콘텐츠로 건너뛰기

YOLO11 vs YOLOv6-3.0: 자세한 모델 비교

올바른 컴퓨터 비전 모델을 선택하는 것은 객체 감지 작업에서 최적의 성능을 달성하는 데 매우 중요합니다. 이 페이지에서는 Ultralytics YOLO11과 YOLOv6-3.0 간의 기술 비교를 제공하여 프로젝트에 가장 적합한 모델을 선택하는 데 도움이 되도록 아키텍처, 성능 지표, 교육 방법론 및 이상적인 사용 사례에 중점을 둡니다. 둘 다 강력한 감지기이지만 YOLO11은 포괄적이고 적극적으로 유지 관리되는 생태계에 통합된 보다 다재다능하고 효율적이며 사용자 친화적인 솔루션으로 돋보입니다.

Ultralytics YOLO11

저자: Glenn Jocher, Jing Qiu
소속: Ultralytics
날짜: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
문서: https://docs.ultralytics.com/models/yolo11/

Ultralytics YOLO11은 Ultralytics의 최첨단 모델로, YOLO 시리즈의 최신 진화를 나타냅니다. 2024년 9월에 출시되었으며 속도와 정확도를 모두 향상시키는 것을 목표로 하는 아키텍처 개선을 통해 YOLOv8과 같은 이전 버전을 기반으로 합니다. YOLO11은 컴퓨터 비전 작업(예: 객체 탐지, 인스턴스 분할, 이미지 분류, 자세 추정 및 OBB(Oriented Bounding Box))의 광범위한 범위에서 뛰어난 성능과 효율성을 제공하도록 설계되었습니다.

아키텍처 및 주요 기능

YOLO11은 모델 크기, 추론 속도 및 정확도 간의 개선된 균형을 달성하는 최적화된 아키텍처를 특징으로 합니다. 주요 개선 사항으로는 향상된 특징 추출 레이어와 간소화된 네트워크 구조가 있으며 계산 오버헤드를 최소화합니다. 이 설계는 에지 장치에서 클라우드 서버에 이르기까지 다양한 하드웨어에서 효율적인 성능을 보장합니다. 앵커 프리(Anchor-Free) 감지기인 YOLO11은 감지 프로세스를 단순화하고 일반화를 개선하여 보다 현대적이고 효과적인 선택이 됩니다.

강점

  • 뛰어난 성능 균형: 아래 성능 표에서 볼 수 있듯이 많은 경쟁사 제품에 비해 더 적은 파라미터로 더 높은 mAP 점수를 달성하여 속도와 정확성 간의 뛰어난 균형을 제공합니다.
  • 다양성: 단일 통합 프레임워크 내에서 여러 비전 작업을 지원하여 단순한 객체 탐지를 훨씬 뛰어넘는 포괄적인 솔루션을 제공합니다. 이는 YOLOv6와 같은 단일 작업 모델에 비해 상당한 이점입니다.
  • 사용 편의성: 간단한 Python API, 광범위한 설명서 및 즉시 사용 가능한 사전 훈련된 가중치를 특징으로 하는 간소화된 Ultralytics 생태계의 이점을 누릴 수 있습니다.
  • 잘 관리되는 에코시스템: Ultralytics에 의해 활발하게 개발되고 지원되며, 잦은 업데이트, GitHubDiscord를 통한 강력한 커뮤니티 지원, 그리고 노코드 학습 및 배포를 위한 Ultralytics HUB와의 원활한 통합을 제공합니다.
  • 학습 효율성: 매우 효율적인 학습 프로세스를 제공하며, 종종 학습 속도가 느리고 더 많은 리소스를 필요로 하는 트랜스포머 기반 모델과 같은 다른 아키텍처에 비해 더 적은 메모리를 필요로 합니다.

약점

  • 새로운 모델: 최신 릴리스이므로 커뮤니티 튜토리얼 및 타사 도구의 양은 YOLOv5와 같이 더 확립된 모델에 비해 여전히 증가하고 있습니다.
  • 소형 객체 감지: 대부분의 원-스테이지 감지기와 마찬가지로, 특화된 투-스테이지 감지기에 비해 극도로 작은 객체에서 어려움을 겪을 수 있지만, 대부분의 시나리오에서 여전히 강력한 성능을 보입니다.

이상적인 사용 사례

YOLO11은 정확도, 속도 및 다재다능함의 조화로 인해 광범위한 최신 애플리케이션에 이상적입니다.

  • 높은 정밀도를 요구하는 실시간 애플리케이션(예: 자율 시스템, 로봇 공학).
  • 고급 보안 시스템에서와 같이 검출, 분할 및 자세 추정을 동시에 필요로 하는 멀티태스크 시나리오.
  • 리소스가 제한된 에지 장치(NVIDIA Jetson, Raspberry Pi)에서 강력한 클라우드 인프라에 이르기까지 다양한 플랫폼에 걸친 배포.
  • 보안, 유통, 헬스케어제조 분야에서의 응용.

YOLO11에 대해 자세히 알아보세요

YOLOv6-3.0

작성자: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, Xiangxiang Chu
소속: Meituan
날짜: 2023-01-13
Arxiv: https://arxiv.org/abs/2301.05586
GitHub: https://github.com/meituan/YOLOv6
문서: https://docs.ultralytics.com/models/yolov6/

Meituan에서 개발한 YOLOv6-3.0은 주로 산업 응용 분야를 위해 설계된 객체 감지 프레임워크입니다. 2023년 초에 출시되었으며 당시 실제 배포 시나리오에 적합한 속도와 정확성 간의 균형을 제공하는 것을 목표로 했습니다.

