YOLO11과 YOLOv8#
컴퓨터 비전 분야는 객체 감지 아키텍처가 지속적으로 발전하면서 눈부신 발전을 거듭해 왔습니다. 실제 환경에 배포할 모델을 평가할 때 개발자는 Ultralytics YOLO11과 높은 성공을 거둔 이전 모델인 Ultralytics YOLOv8의 강점을 자주 비교합니다. 두 모델 모두 속도, 정확도, 개발자 경험 측면에서 업계 표준을 세웠지만, 프로젝트 수명 주기와 성능 기준이 약간 다릅니다.
이 가이드에서는 아키텍처, 학습 방법론, 이상적인 사용 사례를 심층적으로 분석하여 인공지능 이니셔티브에 가장 적합한 솔루션을 선택할 수 있도록 지원합니다.
아키텍처 혁신#
YOLOv8에서 YOLO11로 전환하면서 특징 추출 효율을 극대화하고 계산 오버헤드를 최소화하기 위한 몇 가지 주요 아키텍처 개선이 도입되었습니다.
YOLO11 아키텍처#
YOLO11은 파라미터 사용을 최적화하는 데 있어 큰 도약을 보여줍니다. 기존 C2f 모듈을 고급 C3k2 블록으로 대체하여 파라미터 수를 크게 늘리지 않고 공간 특징 처리를 향상합니다. 또한 YOLO11은 백본에 C2PSA(Cross-Stage Partial Spatial Attention) 모듈을 도입합니다. 이 어텐션 메커니즘을 통해 모델은 관심 영역의 핵심 부분에 집중할 수 있어 소형 객체 감지 성능이 크게 향상되고 복잡한 가림 현상을 처리할 수 있습니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: Ultralytics Repository
- 문서: YOLO11 문서
YOLOv8 아키텍처#
1년 앞서 출시된 YOLOv8은 앵커 박스를 수동으로 조정할 필요를 없애고 손실 함수 구성을 단순화한 앵커 프리 감지 헤드로의 전환을 선도했습니다. 이 아키텍처는 네트워크 깊이와 그래디언트 흐름의 균형을 성공적으로 맞춘 C2f 블록에 크게 의존하므로, 다양한 컴퓨터 비전 애플리케이션에서 매우 견고한 성능을 발휘합니다.
- 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직: Ultralytics
- 날짜: 2023-01-10
- GitHub: Ultralytics Repository
- 문서: YOLOv8 문서
YOLOv8이 Ultralytics 생태계에서 앵커 프리 감지의 기반을 마련했다면, YOLO11은 공간 어텐션 메커니즘으로 이 접근 방식을 개선하여 더 적은 계산 리소스로 더 높은 정확도를 달성합니다.
성능 및 벤치마크#
Raspberry Pi와 같은 엣지 디바이스 또는 NVIDIA TensorRT를 실행하는 고성능 서버에 모델을 배포할 때는 속도와 정확도 간의 트레이드오프를 이해하는 것이 매우 중요합니다. 아래 표는 모든 크기 변형에서 YOLO11이 YOLOv8을 일관되게 능가하는 방식을 보여줍니다.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
메트릭 분석#
YOLO11은 평균 정밀도(mAP)를 눈에 띄게 높이는 동시에 파라미터 수와 부동 소수점 연산(FLOPs)을 모두 줄입니다. 예를 들어 YOLO11m 모델은 YOLOv8m보다 파라미터가 22% 적지만 COCO 데이터셋에서 1.3% 더 높은 mAP를 제공합니다. 또한 ONNX 형식으로 내보냈을 때 CPU 추론 속도를 측정하면 YOLO11이 상당히 더 빠르므로, 전용 GPU 가속이 없는 배포 환경에 매우 적합합니다.
Ultralytics 생태계의 이점#
YOLO11과 YOLOv8 중 어느 것을 선택하든 두 모델 모두 포괄적인 Ultralytics 생태계의 이점을 누리며, 이 생태계는 머신 러닝 수명 주기를 크게 단순화합니다.
간편한 사용성과 단순한 API#
ultralytics Python 패키지는 엔지니어와 연구자가 몇 줄의 코드만으로 모델을 학습, 검증, 내보낼 수 있도록 간소화된 API를 제공합니다. 이를 통해 PyTorch에서 딥러닝 환경을 설정할 때 일반적으로 발생하는 복잡성을 추상화합니다.
학습 효율성 및 메모리 요구 사항#
대규모 Vision Transformer(예: RT-DETR)와 달리 Ultralytics YOLO 모델은 학습 중 메모리 사용량이 적은 것으로 잘 알려져 있습니다. 이러한 메모리 효율성 덕분에 개발자는 메모리 부족 오류 없이 소비자용 GPU 또는 Google Colab과 같은 클라우드 환경에서 최첨단 네트워크를 학습할 수 있습니다.
