Ultralytics YOLO27:

YOLO11과 YOLOv6-3.0#

컴퓨터 비전 분야는 빠르게 발전하고 있으며, 적합한 모델 아키텍처를 선택하는 것은 머신 러닝 실무자에게 매우 중요한 결정입니다. 실시간 객체 감지의 발전 과정에서 중요한 이정표가 된 두 모델은 YOLO11과 YOLOv6-3.0입니다. 두 모델 모두 시각 데이터에서 인사이트를 추출하는 뛰어난 기능을 제공하지만, 서로 다른 주요 목표와 설계 철학에 따라 개발되었습니다.

이 가이드에서는 두 모델의 아키텍처, 성능 지표 및 적합한 배포 시나리오를 심층적으로 기술 분석하여 다음 AI 프로젝트에 대해 합리적인 결정을 내릴 수 있도록 지원합니다.

모델 개요#

기술 벤치마크를 살펴보기 전에 각 모델의 기원과 핵심 초점을 이해하면 도움이 됩니다.

Ultralytics YOLO11#

Ultralytics 생태계 내에서 자체적으로 개발된 YOLO11은 원활한 엔드투엔드 개발 경험을 제공하도록 설계되었습니다. 단순한 원시 속도뿐 아니라 멀티태스크 유연성, 사용 편의성 및 최신 배포 파이프라인과의 통합을 중시합니다.

Meituan YOLOv6-3.0#

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

YOLOv6에 대해 자세히 알아보세요

아키텍처 차이#

기반 아키텍처는 모델이 학습하고 확장되는 방식을 결정합니다. 두 프레임워크 모두 기존 YOLO 공식에 고유한 개선 사항을 도입합니다.

YOLO11은 수년간의 연구를 기반으로 매우 뛰어난 파라미터 효율성을 제공하는 아키텍처를 구현합니다. 고급 백본과 일반화된 헤드를 갖추고 있어 대규모 구조 개편 없이도 인스턴스 세그멘테이션 및 포즈 추정과 같은 다양한 컴퓨터 비전 작업을 처리할 수 있습니다. 또한 YOLO11은 학습 중 CUDA 메모리 요구량이 매우 낮아 RT-DETR과 같은 더 무거운 트랜스포머 모델과 차별화됩니다.

반면 YOLOv6-3.0은 양방향 연결(BiC) 모듈과 앵커 보조 학습(AAT) 전략을 사용합니다. 이러한 메커니즘은 위치 지정 정확도를 향상하도록 설계되었습니다. 이 아키텍처는 주로 디커플링되어 있으며 INT8 모델 추론에 유리하도록 고도로 양자화되어, 레거시 GPU 스택을 실행하는 고속 제조 라인에 적합한 강력한 후보입니다.

적합한 프레임워크 선택

프로젝트에 신속한 프로토타이핑, 다양한 작업 지원(세그멘테이션 또는 분류 등), 그리고 여러 하드웨어(CPU, Edge TPU, Mobile)에 걸친 배포가 필요하다면 Ultralytics 프레임워크가 훨씬 원활한 개발자 경험을 제공합니다.

성능 및 지표#

모델을 평가할 때 평균 정밀도(mAP)와 추론 속도는 가장 중요한 요소입니다. 다음 표에서는 다양한 모델 규모에 걸쳐 YOLO11과 YOLOv6-3.0의 성능을 비교합니다. 가장 우수한 성능 지표는 굵게 표시되어 있습니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9
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

앞서 확인한 것처럼 YOLO11은 동일한 등급에서 훨씬 적은 파라미터와 FLOPs로 일관되게 더 높은 정확도(mAP)를 달성합니다. 이러한 파라미터 효율성은 모델 학습과 추론 중 더 낮은 메모리 요구량으로 직접 이어집니다.

Ultralytics의 강점#

모델 선택은 단순한 원시 지표 이상의 문제이며, 전체 머신 러닝 수명 주기를 고려해야 합니다. Ultralytics 모델은 개발자와 연구자 모두에게 뚜렷한 이점을 제공합니다.

  1. 사용 편의성: Ultralytics Python API를 사용하면 몇 줄의 코드만으로 모델을 학습하고 검증하며 내보낼 수 있습니다. 복잡한 종속성 트리를 수동으로 구성할 필요가 없습니다.
  2. 체계적으로 유지 관리되는 생태계: Ultralytics는 자주 업데이트되는 통합 생태계를 제공합니다. Ultralytics Platform을 활용하면 개발자는 협업 데이터셋 어노테이션, 클라우드 학습 및 원활한 모델 모니터링을 이용할 수 있습니다.
  3. 유연성: 주로 바운딩 박스 디텍터인 YOLOv6-3.0과 달리 YOLO11은 이미지 분류와 방향성 바운딩 박스(OBB)를 기본적으로 지원하므로 기술 스택을 통합할 수 있습니다.
  4. 학습 효율성: 최신 최적화와 오토 배칭을 활용하는 YOLO11은 일반 소비자용 하드웨어에서도 효율적으로 학습되어 최첨단 비전 AI에 대한 접근성을 높입니다.

