콘텐츠로 건너뛰기

YOLO11 대 YOLOv8: 상세 비교

특히 객체 감지를 위한 컴퓨터 비전 모델을 선택할 때 다양한 아키텍처의 강점과 약점을 이해하는 것이 필수적입니다. 이 페이지에서는 객체 감지 및 기타 비전 작업을 위해 설계된 두 가지 최첨단 모델인 Ultralytics YOLO11과 Ultralytics YOLOv8 간의 자세한 기술 비교를 제공합니다. 아키텍처의 미묘한 차이, 성능 벤치마크 및 적합한 애플리케이션을 분석하여 다음 AI 프로젝트에 대한 정보에 입각한 결정을 내리는 데 도움을 드립니다.

Ultralytics YOLO11

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

Ultralytics YOLO11은 YOLO 시리즈의 최신 진화 모델로, 향상된 정확도와 효율성을 위해 설계되었습니다. 이전 YOLO 모델의 강력한 기반을 바탕으로 YOLO11은 뛰어난 실시간 성능을 유지하면서 감지 정확도를 향상시키는 것을 목표로 하는 아키텍처 개선 사항을 도입했습니다. 인스턴스 분할, 이미지 분류, 포즈 추정 및 OBB(Oriented Bounding Boxes)를 포함한 광범위한 작업을 지원하는 매우 다재다능한 모델입니다.

아키텍처 및 주요 기능

YOLO11은 특징 추출 및 처리를 최적화하기 위해 네트워크 구조의 발전을 통합합니다. 아래 성능 표에서 볼 수 있듯이 YOLOv8과 같은 이전 모델에 비해 더 적은 파라미터와 FLOP으로 더 높은 정확도를 달성합니다. 이러한 효율성은 더 빠른 추론 속도와 감소된 계산 요구 사항으로 이어져 에지 장치에서 강력한 클라우드 인프라에 이르기까지 다양한 플랫폼에 배포하는 데 적합합니다. YOLO11의 주요 장점은 효율적인 학습 프로세스, 즉시 사용 가능한 사전 학습된 가중치, 다른 많은 모델 유형에 비해 더 낮은 메모리 사용량을 제공하는 잘 관리된 Ultralytics 생태계에 원활하게 통합된다는 점입니다.

강점

  • 탁월한 정확도: 최첨단 mAP 점수를 달성하여 유사한 모델 크기에서 YOLOv8보다 지속적으로 뛰어난 성능을 보입니다.
  • 매우 효율적인 추론: 특히 CPU에서 훨씬 빠른 처리 속도를 제공하며, 이는 리소스가 제한된 환경에서 실시간 애플리케이션에 매우 중요합니다.
  • 다중 작업 다재다능함: 단일 통합 프레임워크가 여러 컴퓨터 비전 작업을 지원하여 개발 워크플로를 단순화합니다.
  • 최적화 및 확장 가능: 효율적인 메모리 사용량과 더 작은 계산 공간으로 다양한 하드웨어에서 뛰어난 성능을 발휘합니다.
  • 사용 편의성: 간소화된 Ultralytics API, 광범위한 문서, GitHub 및 Discord에서의 활발한 커뮤니티 지원을 통해 이점을 얻을 수 있습니다.

약점

  • 더 새로운 모델로서 기존의 YOLOv8보다 타사 통합이 처음에는 적을 수 있습니다.
  • 가장 큰 모델(예: YOLO11x)은 여전히 상당한 컴퓨팅 리소스가 필요하며, 이는 고정밀 감지기의 일반적인 특징입니다.

사용 사례

YOLO11은 정확성과 효율성 간의 뛰어난 균형을 제공하므로 다음과 같이 정확하고 빠른 객체 탐지를 요구하는 응용 분야에 이상적인 선택입니다.

  • 로보틱스: 자율 시스템을 위해 동적 환경에서 내비게이션 및 객체 상호 작용을 가능하게 합니다.
  • 보안 시스템: 침입 감지 및 실시간 모니터링을 위한 고급 보안 시스템을 향상시킵니다.
  • 소매 분석: 소매업의 AI를 위한 재고 관리 및 고객 행동 분석 개선.
  • 산업 자동화: 제조 분야에서 품질 관리 및 결함 감지를 지원합니다.

YOLO11에 대해 자세히 알아보세요

Ultralytics YOLOv8

작성자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
소속: Ultralytics
날짜: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
문서: https://docs.ultralytics.com/models/yolov8/

Ultralytics YOLOv8은 출시되자마자 실시간 객체 감지에 대한 새로운 표준을 세웠으며, 빠르게 세계에서 가장 인기 있는 비전 모델 중 하나가 되었습니다. 앵커 프리 감지 헤드 및 C2f 백본 모듈과 같은 주요 아키텍처 변경 사항을 도입하여 이전 버전에 비해 성능이 크게 향상되었습니다. YOLO11과 마찬가지로 YOLOv8은 수많은 실제 애플리케이션에서 광범위하게 검증된 다재다능한 다중 작업 모델입니다.

아키텍처 및 주요 기능

YOLOv8은 속도와 정확성 간의 강력한 균형에 중점을 둡니다. 앵커 프리 방식을 통해 박스 예측 수를 줄여 후처리 파이프라인을 간소화하고 추론 속도를 향상시킵니다. 이 모델은 모바일 및 엣지 AI를 위한 경량 'n'(나노) 버전부터 최대 정확도를 위한 강력한 'x'(엑스트라 라지) 버전에 이르기까지 확장성이 뛰어납니다. YOLOv8은 Ultralytics 생태계에 완전히 통합되어 간단한 API, 포괄적인 가이드 및 노코드 학습 및 배포를 위한 Ultralytics HUB와 같은 도구의 이점을 누릴 수 있습니다.

