YOLO11과 YOLOv8 비교

객체 탐지 아키텍처는 계속 발전하고 있습니다. 실제 배포를 위한 모델을 평가할 때 개발자는 Ultralytics YOLO11과 널리 채택된 이전 모델인 Ultralytics YOLOv8을 자주 비교합니다. 두 모델 모두 속도, 정확도, 개발자 경험으로 잘 알려져 있지만, 서로 다른 프로젝트 수명 주기와 성능 목표에 적합합니다.

이 가이드에서는 인공지능 프로젝트에 적합한 모델을 선택할 수 있도록 두 모델의 아키텍처, 학습 방법론, 이상적인 활용 사례를 분석합니다.

아키텍처 혁신#

YOLOv8에서 YOLO11로의 전환에는 특징 추출 효율성을 높이고 연산 오버헤드를 줄이는 몇 가지 아키텍처 개선 사항이 포함되었습니다.

YOLO11 아키텍처#

YOLO11은 파라미터 효율성에 중점을 둡니다. C2f 모듈을 C3k2 블록으로 교체해 파라미터 수를 늘리지 않고 공간 특징 처리를 개선합니다. 또한 YOLO11은 백본에 C2PSA(Cross-Stage Partial Spatial Attention) 모듈을 도입합니다. 이 어텐션 메커니즘은 모델이 중요한 관심 영역에 집중하도록 도와 작은 객체 탐지를 개선하고 복잡한 가림 현상을 처리합니다.

YOLOv8 아키텍처#

1년 앞서 출시된 YOLOv8은 Ultralytics YOLO에 앵커 프리 탐지 헤드를 도입해 앵커 박스를 수동으로 조정할 필요를 없애고 손실 함수를 간소화했습니다. 아키텍처는 네트워크 깊이와 그래디언트 흐름 간의 균형을 맞춘 C2f 블록에 의존해 다양한 컴퓨터 비전 애플리케이션에서 안정적인 성능을 제공합니다.

설계 철학

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#

모델을 Raspberry Pi와 같은 엣지 기기나 NVIDIA TensorRT를 실행하는 고성능 서버에 배포할 때는 속도와 정확도 간의 절충을 이해하는 것이 중요합니다. 아래 표에 따르면 모든 모델 크기에서 YOLO11이 YOLOv8보다 정확도가 높습니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

지표 분석#

YOLO11은 평균 정밀도(mAP)를 높이는 동시에 파라미터 수와 부동소수점 연산(FLOPs)을 모두 줄입니다. 예를 들어 YOLO11m은 YOLOv8m보다 파라미터 수가 22% 적으면서 COCO 데이터셋에서 mAP가 1.3포인트 높습니다. 또한 ONNX 형식으로 내보낸 CPU 추론 속도는 모든 크기에서 YOLO11이 더 빠릅니다(나노 모델은 56.1ms 대 80.4ms). 따라서 전용 GPU 가속이 없는 환경의 배포에 적합합니다.

Ultralytics 생태계의 이점#

YOLO11과 YOLOv8 중 무엇을 선택하든 두 모델은 머신러닝 수명 주기를 간소화하는 Ultralytics 생태계의 이점을 누립니다.

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 비전 트랜스포머(예: RT-DETR)와 달리, Ultralytics YOLO 모델은 학습 중 메모리 사용량이 적은 것으로 알려져 있습니다. 이러한 메모리 효율성 덕분에 개발자는 메모리 부족 오류 없이 소비자용 GPU나 Google Colab과 같은 클라우드 환경에서 정확한 네트워크를 학습할 수 있습니다.

다양한 비전 작업에 적용#

YOLO11과 YOLOv8은 모두 멀티태스크 모델입니다. 표준 경계 상자 객체 탐지 외에도 인스턴스 분할, 이미지 분류, 사람 자세 추정, 항공 영상용 방향성 경계 상자(OBB)를 기본적으로 지원합니다.

사용 사례 및 권장 사항#

YOLO11과 YOLOv8 중 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: 안정성과 지속적인 유지 관리가 가장 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서 상용 애플리케이션을 실행하는 경우입니다.
  • 멀티태스크 비전 애플리케이션: 단일 통합 프레임워크에서 탐지, 분할, 분류, 포즈 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.

  • 다목적 멀티태스크 배포: Ultralytics 생태계 내에서 탐지, 분할, 분류, 자세 추정, OBB를 지원하는 검증된 모델이 필요한 프로젝트에 적합합니다.
  • 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 장치에서는 YOLO26의 최대 43% 빠른 CPU 추론(YOLO26n 대 YOLO11n)이 결정적인 이점을 제공합니다.
  • 작은 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석과 같이 ProgLoss와 STAL이 작은 객체의 정확도를 높이는 까다로운 시나리오입니다.

코드 예제: 시작하기#

Ultralytics 모델을 학습하고 배포하는 데는 몇 줄의 코드면 충분합니다. 다음 예제에서는 사전 학습된 YOLO11 모델을 불러와 사용자 지정 데이터셋으로 파인튜닝한 다음, Apple CoreML을 사용해 엣지 배포용으로 내보내는 방법을 보여 줍니다.

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")
간편한 업그레이드

Ultralytics API는 표준화되어 있으므로, 기존 파이프라인을 YOLOv8에서 YOLO11로 업그레이드할 때 일반적으로 "yolov8n.pt"을 "yolo11n.pt"로 변경하기만 하면 됩니다.

앞으로의 방향: YOLO26을 활용한 엣지 AI#

YOLO11은 성숙하고 유능한 아키텍처이지만, 새 프로젝트를 시작하는 개발자에게는 2026년 1월에 출시된 Ultralytics YOLO26이 권장 모델입니다.

YOLO26에는 다음과 같은 새로운 기능이 추가되었습니다.

  • 엔드투엔드 NMS 없는 설계: YOLOv10에서 탐구한 개념을 바탕으로, YOLO26은 비최대 억제(NMS) 후처리를 생략하는 선택형 일대일 헤드(nms=False)를 제공하여 다양한 배포 하드웨어에서 더 낮고 예측 가능한 지연 시간을 구현합니다.
  • CPU 추론 최대 43% 향상: 분포 초점 손실(DFL) 분기를 제거한 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로, 강력한 GPU가 없는 엣지 컴퓨팅 장치에 적합합니다.
  • MuSGD 옵티마이저: 대규모 언어 모델(LLM) 학습 기법에서 영감을 받은 YOLO26은 SGD와 Muon의 하이브리드인 MuSGD를 사용해 안정적이고 빠른 학습 수렴을 구현합니다.
  • ProgLoss + STAL: 점진적 손실(Progressive Loss)과 소형 객체 인식형 레이블 할당(STAL)은 작은 객체와 가려진 객체의 인식을 개선하며, 자율 로봇과 드론 기반 분석에 필수적입니다.

검증된 안정성을 갖춘 YOLOv8, 최적화된 아키텍처의 YOLO11, 차세대 기능을 제공하는 YOLO26 중 무엇을 선택하든, Ultralytics Platform은 비전 AI 애플리케이션을 구상 단계에서 프로덕션까지 구현하는 데 필요한 도구를 제공합니다. Ultralytics 통합은 모델을 엔터프라이즈 워크플로와 분석 대시보드에 연결합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.