YOLO11 대 YOLOX#
지난 몇 년 동안 컴퓨터 비전 분야는 빠르게 발전했으며, 실시간 객체 탐지 모델도 점점 정교해지고 있습니다. 프로덕션 환경이나 학술 연구에 사용할 아키텍처를 선택할 때 개발자는 기존의 주요 성과와 최신 혁신 기술 사이의 절충점을 고려하는 경우가 많습니다. 이 종합 비교에서는 Ultralytics YOLO11과 Megvii의 YOLOX 간 차이를 살펴보고, 두 모델의 아키텍처, 성능 지표, 이상적인 배포 시나리오를 자세히 알아봅니다.
아키텍처 개요#
두 모델 모두 객체 탐지 분야에서 중요한 도약을 나타내지만, 서로 다른 설계 철학에서 비롯되었으며 개발자 경험의 목표도 다릅니다.
YOLO11: 범용 멀티태스크 엔진#
2024년 9월 Ultralytics의 Glenn Jocher와 Jing Qiu가 출시한 YOLO11은 높은 정확도와 탁월한 효율성의 균형을 맞춘 통합 프레임워크로 설계되었습니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 기관: Ultralytics
- 날짜: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: https://docs.ultralytics.com/models/yolo11
YOLO11은 표준 바운딩 박스를 넘어 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB) 탐지를 기본 지원합니다. 정교하게 개선된 아키텍처는 특징 추출을 최적화하여 복잡한 공간 계층 전반에서 특징을 더 잘 보존합니다.
YOLOX: 앵커 프리 선구자#
Megvii의 연구진이 개발한 YOLOX는 완전한 앵커 프리 접근 방식으로 연구와 산업 응용 간의 격차를 좁히며 2021년에 큰 주목을 받았습니다.
- 저자: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- 기관: Megvii
- 날짜: 2021-07-18
- Arxiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- 문서: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs
YOLOX는 분리형 헤드와 앵커 프리 패러다임을 도입하여 설계 파라미터 수를 크게 줄였으며, 출시 당시 학술 벤치마크에서 성능을 향상했습니다.
YOLOX가 대중화한 앵커 프리 설계는 이후 많은 아키텍처에 영감을 주었습니다. Ultralytics는 YOLOv8과 YOLO11 등 후속 모델에서 이러한 앵커 프리 개념을 도입하고 대폭 개선하여 정확도와 배포 유연성을 높였습니다.
성능 및 지표#
탐지 모델을 평가할 때는 파라미터 수, 연산 비용(FLOPs), 평균 정밀도(mAP)의 균형을 살펴보는 것이 실제 모델 배포에 매우 중요합니다.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
표에서 볼 수 있듯이 YOLO11x는 절대 정확도에서 YOLOXx를 크게 앞섭니다(54.7 mAP 대 51.1 mAP). 동시에 파라미터는 약 절반만 필요합니다(56.9M 대 99.1M). 이러한 효율성은 학습과 추론 중 메모리 요구량을 낮춰 프로덕션 환경에서 큰 이점을 제공합니다.
생태계 및 개발자 경험#
Ultralytics의 강점#
YOLO11과 YOLOX의 가장 큰 차이점 중 하나는 사용 편의성입니다. YOLOX는 주로 연구용 코드베이스로 작동하므로 맞춤형 데이터셋 학습을 시작하려면 복잡한 환경 설정, C++ 연산자의 수동 컴파일, 장황한 명령줄 인수가 필요합니다.
이와 극명한 대조를 이루는 YOLO11은 Ultralytics Python 패키지에 완전히 통합되어 간소화된 '초보자에서 전문가로' 워크플로를 제공합니다. Ultralytics Platform은 데이터 어노테이션, 실험 추적, 클라우드 기반 학습을 위한 폭넓은 도구를 제공하고 상용구 작업을 추상화하므로 엔지니어는 모델 성능에 집중할 수 있습니다.
from ultralytics import YOLO
# 사전 학습된 YOLO11 모델 로드
model = YOLO("yolo11n.pt")
# Ultralytics API를 사용해 손쉽게 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# ONNX 또는 TensorRT로 원활하게 내보냅니다
model.export(format="onnx")또한 Ultralytics 모델을 TensorRT, CoreML 또는 OpenVINO와 같은 형식으로 내보내는 데는 명령 하나면 충분하지만, 기존 리포지토리에서는 복잡한 타사 도구를 사용하거나 그래프를 수동으로 수정해야 하는 경우가 많습니다.