비전 작업 전반의 범용성#
YOLO11과 YOLOv8은 모두 진정한 멀티태스크 학습 모델입니다. 표준 바운딩 박스 객체 감지를 넘어 인스턴스 세그멘테이션, 이미지 분류, 사람 포즈 추정, 항공 영상용 방향성 바운딩 박스(OBB)를 기본적으로 지원합니다.
사용 사례 및 권장 사항#
YOLO11과 YOLOv8 중에서 선택하는 것은 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
YOLO11을 선택해야 하는 경우#
YOLO11은 다음과 같은 경우에 적합합니다.
- 프로덕션 엣지 배포: 신뢰성과 지속적인 유지 관리가 무엇보다 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서 실행되는 상용 애플리케이션입니다.
- 멀티태스크 비전 애플리케이션: 단일 통합 프레임워크에서 감지, 세그멘테이션, 포즈 추정, OBB가 필요한 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션까지 빠르게 진행해야 하는 팀입니다.
YOLOv8을 선택해야 하는 경우#
다음과 같은 경우 YOLOv8을 권장합니다:
- 범용 멀티태스크 배포: Ultralytics 생태계에서 detection, segmentation, classification, pose estimation을 수행하기 위해 검증된 모델이 필요한 프로젝트입니다.
- 확립된 프로덕션 시스템: 안정적이고 충분히 테스트된 배포 파이프라인과 함께 YOLOv8 아키텍처를 기반으로 이미 구축된 기존 프로덕션 환경입니다.
- 폭넓은 커뮤니티 및 생태계 지원: YOLOv8의 풍부한 튜토리얼, 서드파티 통합, 활발한 커뮤니티 리소스를 활용하는 애플리케이션입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
- 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.
코드 예제: 시작하기#
Ultralytics 모델의 배포와 학습은 매우 직관적입니다. 다음 예제에서는 사전 학습된 YOLO11 모델을 로드하고, 사용자 지정 데이터셋으로 파인튜닝한 후, Apple CoreML을 사용하여 엣지 배포용으로 내보내는 방법을 보여줍니다.
from ultralytics import YOLO
# Initialize the YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model efficiently with optimized memory requirements
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Evaluate the validation performance
metrics = model.val()
# Run real-time inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Export to CoreML for fast mobile deployment
export_path = model.export(format="coreml")Ultralytics API는 표준화되어 있으므로 레거시 파이프라인을 YOLOv8에서 YOLO11로 업그레이드할 때 일반적으로 "yolov8n.pt"에서 "yolo11n.pt"로 가중치 문자열만 변경하면 됩니다.
미래를 향해: YOLO26을 통한 엣지 AI의 정점#
YOLO11은 성숙하고 뛰어난 성능을 갖춘 아키텍처이지만 AI 혁신은 빠른 속도로 계속되고 있습니다. 성능 면에서 절대적인 최첨단을 요구하며 새로운 프로젝트를 시작하는 개발자에게는 2026년 1월에 출시된 Ultralytics YOLO26을 최고의 선택으로 권장합니다.
YOLO26은 다음과 같은 획기적인 기능을 통해 컴퓨터 비전의 한계를 확장합니다.
- 엔드투엔드 NMS 프리 설계: YOLOv10에서 살펴본 개념을 기반으로 YOLO26은 비최대 억제(NMS) 후처리를 기본적으로 제거하여 모든 배포 하드웨어에서 더 낮고 예측 가능한 지연 시간을 제공합니다.
- 최대 43% 향상된 CPU 추론 속도: Distribution Focal Loss(DFL) 브랜치를 완전히 제거하여 YOLO26은 강력한 GPU가 없는 엣지 컴퓨팅 디바이스에 맞게 특별히 최적화되었습니다.
- MuSGD Optimizer: 대규모 언어 모델(LLM) 학습 기법에서 영감을 받은 YOLO26은 하이브리드 MuSGD 옵티마이저를 사용하여 매우 안정적이고 빠른 학습 수렴을 보장합니다.
- ProgLoss + STAL: 이러한 고급 손실 함수는 자율 로보틱스와 드론 기반 분석에 필수적인 초소형 객체 및 심하게 가려진 객체의 인식 성능을 크게 향상합니다.
검증된 YOLOv8의 안정성, 최적화된 YOLO11 아키텍처, 차세대 YOLO26 기능 중 무엇을 사용하든 Ultralytics Platform은 비전 AI 애플리케이션을 개념에서 프로덕션까지 원활하게 구현하는 데 필요한 도구를 제공합니다. 모델을 엔터프라이즈 워크플로 및 분석 대시보드와 연결할 수 있도록 제공되는 다양한 통합 기능도 확인하시기 바랍니다.