YOLO11과 YOLOX 비교#
컴퓨터 비전 분야는 지난 몇 년 동안 빠르게 발전해 왔으며, 실시간 객체 감지 모델은 점점 더 정교해지고 있습니다. 프로덕션 환경이나 학술 연구를 위한 아키텍처를 선택할 때 개발자는 기존의 주요 성과와 최첨단 혁신 사이의 상충 관계를 자주 고려합니다. 이 종합 비교에서는 Ultralytics YOLO11과 Megvii의 YOLOX 간 차이를 살펴보고, 두 모델의 아키텍처, 성능 지표 및 이상적인 배포 시나리오에 대한 심층적인 인사이트를 제공합니다.
아키텍처 개요#
두 모델 모두 객체 감지 분야에서 중요한 도약을 보여 주지만, 서로 다른 설계 철학에서 출발했으며 개발자 경험 측면에서도 서로 다른 목표를 지향합니다.
YOLO11: 다목적 멀티태스크 엔진#
2024년 9월 Glenn Jocher와 Jing Qiu가 Ultralytics에서 출시한 YOLO11은 높은 정확도와 뛰어난 효율성의 균형을 맞추는 통합 프레임워크로 설계되었습니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: https://docs.ultralytics.com/models/yolo11
YOLO11은 표준 바운딩 박스를 넘어 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB) 감지를 기본적으로 지원합니다. 개선된 아키텍처는 특징 추출을 최적화하여 복잡한 공간 계층 전반에서 특징을 더욱 효과적으로 보존합니다.
YOLOX: 앵커 프리 개척자#
Megvii의 연구자들이 개발한 YOLOX는 순수한 앵커 프리 접근 방식을 통해 연구와 산업 애플리케이션 간의 격차를 해소하며 2021년에 큰 주목을 받았습니다.
- 저자: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- 조직: 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 디커플드 헤드와 앵커 프리 패러다임을 도입하여 설계 매개변수의 수를 크게 줄였으며, 출시 당시 학술 벤치마크에서 성능을 향상시켰습니다.
YOLOX가 대중화한 앵커 프리 설계는 이후 많은 아키텍처에 영감을 주었습니다. Ultralytics는 이후 버전인 YOLOv8과 YOLO11에 이러한 앵커 프리 개념을 도입하고 크게 개선하여 더욱 뛰어난 정확도와 배포 유연성을 제공했습니다.
성능 및 지표#
감지 모델을 평가할 때는 파라미터 수, 계산 비용(FLOPs), 평균 정밀도(mAP) 간의 균형을 검토하는 것이 실제 모델 배포에 매우 중요합니다.
| 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 |
| 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 정확도(54.7 mAP 대 51.1 mAP)에서 YOLOXx를 크게 앞서면서도 파라미터는 약 절반(56.9M 대 99.1M)만 필요로 합니다. 이러한 효율성은 학습과 추론 모두에서 더 낮은 메모리 요구 사항으로 이어지며, 프로덕션 환경에서 큰 이점을 제공합니다.
생태계 및 개발자 경험#
Ultralytics의 강점#
YOLO11과 YOLOX의 가장 큰 차이 중 하나는 사용성입니다. YOLOX는 주로 연구용 코드베이스로 작동하므로, 사용자 지정 데이터 세트 학습을 시작하려면 복잡한 환경 구성, C++ 연산자의 수동 컴파일, 장황한 명령줄 인자 설정이 필요합니다.
반면 YOLO11은 Ultralytics Python 패키지에 완전히 통합되어 간소화된 "zero-to-hero" 워크플로를 제공합니다. Ultralytics Platform은 데이터 어노테이션, 실험 추적 및 클라우드 기반 학습을 위한 광범위한 도구를 제공하여 보일러플레이트 작업을 추상화하므로 엔지니어는 모델 성능에 집중할 수 있습니다.
from ultralytics import YOLO
# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")
# Train the model effortlessly using the Ultralytics API
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export to ONNX or TensorRT seamlessly
model.export(format="onnx")또한 Ultralytics 모델을 TensorRT, CoreML 또는 OpenVINO와 같은 형식으로 내보내는 데는 단일 명령만 필요하지만, 기존 리포지토리에서는 복잡한 서드파티 도구나 수동 그래프 수정이 필요한 경우가 많습니다.
실제 사용 사례#
YOLOX를 고려할 시점#
YOLOX는 개발자가 특정 디커플드 헤드 텐서 출력에 기반한 고도로 사용자 지정된 C++ 추론 파이프라인을 이미 구축한 특수한 레거시 배포 환경에서 여전히 유효한 선택지입니다. 또한 2021년의 최신 아키텍처와 비교 연구를 수행하는 연구자들은 YOLOX를 벤치마크 데이터 세트 기준선으로 계속 활용할 수 있습니다.
