YOLO11과 YOLOv6-3.0 비교

컴퓨터 비전 분야는 빠르게 발전하고 있으며, 적합한 모델 아키텍처를 선택하는 것은 머신러닝 실무자에게 중요한 결정입니다. 실시간 객체 탐지의 대표적인 두 이정표는 YOLO11과 YOLOv6-3.0입니다. 두 모델 모두 시각 데이터에서 유용한 정보를 추출하지만, 서로 다른 주요 목표와 설계 철학을 바탕으로 개발되었습니다.

이 가이드에서는 아키텍처, 성능 지표, 이상적인 배포 시나리오를 비교하여 다음 AI 프로젝트에 적합한 결정을 내릴 수 있도록 돕습니다.

모델 개요#

기술 벤치마크를 살펴보기 전에 각 모델의 배경과 핵심 초점을 파악하는 것이 좋습니다.

Ultralytics YOLO11#

Ultralytics 생태계에서 기본적으로 개발된 YOLO11은 학습부터 배포까지 완전한 개발 경험을 제공하도록 설계되었습니다. 순수 속도뿐 아니라 멀티태스크 활용성, 사용 편의성, 최신 배포 파이프라인과의 통합도 중요하게 다룹니다.

Meituan YOLOv6-3.0#

YOLOv6-3.0은 전용 그래픽 처리 장치(GPU)를 사용할 수 있는 산업용 애플리케이션에 맞춰 명시적으로 설계되었습니다. TensorRT 배포에 최적화되어 있으며, 통제된 환경에서 처리량을 극대화하는 데 중점을 둡니다.

YOLOv6에 대해 자세히 알아보기

아키텍처 차이#

기반 아키텍처는 모델의 학습 방식과 확장 방식을 결정합니다. 두 프레임워크는 모두 기존 YOLO 구조를 고유한 방식으로 개선합니다.

YOLO11은 수년간의 연구를 바탕으로 파라미터 효율적인 아키텍처를 구현합니다. 정교한 백본과 일반화된 헤드를 갖추어, 주요 구조 변경 없이 인스턴스 분할 및 자세 추정과 같은 다양한 컴퓨터 비전 작업을 처리합니다. YOLO11은 학습 중 CUDA 메모리 요구량도 적어 RT-DETR과 같은 대형 트랜스포머 모델과 차별화됩니다.

반대로 YOLOv6-3.0은 양방향 연결(BiC) 모듈과 앵커 보조 학습(AAT) 전략을 사용합니다. 이러한 메커니즘은 위치 정확도를 높이도록 설계되었습니다. 분리형 헤드와 INT8 추론에 적합한 양자화 친화적 설계를 사용하므로, 기존 GPU 스택을 활용하는 고속 제조 라인에 적합한 강력한 후보입니다.

적합한 프레임워크 선택

프로젝트에 신속한 프로토타이핑, 다양한 작업(분할 또는 분류 등) 지원, 여러 하드웨어(CPU, Edge TPU, 모바일)에 걸친 배포가 필요하다면 Ultralytics 프레임워크가 더욱 원활한 개발 경험을 제공합니다.

성능 및 지표#

모델을 평가할 때는 평균 정밀도(mAP)와 추론 속도가 핵심 지표입니다. 다음 표는 여러 모델 스케일에서 YOLO11과 YOLOv6-3.0의 성능을 비교합니다. 성능이 가장 우수한 지표는 굵게 표시했습니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

YOLO11은 각 유사 등급에서 더 적은 파라미터와 FLOPs로 높은 mAP를 달성합니다. 예를 들어 YOLO11s는 파라미터 9.4M으로 47.0 mAP를 달성하는 반면, YOLOv6-3.0s는 파라미터 18.5M으로 45.0 mAP를 달성합니다. T4 TensorRT에서 YOLOv6-3.0n이 가장 빠른 모델(1.17ms)이지만, s 스케일부터는 YOLO11이 더 빠릅니다. 이러한 파라미터 효율성은 모델 학습과 추론 중 필요한 메모리를 줄여 줍니다.

Ultralytics의 강점#

모델 선택은 단순히 원시 지표만의 문제가 아니라 전체 머신러닝 수명 주기를 고려해야 합니다. Ultralytics 모델은 개발자와 연구자에게 여러 이점을 제공합니다.

