Link to this sectionYOLO26 대 YOLO11#
최첨단 컴퓨터 비전 시스템을 구축할 때 정확도, 지연 시간, 자원 효율성 사이의 균형을 맞추기 위해서는 적절한 모델을 선택하는 것이 매우 중요합니다. 빠르게 진화하는 인공지능 환경에서 Ultralytics는 가능성의 한계를 계속해서 넓혀가고 있습니다. 이 상세한 기술 비교에서는 성공적인 YOLO11에서 혁신적인 새로운 YOLO26으로의 전환을 살펴보고, AI 엔지니어와 연구자가 정보에 입각한 아키텍처 결정을 내리는 데 필요한 통찰력을 제공합니다.
Link to this section모델 계보 및 메타데이터#
두 모델 모두 Ultralytics에서 개발했지만, 객체 탐지 및 멀티태스크 비전 모델의 타임라인에서 서로 다른 패러다임을 나타냅니다.
YOLO26 상세 정보:
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2026-01-14
- GitHub: Ultralytics 리포지토리
- 문서: YOLO26 공식 문서
YOLO11 상세 정보:
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: Ultralytics 리포지토리
- 문서: YOLO11 공식 문서
Link to this section아키텍처 차이점 및 혁신#
YOLO11에서 YOLO26으로의 도약은 모델 아키텍처와 기본 학습 방식 모두에서 근본적인 변화를 포함합니다. YOLO11이 객체 탐지와 멀티태스크 학습을 위한 강력한 기준을 확립했다면, YOLO26은 엣지 컴퓨팅을 위한 배포 파이프라인을 완전히 개선했습니다.
Link to this section엔드투엔드 NMS-프리(NMS-Free) 설계#
YOLO26의 가장 중요한 업그레이드 중 하나는 네이티브 엔드투엔드 아키텍처입니다. 겹치는 BBox를 필터링하기 위해 NMS(Non-Maximum Suppression) 후처리에 의존하는 YOLO11과 달리, YOLO26은 이 단계를 완전히 제거합니다. YOLOv10에서 처음 도입된 이 개념은 지연 시간 변동성을 크게 줄이고 다양한 엣지 장치 전반에서 배포 로직을 간소화합니다.
Link to this section엣지 효율성을 위한 DFL 제거#
YOLO11은 BBox 추정을 정교화하기 위해 DFL(Distribution Focal Loss)을 사용합니다. 그러나 DFL은 저전력 엣지 가속기에서 지원이 미흡한 경우가 많은 복잡한 소프트맥스 연산에 의존합니다. YOLO26은 정확도를 희생하지 않으면서 DFL을 성공적으로 제거했습니다. 이러한 아키텍처 단순화로 임베디드 시스템과의 호환성이 크게 향상되었으며, YOLO26은 이전 모델 대비 최대 43% 더 빠른 CPU 추론을 달성할 수 있습니다.
Link to this sectionMuSGD 옵티마이저#
학습 안정성과 속도는 무엇보다 중요합니다. YOLO26은 Moonshot AI의 Kimi K2에서 LLM 학습 혁신으로부터 많은 영감을 받은 SGD(Stochastic Gradient Descent)와 Muon의 하이브리드인 MuSGD 옵티마이저를 도입합니다. 이 옵티마이저는 언어 모델 학습의 안정성을 컴퓨터 비전에 도입하여 더 빠른 수렴을 보장하고, 무거운 Transformer 대안과 비교하여 학습 중 메모리 점유율을 줄입니다.
Link to this sectionProgLoss 및 STAL#
항공 이미지나 드론 애플리케이션을 다루는 연구자에게 작은 특징을 탐지하는 것은 역사적인 과제였습니다. YOLO26은 ProgLoss와 STAL(Scale-Targeted Attention Loss)을 결합하여 도입함으로써 YOLO11 대비 작은 객체 인식에서 괄목할 만한 개선을 제공합니다.
Link to this section성능 및 지표 비교#
두 모델을 직접 비교하면 YOLO26이 정밀도와 엣지 장치 효율성 면에서 월등함을 입증하는 동시에, Ultralytics 생태계의 특징인 매우 낮은 메모리 요구 사항을 유지합니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| 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 |
참고: YOLO26 나노(YOLO26n) 모델은 YOLO11n 대비 CPU 속도가 약 31% 향상되었으며(56.1ms 대 38.9ms), 이는 엣지 우선 설계 철학을 강조합니다.
