YOLO11 대 YOLOX

실시간 객체 탐지 모델은 지난 몇 년간 빠르게 발전했습니다. 프로덕션 또는 학술 연구용 아키텍처를 선택할 때 개발자는 검증된 주요 모델과 최신 설계를 비교하는 경우가 많습니다. 이 비교에서는 Ultralytics YOLO11과 Megvii의 YOLOX를 살펴보고, 아키텍처, 성능 지표, 적합한 배포 시나리오를 다룹니다.

아키텍처 개요#

두 모델 모두 출시 당시 객체 탐지의 발전을 이끌었지만, 서로 다른 설계 철학을 바탕으로 하며 개발자 경험 측면에서도 지향점이 다릅니다.

YOLO11: 범용 멀티태스크 엔진#

2024년 9월 Glenn Jocher와 Jing Qiu가 Ultralytics에서 출시한 YOLO11은 높은 정확도와 효율성의 균형을 맞춘 통합 프레임워크로 설계되었습니다.

YOLO11은 표준 바운딩 박스를 넘어 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스 (OBB) 탐지도 지원합니다. 개선된 아키텍처는 복잡한 공간 계층 전반에서 특징을 추출하고 유지하는 성능을 높입니다.

YOLOX: 앵커 프리 선구자#

Megvii 연구진이 개발한 YOLOX는 순수한 앵커 프리 접근법으로 연구와 산업 애플리케이션을 연결하며 2021년에 큰 주목을 받았습니다.

YOLOX는 분리형 헤드와 앵커 프리 패러다임을 도입해 설계 파라미터 수를 줄였으며, 출시 당시 학술 벤치마크에서 성능을 향상했습니다.

YOLOX에 대해 자세히 알아보기

알고 계셨나요?

YOLOX가 대중화한 앵커 프리 설계는 이후 많은 아키텍처에 영감을 주었습니다. Ultralytics는 정확도와 배포 유연성을 향상하기 위해 YOLOv8과 YOLO11 같은 후속 모델에서 이러한 앵커 프리 개념을 채택하고 개선했습니다.

성능 및 지표#

탐지 모델을 평가할 때는 파라미터, 연산 비용(FLOPs), 평균 정밀도 (mAP) 간의 균형을 검토해야 실제 모델 배포에 적합한지 판단할 수 있습니다.

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

YOLO11x는 정확도에서 YOLOXx를 앞서며(mAP 54.7 대 51.1 mAP), 파라미터는 약 절반만 필요하고(56.9M 대 99.1M), T4 TensorRT에서 더 빠르게 실행됩니다(11.3ms 대 16.1ms). 이러한 효율성은 학습과 추론 중 메모리 요구사항을 낮춰 프로덕션 환경에서 분명한 이점을 제공합니다.

생태계 및 개발자 경험#

Ultralytics의 강점#

YOLO11과 YOLOX의 가장 큰 차이 중 하나는 사용성입니다. YOLOX는 주로 연구용 코드베이스로 제공되어, 맞춤형 데이터셋 학습을 시작하려면 복잡한 환경 구성, C++ 연산자 컴파일, 장황한 명령줄 인자 입력이 필요합니다.

YOLO11은 Ultralytics Python 패키지에 완전히 통합되어 설치부터 배포까지 간소화된 워크플로를 제공합니다. Ultralytics Platform은 데이터 어노테이션, 실험 추적, 클라우드 기반 학습 도구를 제공하고 보일러플레이트 작업을 추상화하여 엔지니어가 모델 성능에 집중할 수 있게 합니다.

from ultralytics import YOLO

# 사전 학습된 YOLO11 모델 로드
model = YOLO("yolo11n.pt")

# Ultralytics API를 사용해 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ONNX로 내보내기
model.export(format="onnx")

또한 Ultralytics 모델은 TensorRT, CoreML, OpenVINO 등의 형식으로 단 한 번의 명령만으로 export할 수 있지만, 오래된 저장소에서는 복잡한 서드파티 도구나 수동 그래프 편집이 필요한 경우가 많습니다.

실제 활용 사례#

YOLOX를 고려해야 하는 경우#

YOLOX는 개발자가 이미 분리형 헤드의 텐서 출력을 사용하는 맞춤형 C++ 추론 파이프라인을 구축한 특수한 레거시 배포 환경에서 여전히 유효한 선택입니다. 2021년 당시 아키텍처를 대상으로 비교 연구를 수행하는 연구자도 YOLOX를 기준 모델로 사용할 수 있습니다.