YOLO11의 강점#
거의 모든 최신 프로덕션 시나리오에서 YOLO11은 훨씬 뛰어난 경험을 제공합니다.
- 스마트 시티 및 리테일: 뛰어난 속도 대비 정확도 비율 덕분에 YOLO11은 혼잡한 장면을 손쉽게 처리하며, 대규모 GPU 클러스터 없이도 자동화된 리테일 분석과 교통 관리 시스템을 지원합니다.
- 엣지 컴퓨팅: 높은 메모리 효율성과 강력한 내보내기 옵션을 갖춘 YOLO11은 Raspberry Pi 또는 NVIDIA Jetson 플랫폼과 같은 디바이스의 엣지 AI 배포에 적합합니다.
- 복잡한 파이프라인: 프로젝트에서 객체 감지와 포즈 키포인트(예: 스포츠 분석)를 결합하거나 정밀한 인스턴스 세그멘테이션(예: 의료 영상)을 수행해야 하는 경우, YOLO11은 하나의 통합 API를 통해 모든 작업을 기본적으로 처리합니다.
사용 사례 및 권장 사항#
YOLO11과 YOLOX 중 무엇을 선택할지는 특정 프로젝트 요구 사항, 배포 제약 조건 및 생태계 선호도에 따라 달라집니다.
YOLO11을 선택해야 하는 경우#
YOLO11은 다음과 같은 경우에 적합합니다.
- 프로덕션 엣지 배포: 신뢰성과 지속적인 유지 관리가 무엇보다 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서 실행되는 상용 애플리케이션입니다.
- 멀티태스크 비전 애플리케이션: 단일 통합 프레임워크에서 감지, 세그멘테이션, 포즈 추정, OBB가 필요한 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션까지 빠르게 진행해야 하는 팀입니다.
YOLOX를 선택할 시점#
다음과 같은 경우 YOLOX를 권장합니다.
- 앵커 프리 감지 연구: 새로운 감지 헤드 또는 손실 함수를 실험하기 위한 기준선으로 YOLOX의 깔끔한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
- 초경량 엣지 디바이스: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 레거시 모바일 하드웨어에 배포하는 경우입니다.
- SimOTA 라벨 할당 연구: 최적 수송 기반 라벨 할당 전략과 이러한 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
- 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.
향후 전망: YOLO26의 강력한 성능#
YOLO11은 탁월한 선택이지만 AI 환경은 계속해서 빠르게 발전하고 있습니다. 최고의 효율성과 안정성을 추구하는 팀에는 YOLO26(2026년 1월 출시)이 새로운 컴퓨터 비전 프로젝트를 위한 최종 권장 모델입니다.
YOLO26은 엔드 투 엔드 NMS 프리 설계를 구현하여 크게 도약했습니다. 비최대 억제(NMS) 후처리를 제거함으로써 지연 시간 변동성을 완전히 없애고 배포 로직을 크게 단순화합니다. 이 개념은 YOLOv10에서 처음 개척되었습니다.
또한 YOLO26은 DFL 제거(분포 초점 손실)를 적용하여 아키텍처를 최적화하고 최대 43% 더 빠른 CPU 추론을 달성하므로, 저전력 및 엣지 디바이스 분야에서 독보적인 모델입니다. MuSGD 옵티마이저를 통해 학습 안정성도 크게 향상됩니다. MuSGD는 SGD와 Muon을 결합한 LLM에서 영감을 받은 하이브리드 옵티마이저로 수렴을 가속합니다. 고급 손실 함수인 ProgLoss + STAL과 결합된 YOLO26은 드론 이미지 및 IoT 엣지 센서와 같은 까다로운 환경에서 작은 객체를 감지하는 데 뛰어난 성능을 발휘합니다.
객체 감지 아키텍처에 대한 지식을 넓히고 싶으신가요? YOLO-World의 오픈 보캐뷸러리 기능을 살펴보거나, Ultralytics 생태계에 문서화된 트랜스포머 기반 RT-DETR 모델을 자세히 알아보세요.
결론적으로 YOLOX는 2021년에 중요한 아키텍처 개념을 도입했지만, YOLO11의 종합적인 도구 세트와 메모리 효율성, 최첨단 성능, 특히 YOLO26의 혁신적인 아키텍처는 오늘날 연구자와 엔터프라이즈 개발자에게 Ultralytics 생태계가 명확한 선택이 되도록 합니다.