실제 활용 사례#
YOLOX를 고려해야 하는 경우#
개발자가 YOLOX의 특정 분리형 헤드 텐서 출력을 중심으로 고도로 맞춤화된 C++ 추론 파이프라인을 이미 구축한 특수한 레거시 배포 환경에서는 YOLOX가 여전히 유효한 선택지입니다. 또한 2021년 최첨단 아키텍처와 비교 연구를 수행하는 연구자들은 YOLOX를 벤치마크 데이터셋 기준 모델로 계속 활용할 수 있습니다.
YOLO11의 강점#
대부분의 최신 프로덕션 시나리오에서 YOLO11은 훨씬 뛰어난 경험을 제공합니다.
- 스마트 시티 및 리테일: 속도와 정확도의 탁월한 균형 덕분에 YOLO11은 복잡한 장면을 손쉽게 처리하며, 대규모 GPU 클러스터 없이도 리테일 분석 자동화와 교통 관리 시스템을 구현합니다.
- 엣지 컴퓨팅: 높은 메모리 효율성과 강력한 내보내기 옵션을 갖춘 YOLO11은 Raspberry Pi 또는 NVIDIA Jetson 플랫폼과 같은 장치에서 엣지 AI 배포에 적합합니다.
- 복잡한 파이프라인: 프로젝트에서 객체 탐지와 포즈 키포인트(예: 스포츠 분석)를 결합하거나 정밀한 인스턴스 분할(예: 의료 영상)이 필요한 경우, YOLO11은 통합 API 하나로 이러한 작업을 모두 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: 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.
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 장치: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 구형 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 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.
앞으로의 전망: YOLO26의 강력한 성능#
YOLO11은 탁월한 선택지이지만, AI 분야는 계속해서 빠르게 발전하고 있습니다. 효율성과 안정성 측면에서 최고 수준을 원하는 팀에는 2026년 1월 출시된 YOLO26을 신규 컴퓨터 비전 프로젝트의 궁극적인 선택으로 권장합니다.
YOLO26은 선택적으로 사용할 수 있는 엔드투엔드 NMS 프리 헤드(nms=False)를 구현해 큰 도약을 이루었습니다. 후처리 단계에서 비최대 억제(NMS)를 제거하여 지연 시간의 변동성을 없애고 배포 로직을 크게 단순화합니다. 이 개념은 YOLOv10에서 처음 선보였습니다.
또한 YOLO26은 DFL 제거(분포 초점 손실)를 적용해 아키텍처를 최적화함으로써 CPU 추론 속도를 최대 43% 높여, 저전력 장치와 엣지 장치에서 독보적인 성능을 발휘합니다. LLM에서 영감을 얻은 SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 통해 학습 안정성도 크게 향상하고 수렴을 가속합니다. ProgLoss + STAL과 같은 고급 손실 함수와 결합된 YOLO26은 드론 영상 및 IoT 엣지 센서처럼 까다로운 환경에서 작은 객체를 탐지하는 데 탁월합니다.
객체 탐지 아키텍처에 대한 지식을 넓히고 싶으신가요? YOLO-World의 개방형 어휘 기능을 살펴보거나 Ultralytics 생태계에 문서화된 트랜스포머 기반 RT-DETR 모델을 자세히 알아보세요.
결론적으로 YOLOX는 2021년에 중요한 아키텍처 개념을 도입했지만, 포괄적인 도구 모음과 메모리 효율성, 최첨단 성능을 갖춘 YOLO11, 특히 혁신적인 아키텍처를 갖춘 YOLO26 덕분에 오늘날 연구자와 엔터프라이즈 개발자에게 Ultralytics 생태계는 분명한 선택지가 됩니다.