Link to this section컴퓨터 비전 작업 전반의 다재다능함#
두 모델 모두 잘 관리되는 Ultralytics 생태계의 혜택을 받으며, 통합된 Python API를 통해 타의 추종을 불허하는 사용 편의성을 제공합니다. 이들은 단순한 객체 탐지기가 아니라 멀티태스크 파워하우스입니다. 하지만 YOLO26은 몇 가지 작업별 개선 사항을 통합했습니다:
- 인스턴스 세그멘테이션: YOLO26은 개선된 의미론적 세그멘테이션 손실 함수와 다중 스케일 프로토타이핑을 사용하여 YOLO11보다 더 선명한 마스크 경계를 생성합니다. 세그멘테이션 워크플로우에 대해 자세히 알아보세요.
- 포즈 추정: YOLO26은 RLE(Residual Log-Likelihood Estimation)를 통합하여 복잡한 인체 포즈에서의 키포인트 정확도를 극적으로 향상시킵니다. 포즈 추정 기능을 확인해 보세요.
- 지향성 BBox(OBB): 특수 각도 손실 함수가 기존의 경계 불연속성 문제를 해결하여, 위성 영상에서 회전된 객체를 탐지할 때 YOLO26의 신뢰성을 극대화합니다. OBB 작업에 대해 읽어보세요.
- 이미지 분류: 두 모델 모두 고속 분류를 효율적으로 처리하며, YOLO26은 ImageNet에서 약간의 top-1 정확도 향상을 제공합니다.
Link to this section학습 및 추론 코드 예제#
Ultralytics는 개발자 경험으로 유명합니다. SOTA 모델을 학습하거나 추론 스크립트를 실행하는 데 몇 줄의 코드만 필요하므로, 보일러플레이트를 최소화하고 생산성을 극대화합니다. 또한 YOLO 모델을 학습하는 데는 거대한 Transformer 네트워크보다 훨씬 적은 CUDA 메모리가 필요합니다.
from ultralytics import YOLO
# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset efficiently
# The MuSGD optimizer is automatically enabled for YOLO26
train_results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # Utilize GPU for accelerated training
)
# Perform NMS-free inference directly on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Display the clean, instant predictions
results[0].show()Link to this section이상적인 사용 사례 및 배포 전략#
YOLO26과 YOLO11 중 선택하는 것은 전적으로 운영 환경의 제약 조건에 달려 있습니다.
Link to this sectionYOLO26 배포 시점#
YOLO26은 현대적이고 새로운 프로젝트를 위한 확실한 선택입니다. 다음을 위해 특별히 제작되었습니다:
- 엣지 컴퓨팅 및 IoT: 경이로운 CPU 성능과 DFL 제거 덕분에 Raspberry Pi, Coral NPU 및 모바일 프로세서와 같은 장치에서 최고의 성능을 발휘합니다.
- 드론 및 항공 분석: ProgLoss + STAL 통합은 넓은 풍경 속에서 작고 빠르게 움직이는 객체를 추적하는 데 고유한 능력을 발휘합니다.
- Latency-Critical Applications: In autonomous robotics or manufacturing quality control, the NMS-free design ensures deterministic latency without unexpected post-processing spikes.
Link to this sectionYOLO11 유지 시점#
YOLO26이 더 뛰어나지만, YOLO11은 여전히 매우 유능한 모델입니다. 다음과 같은 경우 YOLO11을 유지할 수 있습니다:
- 레거시 파이프라인: 기존 C++ 배포 인프라가 구형 아키텍처의 특정 앵커 기반 출력 및 NMS 로직과 긴밀하게 결합된 경우.
- 학술적 기준: 연구를 발표 중이며 새로운 알고리즘을 벤치마킹하기 위해 널리 인정받는 2024년 표준이 필요한 경우.
Link to this sectionUltralytics 생태계의 힘#
YOLO11을 배포하든 YOLO26을 배포하든, Ultralytics 모델을 사용하는 것은 잦은 업데이트와 방대한 커뮤니티 지원을 받는 잘 관리된 생태계를 활용하는 것을 의미합니다.
엔터프라이즈 팀을 위해 Ultralytics Platform은 데이터 주석, 모델 학습, 원활한 클라우드 배포를 위한 엔드투엔드 솔루션을 제공합니다. 학습된 가중치를 CoreML이나 TensorRT로 내보내는 것부터 고급 하이퍼파라미터 튜닝을 구성하는 것까지, 제공되는 도구는 AI 수명 주기를 최대한 간소화하도록 보장합니다.