  1. 사용 편의성: Ultralytics Python API를 사용하면 몇 줄의 코드만으로 모델을 학습하고 검증한 뒤 내보낼 수 있습니다. 복잡한 종속성 트리를 수동으로 구성할 필요가 없습니다.
  2. 잘 관리되는 생태계: Ultralytics는 빈번한 업데이트를 제공하는 통합 생태계를 지원합니다. Ultralytics Platform을 통해 개발자는 협업형 데이터셋 어노테이션, 클라우드 학습, 모델 모니터링을 이용할 수 있습니다.
  3. 다목적성: 주로 경계 상자 탐지기인 YOLOv6-3.0과 달리, YOLO11은 이미지 분류와 방향성 경계 상자(OBB)도 지원하므로 기술 스택을 통합할 수 있습니다.
  4. 학습 효율성: 최신 최적화와 자동 배치 크기 설정을 활용하는 YOLO11은 소비자용 하드웨어에서 효율적으로 학습됩니다.

코드 예제: 학습 및 추론#

아래는 Ultralytics 패키지를 사용해 모델을 학습하고, 추론을 실행하며, 모델을 내보내는 실행 가능한 예제입니다.

from ultralytics import YOLO

# 사전 학습된 YOLO11 소형 모델을 불러옵니다.
model = YOLO("yolo11s.pt")

# COCO8 데이터셋에서 모델을 효율적으로 학습합니다
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# 웹의 이미지에서 추론을 실행합니다
prediction = model("https://ultralytics.com/images/bus.jpg")

# 간편한 배포를 위해 모델을 ONNX 형식으로 내보냅니다
model.export(format="onnx")

적합한 사용 사례#

각 모델의 강점을 파악하면 작업에 적합한 도구를 선택할 수 있습니다.

YOLOv6-3.0을 선택할 경우: 특정 TensorRT 7.x/8.x 파이프라인을 중심으로 명시적으로 구축된 레거시 산업 시스템을 유지 관리하고, 하드웨어 전체가 고속 제조 자동화를 위한 전용 NVIDIA T4 또는 A100 GPU로 구성되어 있다면 YOLOv6은 여전히 유능한 선택지입니다.

YOLO11을 선택할 경우: 대부분의 최신 애플리케이션에는 YOLO11이 더 적합합니다. 스마트 제조 솔루션을 구축하거나, Raspberry Pi 장치에 엣지 AI를 배포하거나, 의료 영상의 탐지와 분할 같은 멀티태스크 작업을 수행하든 YOLO11은 속도, 정확도, 배포 유연성의 균형이 뛰어납니다.

미래를 준비하는 YOLO26#

Ultralytics는 YOLO11 이후에도 새로운 모델을 계속 개발하고 있습니다. 2026년 1월에 출시된 YOLO26 모델 시리즈는 최신 Ultralytics YOLO 세대이며, 새 프로젝트에 권장되는 모델입니다.

YOLO26에는 최신 배포 과제를 해결하도록 설계된 여러 기능이 도입되었습니다.

  • 엔드투엔드 NMS 프리 설계: YOLOv10이 YOLO 모델에 도입한 NMS 프리 학습을 기반으로, YOLO26은 비최대 억제(NMS) 후처리를 없애는 선택적 엔드투엔드 헤드(nms=False)를 제공하여 더 빠르고 단순한 배포 파이프라인을 구현합니다.
  • DFL 제거: 분포 초점 손실을 제거하여 YOLO26은 네트워크 헤드를 단순화하고 저전력 사물 인터넷(IoT) 및 엣지 장치와의 호환성을 개선합니다.
  • MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델(LLM) 학습 방식에서 영감을 얻은 YOLO26은 안정적인 학습과 빠른 수렴을 위해 Muon-SGD 하이브리드 옵티마이저를 사용합니다.
  • CPU 추론 최대 43% 향상: 전용 GPU 가속기 없이 실행되는 애플리케이션에서 YOLO26n은 CPU 기준 YOLO11n보다 최대 43% 빠르게 실행됩니다.
  • ProgLoss + STAL: 점진적 손실과 소형 객체 인식형 레이블 할당(STAL)은 작은 객체 인식을 개선하며, 이는 드론 영상과 항공 감시에 매우 중요합니다.
  • 작업별 개선 사항: YOLO26은 분할용 멀티스케일 프로토 모듈과 자세 추정용 잔차 로그 가능도 추정(RLE) 등 작업별 맞춤 개선 사항을 포함합니다.

현재 새 컴퓨터 비전 프로젝트를 시작한다면, Ultralytics Platform에서 YOLO26 모델을 학습해 현재 이용할 수 있는 가장 정확하고 효율적인 Ultralytics 아키텍처를 사용하실 수 있습니다.

오픈 보캐뷸러리 탐지에 관심 있는 개발자는 YOLO-World 관련 문서도 살펴볼 수 있습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.