아키텍처 및 주요 기능

YOLOv6는 효율적인 백본 및 넥 디자인과 같은 아키텍처 수정 사항을 도입했습니다. 버전 3.0에서는 이러한 요소를 더욱 개선하고 성능을 향상시키기 위해 훈련 중 자체 증류와 같은 기술을 통합했습니다. 또한 모바일 배포에 최적화된 특정 모델(YOLOv6Lite)을 제공하여 하드웨어별 최적화에 대한 집중을 보여줍니다.

강점

  • 뛰어난 속도-정확도 균형: 특히 속도가 주요 관심사인 산업 객체 감지 작업에 대해 경쟁력 있는 성능을 제공합니다.
  • 양자화 지원: 리소스가 제한된 하드웨어에 배포하는 데 유용한 모델 양자화를 위한 도구 및 튜토리얼을 제공합니다.
  • 모바일 최적화: 모바일 또는 CPU 기반 추론을 위해 특별히 설계된 YOLOv6Lite 변형을 포함합니다.

약점

  • 제한적인 작업 다양성: 주로 객체 감지에 중점을 두어 포괄적인 Ultralytics YOLO11 프레임워크에서 볼 수 있는 분할, 분류 또는 포즈 추정에 대한 기본 지원이 부족합니다. 이는 현대적인 다면적 AI 프로젝트에서의 적용 가능성을 제한합니다.
  • 생태계 및 유지 관리: 오픈 소스이긴 하지만, 해당 생태계는 Ultralytics 플랫폼만큼 포괄적이거나 활발하게 유지 관리되지 않습니다. 이로 인해 업데이트가 느려지고 통합이 줄어들며 개발자에 대한 커뮤니티 지원이 줄어들 수 있습니다.
  • 높은 리소스 사용량: 아래 표에서 볼 수 있듯이 더 큰 YOLOv6 모델은 유사한 mAP에 대해 YOLO11 모델보다 훨씬 더 많은 파라미터와 FLOPs를 가질 수 있으므로 학습 및 배포에 더 많은 계산 리소스가 필요할 수 있습니다.

이상적인 사용 사례

YOLOv6-3.0은 다음에 적합합니다.

  • 객체 감지 속도가 가장 중요한 요소인 산업 응용 분야.
  • 양자화를 활용하거나 레거시 시스템을 위해 모바일에 최적화된 모델을 필요로 하는 배포 시나리오.
  • 객체 감지에만 전념하고 다중 작업 기능이 필요하지 않은 프로젝트입니다.

YOLOv6에 대해 자세히 알아보세요

성능 비교: YOLO11 vs. YOLOv6-3.0

다음 표는 COCO 데이터 세트에서 YOLO11과 YOLOv6-3.0 모델 간의 자세한 성능 비교를 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
YOLOv6-3.0n 640 37.5 - 1.17 4.7 11.4
YOLOv6-3.0s 640 45.0 - 2.66 18.5 45.3
YOLOv6-3.0m 640 50.0 - 5.28 34.9 85.8
YOLOv6-3.0l 640 52.8 - 8.95 59.6 150.7

데이터를 통해 YOLO11 모델이 유사한 규모에서 YOLOv6-3.0 모델보다 더 적은 파라미터와 FLOP를 사용하면서도 일관되게 더 높은 mAP 점수를 달성한다는 것을 분명히 알 수 있습니다. 예를 들어 YOLO11m은 YOLOv6-3.0m보다 정확도(51.5 vs. 50.0 mAP)가 높으면서도 파라미터 수는 거의 절반(20.1M vs. 34.9M)입니다. 이러한 뛰어난 효율성 덕분에 YOLO11은 배포를 위한 더욱 강력하고 비용 효율적인 솔루션이 됩니다. YOLOv6-3.0n은 매우 빠른 GPU 추론을 보여주지만, YOLO11은 정확도, 모델 크기 및 다재다능함의 훨씬 더 나은 전체적인 균형을 제공합니다.

결론 및 권장 사항

YOLOv6-3.0은 객체 탐지 분야에 대한 확실한 기여자였지만, Ultralytics YOLO11은 최첨단, 다재다능하고 효율적인 컴퓨터 비전 솔루션을 찾는 개발자와 연구원에게 확실한 승자입니다.

YOLO11은 더 적은 계산 리소스로 더 높은 정확도를 제공할 뿐만 아니라 단일의 사용하기 쉬운 프레임워크 내에서 분할, 분류 및 자세 추정을 포함한 광범위한 작업으로 기능을 확장합니다. 광범위한 문서, 커뮤니티 지원 및 Ultralytics HUB와 같은 도구를 완비한 강력하고 적극적으로 유지 관리되는 Ultralytics 생태계는 원활한 개발 및 배포 경험을 보장합니다.

새로운 프로젝트에는 YOLO11이 권장됩니다. 다른 최신 아키텍처에 관심이 있는 분들은 YOLOv10 또는 RT-DETR과 같은 모델과의 비교를 통해 유용한 정보를 얻을 수도 있습니다.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨

댓글