엔드 대기 시간이 가장 중요한 요소인 특수 애플리케이션에 가장 적합합니다.
- Edge AI: 모든 밀리초가 중요한 컴퓨팅 성능이 제한된 장치에 배포.
- 고처리량 시스템: 초당 많은 프레임 처리를 요구하는 실시간 비디오 분석과 같은 애플리케이션입니다.
- 자율 드론: 내비게이션 및 장애물 회피를 위한 빠른 객체 감지를 지원합니다.
성능 대결: YOLO11 vs. YOLOv10
성능을 비교할 때 두 모델 모두 매우 유능하지만 YOLO11이 전반적으로 더 우수한 균형을 보여줍니다. 아래 표에서 볼 수 있듯이 YOLO11 모델은 주어진 정확도 수준에 대해 CPU와 GPU 모두에서 일관되게 더 빠른 추론 속도를 달성합니다. 예를 들어 YOLO11l은 YOLOv10l보다 더 높은 mAP를 달성하면서 T4 GPU에서 훨씬 빠릅니다. 또한 YOLO11x는 더 빠른 추론 속도로 YOLOv10x보다 더 높은 mAP에 도달합니다.
YOLOv10은 뛰어난 파라미터 효율성을 보여주지만, YOLO11의 아키텍처 최적화는 특히 다중 작업 기능과 배포 용이성을 고려할 때 더 나은 실제 성능을 제공합니다.
| 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 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
결론: 어떤 모델을 선택해야 할까요?
대다수의 개발자, 연구원 및 기업에게 Ultralytics YOLO11이 권장되는 선택입니다. 최첨단 정확도와 속도를 제공하며, 여러 컴퓨터 비전 작업을 처리할 수 있는 탁월한 다재다능성을 제공합니다. 주요 이점은 사용 편의성, 효율적인 학습 및 원활한 생산 경로를 보장하는 강력하고 잘 관리되는 생태계에 있습니다. 이러한 전체적인 접근 방식은 YOLO11을 강력한 모델일 뿐만 아니라 고급 AI 시스템 구축을 위한 완벽한 솔루션으로 만듭니다.
YOLOv10은 혁신적인 NMS-free 디자인을 갖춘 훌륭한 모델로, 고도로 전문화된 대기 시간에 민감한 객체 감지 작업에 강력한 옵션입니다. 그러나 좁은 초점과 포괄적인 지원 생태계의 부족으로 인해 범용 사용이나 추가 비전 기능이 필요한 프로젝트에는 적합하지 않습니다.
다른 최첨단 모델을 살펴보고 싶다면 YOLO11 vs. YOLOv9 및 YOLOv8 vs. YOLOv10과 같이 문서에서 더 많은 비교 자료를 찾을 수 있습니다.