강점

  • 입증된 성능: 지원되는 모든 작업에서 강력한 결과를 제공하는 매우 안정적이고 널리 채택된 모델입니다.
  • 뛰어난 속도-정확도 균형: 다양한 애플리케이션에 널리 사용되는 환상적인 균형을 제공합니다.
  • 성숙한 에코시스템: 출시 이후 구축된 광범위한 커뮤니티 지원, 튜토리얼 및 타사 통합을 통해 이점을 얻을 수 있습니다.
  • 다양성: YOLO11과 동일한 광범위한 비전 작업을 지원하므로 강력한 올인원 솔루션입니다.

약점

  • 여전히 최고의 성능을 제공하지만, 일반적으로 모든 모델 크기에서 정확도와 CPU 추론 속도 모두에서 YOLO11에 의해 능가됩니다.
  • 더 큰 모델은 YOLO11 모델에 비해 파라미터 및 FLOP 수가 더 많아 더 많은 계산이 필요합니다.

사용 사례

YOLOv8은 널리 배포되고 테스트된 애플리케이션에서 뛰어난 성능을 발휘하는 강력하고 매우 관련성이 높은 모델로 남아 있습니다.

  • 농업: 스마트 농업에서 작물 모니터링, 해충 감지 및 수확량 예측에 사용됩니다.
  • 헬스케어: 세포 또는 이상 징후 감지와 같은 작업을 위한 의료 영상 분석 지원.
  • 환경 모니터링: 야생 동물 추적 및 환경 변화 모니터링을 위해 배포됩니다.
  • 스마트 시티: 교통 관리 및 공공 안전 모니터링과 같은 애플리케이션을 강화합니다.

YOLOv8에 대해 자세히 알아보세요

성능 비교: YOLO11 vs. YOLOv8

YOLO11과 YOLOv8의 주요 차이점은 성능 지표에 있습니다. YOLO11은 더 효율적인 아키텍처로 더 높은 정확도(mAP)를 일관되게 제공하여 파라미터 수와 FLOPs를 줄입니다. 이러한 아키텍처 최적화는 CPU 추론 속도에서 특히 두드러지며, YOLO11 모델은 해당 YOLOv8 모델보다 훨씬 빠릅니다. YOLOv8n은 GPU 지연 시간에서 약간의 우위를 점하고 있지만, 's'에서 'x'까지의 YOLO11 모델도 GPU에서 더 빠르므로 YOLO11이 대부분의 새로운 프로젝트에 더 나은 선택입니다.

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

아키텍처 발전 및 생태계

YOLO11은 YOLOv8의 직접적인 진화로, 성공적인 설계 원칙을 기반으로 하면서도 목표 최적화를 도입했습니다. 두 모델 모두 빠르고 정확하며 사용하기 쉽다는 동일한 핵심 철학을 공유합니다. 두 모델은 통합된 Ultralytics 리포지토리 내에서 개발 및 유지 관리되므로 일관되고 간소화된 사용자 경험을 보장합니다.

이러한 공유 생태계는 개발자에게 큰 이점입니다. YOLOv8에서 YOLO11로 프로젝트를 쉽게 마이그레이션할 수 있어, 최소한의 코드 변경으로 최신 모델의 성능 향상을 활용할 수 있습니다. 이 생태계는 다음을 제공합니다.

  • 학습, 검증 및 예측을 위한 간단하고 일관된 API입니다.
  • Extensive documentation 다양한 가이드와 예제를 제공합니다.
  • 효율적인 훈련 워크플로우: COCO와 같은 데이터 세트에 대해 즉시 사용 가능한 사전 훈련된 가중치를 제공합니다.
  • 낮은 메모리 요구 사항: 다른 모델 유형(예: Transformers)에 비해 훈련 및 추론 중 메모리 요구 사항이 낮습니다.
  • 지원 및 협업을 위한 활발한 오픈 소스 커뮤니티입니다.

결론: 어떤 모델을 선택해야 할까요?

새로운 프로젝트나 가능한 최고의 성능을 요구하는 프로젝트의 경우 YOLO11이 확실한 선택입니다. 특히 CPU에서 더 우수한 정확도와 더 빠른 추론 속도를 제공하며, 더 효율적인 아키텍처를 갖추고 있습니다. 이러한 발전으로 실시간 객체 감지를 위한 새로운 최첨단 기술이 되었습니다.

YOLOv8은 여전히 훌륭하고 매우 신뢰할 수 있는 모델입니다. 아키텍처에 이미 최적화되었거나 광범위한 실적과 수많은 타사 통합이 중요한 고려 사항인 시나리오에서 기존 프로젝트에 적합한 옵션입니다.

궁극적으로 두 모델 모두 실시간 객체 감지의 정점을 나타내며, 선택은 특정 프로젝트 요구 사항에 따라 달라집니다. 그러나 명확한 성능 이점과 Ultralytics 생태계로의 원활한 통합을 통해 YOLO11은 개발자와 연구자를 위한 새로운 표준이 될 것입니다.

다른 모델 살펴보기

YOLO11과 YOLOv8이 주요 선택 사항이지만, 컴퓨터 비전 분야는 끊임없이 진화하고 있습니다. Ultralytics 생태계에서 사용할 수 있는 다른 강력한 모델(예: YOLOv10, YOLOv9 및 트랜스포머 기반 RT-DETR)과 비교하는 데에도 관심이 있을 수 있습니다. 프로젝트에 완벽하게 맞는 모델을 찾으려면 전체 모델 비교 범위를 살펴보십시오.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨
glenn-jocher

댓글