YOLO11과 YOLOv8 비교#
객체 감지 아키텍처가 지속적으로 발전하면서 컴퓨터 비전 분야도 눈에 띄게 진보했습니다. 실제 배포에 사용할 모델을 평가할 때 개발자는 Ultralytics YOLO11과 큰 성공을 거둔 이전 버전인 Ultralytics YOLOv8의 장점을 비교하는 경우가 많습니다. 두 모델 모두 속도, 정확도, 개발자 경험 측면에서 업계 표준을 제시했지만, 서로 다른 프로젝트 수명 주기와 성능 기준에 적합합니다.
이 가이드에서는 아키텍처, 학습 방법론, 이상적인 사용 사례를 심층적으로 분석하여 인공지능 프로젝트에 가장 적합한 솔루션을 선택할 수 있도록 지원합니다.
아키텍처 혁신#
YOLOv8에서 YOLO11로 전환하면서 연산 오버헤드를 최소화하고 특징 추출 효율성을 극대화하기 위한 몇 가지 주요 아키텍처 개선 사항이 도입되었습니다.
YOLO11 아키텍처#
YOLO11은 파라미터 활용을 최적화하는 데 있어 상당한 발전을 이루었습니다. 기존 C2f 모듈을 고급 C3k2 블록으로 대체하여 파라미터 수를 크게 늘리지 않으면서 공간 특징 처리를 개선합니다. 또한 YOLO11은 백본에 C2PSA(Cross-Stage Partial Spatial Attention) 모듈을 도입했습니다. 이 어텐션 메커니즘을 통해 모델은 중요한 관심 영역에 집중할 수 있어 소형 객체 감지 성능을 크게 향상하고 복잡한 가림 상황을 처리합니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: Ultralytics 저장소
- 문서: YOLO11 문서
YOLOv8 아키텍처#
1년 앞서 출시된 YOLOv8은 앵커 박스를 수동으로 조정할 필요를 없애고 손실 함수 구성을 단순화하는 앵커 프리 감지 헤드로의 전환을 선도했습니다. 아키텍처는 네트워크 깊이와 기울기 흐름의 균형을 성공적으로 맞춘 C2f 블록에 크게 의존하며, 이를 통해 다양한 컴퓨터 비전 애플리케이션에서 뛰어난 견고성을 발휘합니다.
- 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직: Ultralytics
- 날짜: 2023-01-10
- GitHub: Ultralytics 저장소
- 문서: YOLOv8 문서
YOLOv8이 Ultralytics 생태계에서 앵커 프리 감지의 기반을 마련했다면, YOLO11은 공간 어텐션 메커니즘으로 이 접근법을 개선해 더 적은 연산 리소스로 더 높은 정확도를 달성했습니다.
성능 및 벤치마크#
Raspberry Pi와 같은 엣지 디바이스나 NVIDIA TensorRT를 실행하는 고성능 서버에 모델을 배포할 때는 속도와 정확도 간의 상충 관계를 이해하는 것이 중요합니다. 아래 표는 YOLO11이 모든 크기 변형에서 YOLOv8보다 일관되게 높은 정확도를 제공함을 보여 줍니다.
| 모델 | 크기 (픽셀) | mAP검증 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 | 21.6 |
| 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 |
| 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 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
지표 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 mAP가 1.3포인트 더 높습니다. 또한 ONNX 형식으로 내보낸 경우 CPU 추론 속도를 비교하면 YOLO11이 상당히 빠르므로 전용 GPU 가속이 없는 환경에 적합합니다.
Ultralytics 생태계의 이점#
YOLO11과 YOLOv8 중 어느 모델을 선택하든 포괄적인 Ultralytics 생태계의 이점을 활용하여 머신러닝 수명 주기를 크게 간소화할 수 있습니다.
간편한 사용과 단순한 API#
ultralytics Python 패키지는 엔지니어와 연구자가 단 몇 줄의 코드로 모델을 학습, 검증, 내보낼 수 있도록 간소화된 API를 제공합니다. 이 패키지는 PyTorch에서 딥러닝 환경을 설정할 때 발생하는 일반적인 복잡성을 추상화합니다.
학습 효율성 및 메모리 요구 사항#
무거운 Vision Transformers(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 일반 소비자용 GPU나 Google Colab과 같은 클라우드 환경에서 최첨단 네트워크를 학습할 수 있습니다.
