YOLO11과 YOLOv10 비교
실시간 컴퓨터 비전 아키텍처는 엣지 기기와 클라우드 인프라 모두에서 계속 발전하고 있습니다. 이 기술 분석에서는 영향력 있는 두 모델인 Ultralytics YOLO11과 YOLOv10을 비교합니다. 두 모델은 2024년에 객체 탐지를 발전시켰지만, 서로 다른 아키텍처 접근 방식으로 성능을 달성합니다.
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
YOLO11은 수년간의 컴퓨터 비전 및 AI 연구를 바탕으로 합니다. 여러 컴퓨터 비전 작업에서 풍부한 특징과 범용성을 제공하는 데 중점을 둔 설계입니다.
YOLO11의 두드러진 개선 사항 중 하나는 C3k2 블록의 구현입니다. 이 개선된 병목 모듈은 높은 정확도를 유지하면서 네트워크의 그래디언트 흐름과 파라미터 효율성을 향상합니다. 또한 YOLO11은 개선된 공간 어텐션 메커니즘을 적용해 작거나 부분적으로 가려진 대상을 식별하는 데 도움을 줍니다. 따라서 항공 이미지 활용 사례와 세부적인 의료 영상 분석에 적합합니다.
YOLO11은 앵커 프리 설계를 사용해 하이퍼파라미터 튜닝을 줄이고 다양한 사용자 지정 데이터셋에서 우수한 일반화 성능을 보입니다. 학습 중 메모리 요구량도 Transformer 기반 아키텍처보다 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
칭화대학교 연구진이 개발한 YOLOv10은 YOLO 제품군 최초의 엔드투엔드 모델입니다. 핵심 특징은 NMS-Free 학습입니다. 학습 중 일관된 이중 할당을 사용해 모델이 추론 시 객체당 하나의 바운딩 박스를 예측하도록 학습합니다. 이로써 배포 파이프라인에서 지연 시간 병목을 유발해 온 후처리 단계인 비최대 억제(NMS)를 추론 과정에서 제거합니다.
이 아키텍처는 전체적인 효율성-정확도 설계 전략도 도입합니다. 공간-채널 분리 다운샘플링과 순위 기반 블록 설계를 적용해 네트워크 단계의 중복을 선택적으로 줄입니다. 그 결과 FLOPs와 연산 오버헤드는 줄이면서도 평균 정밀도(mAP)는 크게 희생하지 않습니다. 매 밀리초가 중요한 실시간 애플리케이션에서는 NMS를 제거해 엣지 AI 기기에 적합한 결정론적 추론 그래프를 제공합니다.
성능 지표 및 벤치마크#
이 비교에서는 정확도, 파라미터 수, 속도를 함께 고려합니다. 다음 표에서 COCO 데이터셋의 여러 크기별 성능을 비교합니다.
| 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 |
| 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 |
YOLO11은 비교 가능한 모든 크기에서 mAP가 약간 더 높습니다(예: 나노 모델은 39.5 대 38.5, x 모델은 54.7 대 54.4). 반면 YOLOv10은 큰 크기에서 파라미터 수가 더 적습니다(x 모델은 29.5M 대 56.9M). T4에서 TensorRT를 사용할 때의 지연 시간은 두 제품군에서 비슷합니다.
배포를 위해 모델을 준비할 때는 최적화된 형식으로 내보내는 것이 중요합니다. Ultralytics 프레임워크를 사용하면 YOLO11과 YOLOv10을 모두 ONNX 및 TensorRT와 같은 형식으로 내보낼 수 있습니다. 단계별 안내는 모델 배포 옵션 가이드를 참조하세요.
Ultralytics 생태계의 이점#
개별 성능 지표도 중요하지만, 머신러닝 프로젝트의 실질적인 성공은 이를 둘러싼 프레임워크에 달려 있습니다. Ultralytics 생태계의 기본 구성 요소인 YOLO11이 돋보이는 이유가 바로 여기에 있습니다.
Ultralytics Platform은 간소화된 사용자 경험을 제공합니다. 간단하고 통합된 Python API를 사용하면 개발자는 기본 바운딩 박스 이상의 작업을 처리할 수 있습니다. YOLO11은 인스턴스 분할, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB) 탐지를 기본 지원하지만, YOLOv10은 탐지에 중점을 둡니다. 이러한 범용성은 전문 연구 저장소에서는 흔히 찾아보기 어렵습니다.
또한 광범위한 문서와 활발한 커뮤니티 지원이 생태계를 뒷받침합니다. 실험 추적을 위한 Weights & Biases, Intel 하드웨어 최적화를 위한 OpenVINO와 같은 도구의 통합 기능이 라이브러리에 직접 포함되어 있습니다. 모델 학습에는 최소한의 상용구 코드만 필요하며, RT-DETR과 같은 대형 Transformer 모델보다 CUDA 메모리 사용량이 적습니다.
실습 코드 예제#
Ultralytics에서는 몇 줄의 코드만으로 학습과 추론을 실행할 수 있으며, YOLO11과 YOLOv10 모두 동일한 API로 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 선택은 프로젝트의 구체적인 요구 사항, 배포 제약, 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: 단일 통합 프레임워크에서 탐지, 분할, 분류, 포즈 추정, OBB가 필요한 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: Ultralytics Python API를 사용해 데이터 수집부터 프로덕션까지 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 디바이스에서는 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
- 작은 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석과 같이 ProgLoss와 STAL이 작은 객체의 정확도를 높이는 까다로운 시나리오입니다.
차세대 모델: YOLO26#
YOLOv10은 NMS-Free YOLO 탐지를 도입했고 YOLO11은 멀티태스크 범용성을 개선했습니다. 오늘날 새로운 프로덕션 배포를 시작하는 개발자에게는 Ultralytics YOLO26을 권장합니다.
2026년 1월에 출시된 YOLO26은 두 모델의 강점을 결합합니다. YOLOv10의 엔드투엔드 NMS 프리 설계를 선택적 일대일 헤드(nms=False)로 제공해 배포 파이프라인을 단순화하고 지연 시간을 일관되게 유지합니다. YOLO26에는 엣지에 초점을 맞춘 최적화도 추가되었습니다. DFL 제거(분포 초점 손실 제거)로 내보내기를 간소화하며, YOLO26n은 YOLO11n보다 CPU에서 최대 43% 빠르게 실행되어 저전력 IoT 디바이스와 모바일 애플리케이션에 적합합니다.
YOLO26은 SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 통해 대규모 언어 모델(LLM) 학습의 안정성을 컴퓨터 비전에 적용합니다. ProgLoss + STAL(Progressive Loss 및 소형 객체 인식형 레이블 할당)과 함께 YOLO26은 작은 객체의 정밀도를 개선합니다. 이는 세밀한 교통 영상 탐지와 복잡한 로봇 자동화에 필수적입니다.
결론#
적합한 비전 모델은 구체적인 운영 제약에 따라 달라집니다. YOLOv10은 YOLO 탐지 파이프라인에서 NMS를 제거할 수 있음을 보여 준 중요한 연구 성과입니다. 성능, 작업 범용성, 배포 도구 간의 균형을 더 중시한다면 YOLO11이 신뢰할 수 있는 엔터프라이즈용 솔루션입니다.
선택적 엔드투엔드 추론과 빠른 엣지 성능을 원하는 엔지니어에게는 YOLO26으로의 마이그레이션을 권장합니다. Ultralytics Platform을 사용하면 프로젝트를 잘 관리되고 효율적인 기반 위에서 운영할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.