YOLO11의 강점#

대부분의 최신 프로덕션 시나리오에서는 YOLO11이 더 나은 경험을 제공합니다.

  • 스마트 시티 및 리테일: 속도 대비 정확도 비율이 우수한 YOLO11은 혼잡한 장면을 효과적으로 처리하며, 대규모 GPU 클러스터 없이 자동화된 리테일 분석 및 교통 관리 시스템을 지원합니다.
  • 엣지 컴퓨팅: 메모리 효율성과 다양한 export 옵션 덕분에 YOLO11은 Raspberry Pi 또는 NVIDIA Jetson 플랫폼과 같은 디바이스의 엣지 AI 배포에 적합합니다.
  • 복잡한 파이프라인: 객체 탐지와 자세 키포인트(예: 스포츠 분석), 또는 정밀한 인스턴스 분할(예: 의료 영상)을 결합해야 하는 프로젝트에서 YOLO11은 단일 통합 API를 통해 모든 작업을 기본 지원합니다.

사용 사례 및 권장 사항#

YOLO11과 YOLOX 중 어떤 모델을 선택할지는 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: 탐지, 분할, 분류, 자세 추정, OBB를 단일 통합 프레임워크에서 처리해야 하는 프로젝트입니다.
  • 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션 배포까지 빠르게 진행해야 하는 팀에 적합합니다.

YOLOX를 선택해야 하는 경우#

다음과 같은 경우 YOLOX를 권장합니다.

  • 앵커 프리 탐지 연구: 새로운 탐지 헤드나 손실 함수를 실험하기 위한 기준 모델로 YOLOX의 간결한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
  • 초경량 엣지 디바이스: YOLOX-Nano 변형의 작은 크기(파라미터 0.91M)가 중요한, 제약이 매우 크거나 오래된 모바일 하드웨어에 배포하는 경우입니다.
  • SimOTA 레이블 할당 연구: 최적 수송 기반 레이블 할당 전략과 해당 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.

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 디바이스에서는 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
  • 작은 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석과 같이 ProgLoss와 STAL이 작은 객체의 정확도를 높이는 까다로운 시나리오입니다.

앞으로의 전망: YOLO26의 강력한 성능#

YOLO11도 여전히 강력한 선택이지만, YOLO26(2026년 1월 출시)은 효율성과 학습 안정성이 가장 중요한 신규 컴퓨터 비전 프로젝트에 권장되는 모델입니다.

YOLO26은 선택적 엔드투엔드 NMS 프리 헤드(nms=False)를 구현합니다. 비최대 억제(NMS) 후처리를 없애 지연 시간 변동을 제거하고 배포 로직을 단순화합니다. 이 개념은 YOLOv10이 YOLO 모델에 도입했습니다.

YOLO26은 DFL 제거(Distribution Focal Loss)도 적용하여 YOLO26n이 YOLO11n보다 최대 43% 빠른 CPU 추론을 달성하도록 지원하므로 저전력 및 엣지 디바이스에 적합합니다. 대규모 언어 모델 (LLM) 학습에서 영감을 얻은 SGD와 Muon의 하이브리드인 MuSGD 옵티마이저는 수렴을 가속해 학습 안정성을 향상합니다. 여기에 ProgLoss + STAL(Progressive Loss 및 Small-Target-Aware Label Assignment)을 결합하면 드론 이미지와 IoT 엣지 센서처럼 까다로운 환경에서 YOLO26이 소형 객체를 효과적으로 탐지합니다.

더 알아보기

객체 탐지 아키텍처에 대한 지식을 넓히고 싶으신가요? Ultralytics 생태계에 문서화된 YOLO-World의 개방형 어휘 기능이나 Transformer 기반 RT-DETR 모델을 살펴보세요.

결론적으로 YOLOX는 2021년에 중요한 아키텍처 개념을 도입했지만, 오늘날 연구자와 기업 개발자에게는 YOLO11의 도구 모음, 메모리 효율성, 정확도, 특히 최신 YOLO26이 포함된 Ultralytics 생태계가 더 나은 선택입니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.