다양한 비전 작업에 적용#
YOLO11과 YOLOv8은 모두 진정한 멀티태스크 학습 모델입니다. 기본적인 바운딩 박스 객체 탐지 외에도 인스턴스 세그멘테이션, 이미지 분류, 사람의 자세 추정, 항공 이미지용 방향성 바운딩 박스(OBB)를 기본적으로 지원합니다.
사용 사례 및 권장 사항#
YOLO11과 YOLOv8 중 어떤 모델을 선택할지는 특정 프로젝트의 요구 사항, 배포 제약 조건, 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: 하나의 통합 프레임워크에서 감지, 분할, 자세 추정, OBB가 필요한 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션 배포까지 빠르게 진행해야 하는 팀에 적합합니다.
YOLOv8을 선택해야 하는 경우#
다음과 같은 경우 YOLOv8을 권장합니다.
- 다양한 작업의 유연한 배포: Ultralytics 생태계에서 탐지, 세그멘테이션, 분류, 자세 추정에 검증된 모델이 필요한 프로젝트.
- 안정적인 프로덕션 시스템: 이미 YOLOv8 아키텍처를 기반으로 구축되어 안정적이고 충분히 테스트된 배포 파이프라인을 갖춘 기존 프로덕션 환경.
- 폭넓은 커뮤니티 및 생태계 지원: YOLOv8의 방대한 튜토리얼, 타사 통합, 활발한 커뮤니티 리소스를 활용하는 애플리케이션.
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 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
코드 예제: 시작하기#
Ultralytics 모델의 배포와 학습은 매우 직관적입니다. 다음 예제에서는 사전 학습된 YOLO11 모델을 불러와 사용자 지정 데이터셋으로 미세 조정한 다음, Apple CoreML을 사용해 엣지 배포용으로 내보내는 방법을 보여줍니다.
from ultralytics import YOLO
# YOLO11 소형 모델을 초기화합니다
model = YOLO("yolo11s.pt")
# 최적화된 메모리 요구 사항으로 모델을 효율적으로 학습합니다
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# 검증 성능을 평가합니다
metrics = model.val()
# 테스트 이미지에서 실시간 추론을 실행합니다
predictions = model("https://ultralytics.com/images/bus.jpg")
# 빠른 모바일 배포를 위해 CoreML로 내보냅니다
export_path = model.export(format="coreml")Ultralytics API는 표준화되어 있으므로, 기존 파이프라인을 YOLOv8에서 YOLO11로 업그레이드할 때 일반적으로 "yolov8n.pt"을 "yolo11n.pt"로 변경하기만 하면 됩니다.
앞으로의 전망: YOLO26으로 구현하는 엣지 AI의 정점#
YOLO11은 성숙하고 성능이 뛰어난 아키텍처이지만, AI 혁신은 빠르게 계속되고 있습니다. 최고 수준의 성능을 원하는 신규 프로젝트를 시작하는 개발자에게는 Ultralytics YOLO26(2026년 1월 출시)을 최우선으로 추천합니다.
YOLO26은 여러 획기적인 기능으로 컴퓨터 비전의 한계를 넓힙니다.
- 엔드투엔드 NMS-Free 설계: YOLOv10에서 살펴본 개념을 토대로, YOLO26은 비최대 억제(NMS) 후처리를 생략하는 선택적 일대일 헤드(
nms=False)를 제공하며, 그 결과 모든 배포 하드웨어에서 더 낮고 예측하기 쉬운 지연 시간을 실현합니다. - CPU 추론 최대 43% 향상: Distribution Focal Loss(DFL) 브랜치를 완전히 제거하여, YOLO26은 강력한 GPU가 없는 엣지 컴퓨팅 디바이스에 맞게 특별히 최적화되었습니다.
- MuSGD 옵티마이저: 대규모 언어 모델(LLM) 학습 기법에서 영감을 얻은 YOLO26은 하이브리드 MuSGD 옵티마이저를 사용하여 매우 안정적이고 빠른 학습 수렴을 보장합니다.
- ProgLoss + STAL: 이러한 고급 손실 함수는 작은 객체와 심하게 가려진 객체의 인식 성능을 크게 향상하며, 자율 로봇과 드론 기반 분석에 필수적입니다.
검증된 YOLOv8의 안정성, 최적화된 YOLO11 아키텍처, 차세대 YOLO26 기능 중 무엇을 사용하든, Ultralytics Platform은 비전 AI 애플리케이션을 구상부터 프로덕션까지 원활하게 구현하는 데 필요한 도구를 제공합니다. 모델을 엔터프라이즈 워크플로와 분석 대시보드에 연결할 수 있도록 제공되는 다양한 통합 기능도 살펴보세요.