코드 예제: 학습 및 추론#

Ultralytics 모델을 사용하는 방법은 매우 직관적입니다. 아래에는 Ultralytics 패키지를 사용하여 학습을 수행하고 추론을 실행하는 100% 실행 가능한 예제가 제공되어 있습니다.

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model efficiently on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image from the web
prediction = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format for easy deployment
model.export(format="onnx")

이상적인 사용 사례#

각 모델이 어떤 작업에서 뛰어난지 이해하면 적합한 도구를 선택할 수 있습니다.

YOLOv6-3.0을 선택해야 하는 경우: 특정 TensorRT 7.x/8.x 파이프라인을 중심으로 명시적으로 구축된 레거시 산업 시스템을 유지 관리하고 있으며, 하드웨어가 고속 제조 자동화를 위한 전용 NVIDIA T4 또는 A100 GPU로만 구성되어 있다면 YOLOv6은 여전히 실행 가능하고 역량 있는 엔진입니다.

YOLO11을 선택해야 하는 경우: 거의 모든 최신 애플리케이션에서 YOLO11이 더 나은 선택입니다. 스마트 제조 솔루션을 구축하거나, Raspberry Pi 장치에 엣지 AI를 배포하거나, 의료 이미지를 감지하고 세그멘테이션하는 등의 멀티태스크 작업을 수행하는 경우에도 YOLO11은 속도, 정확도 및 배포 유연성 사이에서 최적의 균형을 제공합니다.

미래를 향해: 최첨단 YOLO26#

YOLO11이 큰 도약을 이뤘지만, Ultralytics는 컴퓨터 비전의 한계를 지속적으로 확장하고 있습니다. 2026년 1월에 출시된 새로운 YOLO26 모델 시리즈는 절대적인 최첨단 모델이며 모든 신규 프로젝트에 권장되는 모델입니다.

YOLO26은 최신 배포 과제를 위해 특별히 설계된 여러 획기적인 기능을 도입합니다.

  • 엔드투엔드 NMS 제거 설계: YOLOv10이 개척한 개념을 기반으로 YOLO26은 기본적으로 엔드투엔드 방식으로 작동합니다. 비최대 억제(NMS) 후처리를 완전히 제거하여 더 빠르고 훨씬 단순한 배포 파이프라인을 구현합니다.
  • DFL 제거: 분포 초점 손실을 제거하여 YOLO26은 네트워크 헤드를 단순화하고 저전력 사물 인터넷(IoT) 및 엣지 장치와의 호환성을 크게 향상합니다.
  • MuSGD 옵티마이저: 대규모 언어 모델(LLM) 학습 혁신(예: Moonshot AI의 Kimi K2)에서 영감을 얻은 YOLO26은 하이브리드 Muon-SGD 옵티마이저를 사용하여 탁월한 학습 안정성과 더 빠른 수렴을 보장합니다.
  • 최대 43% 더 빠른 CPU 추론: 전용 GPU 가속기 없이 실행되는 애플리케이션을 위해 YOLO26은 순수 CPU 처리량에 맞춰 고도로 최적화되었습니다.
  • ProgLoss + STAL: 이러한 고급 손실 함수는 드론 이미지 및 항공 감시에 중요한 소형 객체 인식 성능을 크게 향상합니다.
  • 작업별 개선 사항: YOLO26은 세그멘테이션을 위한 멀티스케일 프로토타이핑과 포즈 추정을 위한 잔차 로그 우도 추정(RLE) 등 모든 작업에 걸쳐 맞춤형 개선 사항을 포함합니다.

오늘 새로운 컴퓨터 비전 이니셔티브를 시작한다면 Ultralytics Platform을 활용하여 YOLO26 모델을 학습하는 것이 애플리케이션을 현재 이용 가능한 가장 효율적이고 정확하며 미래 지향적인 아키텍처를 기반으로 구축하도록 보장합니다.

오픈 어휘 감지에 관심이 있는 개발자는 YOLO-World에 관한 문서도 검토할 수 있습니다.

기여자
GLglenn-jocher15PDpderrenger2

댓글