YOLO26 vs YOLO11#

최첨단 컴퓨터 비전 시스템을 구축할 때 정확도, 지연 시간, 리소스 효율성의 균형을 맞추려면 적절한 모델을 선택하는 것이 중요합니다. 빠르게 발전하는 인공지능 분야에서 Ultralytics는 가능한 것의 한계를 계속 넓혀 가고 있습니다. 이 상세한 기술 비교에서는 높은 성공을 거둔 YOLO11에서 획기적인 신형 YOLO26으로의 전환을 살펴보고, AI 엔지니어와 연구자가 아키텍처를 현명하게 결정하는 데 필요한 인사이트를 제공합니다.

모델 계보 및 메타데이터#

두 모델 모두 Ultralytics에서 개발했지만, 객체 감지 및 멀티태스크 비전 모델의 발전 과정에서 서로 다른 패러다임을 나타냅니다.

YOLO26 세부 정보:

• 저자: Glenn Jocher 및 Jing Qiu
• 조직: Ultralytics
• 날짜: 2026-01-14
• GitHub: Ultralytics 저장소
• 문서: YOLO26 공식 문서

YOLO11 세부 정보:

• 저자: Glenn Jocher 및 Jing Qiu
• 조직: Ultralytics
• 날짜: 2024-09-27
• GitHub: Ultralytics 저장소
• 문서: YOLO11 공식 문서

아키텍처 차이와 혁신#

YOLO11에서 YOLO26으로의 도약은 모델 아키텍처와 기본 학습 방식 모두에 근본적인 변화를 가져옵니다. YOLO11은 객체 감지와 멀티태스크 학습을 위한 견고한 기준을 마련했지만, YOLO26은 엣지 컴퓨팅을 위한 배포 파이프라인을 전면 개편했습니다.

종단 간 NMS-free 설계#

YOLO26의 가장 중요한 개선 사항 중 하나는 네이티브 종단 간 아키텍처입니다. 겹치는 바운딩 박스를 필터링하기 위해 비최대 억제(NMS) 후처리에 의존하는 YOLO11과 달리, YOLO26은 선택적 일대일 헤드(nms=False)를 사용해 이 단계를 완전히 생략할 수 있습니다. YOLOv10이 처음 선보인 이 개념은 지연 시간의 변동성을 크게 줄이고 다양한 엣지 디바이스에서 배포 로직을 간소화합니다.

엣지 효율성을 위한 DFL 제거#

YOLO11은 바운딩 박스 추정치를 보정하기 위해 Distribution Focal Loss(DFL)를 사용합니다. 그러나 DFL은 저전력 엣지 가속기에서 제대로 지원되지 않는 경우가 많은 복잡한 softmax 연산에 의존합니다. YOLO26은 정확도를 희생하지 않으면서 DFL을 성공적으로 제거했습니다. 이러한 아키텍처 간소화로 임베디드 시스템과의 호환성이 크게 향상되었으며, YOLO26은 이전 모델보다 CPU 추론 속도가 최대 43% 빨라졌습니다.

MuSGD 옵티마이저#

학습 안정성과 속도는 매우 중요합니다. YOLO26은 확률적 경사 하강법(SGD)과 Muon을 결합한 하이브리드 MuSGD 옵티마이저를 도입했으며, Moonshot AI의 Kimi K2에서 활용한 LLM 학습 혁신에서 큰 영감을 얻었습니다. 이 옵티마이저는 컴퓨터 비전에 언어 모델 학습의 안정성을 적용하여 수렴 속도를 높이고, 대규모 Transformer 모델과 비교해 학습 중 메모리 사용량을 줄입니다.

ProgLoss 및 STAL#

항공 이미지나 드론 애플리케이션을 연구하는 경우, 작은 특징을 감지하는 일은 오랜 과제였습니다. YOLO26은 ProgLoss와 STAL(Small-Target-Aware Label Assignment)을 결합해 YOLO11보다 작은 객체 인식 성능을 크게 향상합니다.

성능 및 지표 비교#

모델을 직접 비교하면 YOLO26은 정밀도와 엣지 디바이스 효율성에서 확실한 우위를 보이며, Ultralytics 생태계의 특징인 매우 낮은 메모리 요구량도 유지합니다.

참고: YOLO26 나노 모델(YOLO26n)은 YOLO11n(38.9ms vs 56.1ms)보다 CPU 속도가 ~31% 향상되어 엣지 우선 설계 철학을 보여 줍니다.

다양한 컴퓨터 비전 작업 지원#

두 모델 모두 잘 유지 관리되는 Ultralytics 생태계의 이점을 누리며, 통합 Python API를 통해 탁월한 사용 편의성을 제공합니다. 두 모델은 단순한 객체 감지기를 넘어 멀티태스크 작업에 강력한 성능을 발휘합니다. 다만 YOLO26에는 특정 작업을 위한 몇 가지 개선 사항이 포함되어 있습니다:

• 인스턴스 분할: YOLO26은 개선된 시맨틱 분할 손실 함수와 멀티스케일 프로토타이핑을 사용해 YOLO11보다 더 선명한 마스크 경계를 생성합니다. 분할 워크플로에 대해 자세히 알아보세요.
• 포즈 추정: 잔차 로그 우도 추정(RLE)을 통합해 복잡한 사람 포즈의 키포인트 정확도를 크게 향상합니다. 포즈 추정 기능을 확인해 보세요.
• 방향 바운딩 박스(OBB): 특수 각도 손실 함수가 기존의 경계 불연속성 문제를 해결하여, YOLO26은 위성 영상에서 회전된 객체를 매우 안정적으로 감지합니다. OBB 작업에 대해 알아보세요.
• 이미지 분류: 두 모델 모두 고속 분류를 효율적으로 처리하며, YOLO26은 ImageNet에서 top-1 정확도를 소폭 개선합니다.

학습 및 추론 코드 예제#

Ultralytics는 뛰어난 개발자 경험으로 인정받고 있습니다. SOTA 모델을 학습하거나 추론 스크립트를 실행하는 데는 코드 몇 줄이면 충분해 보일러플레이트를 최소화하고 생산성을 극대화합니다. 또한 YOLO 모델을 학습하는 데는 대규모 Transformer 네트워크보다 훨씬 적은 CUDA 메모리가 필요합니다.

from ultralytics import YOLO

# 최첨단 YOLO26 나노 모델을 로드합니다
model = YOLO("yolo26n.pt")

# COCO8 데이터셋으로 모델을 효율적으로 학습합니다
# optimizer="auto"는 장시간 학습 시 MuSGD를 선택합니다
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # GPU를 활용해 학습 속도를 높입니다
)

# 이미지에서 직접 NMS-free 추론을 수행합니다
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# 깔끔한 예측 결과를 즉시 표시합니다
results[0].show()

적합한 사용 사례 및 배포 전략#

YOLO26과 YOLO11 중 어느 모델을 선택할지는 전적으로 프로덕션 환경의 제약 조건에 달려 있습니다.

YOLO26을 배포해야 하는 경우#

YOLO26은 최신 그린필드 프로젝트에 가장 적합한 선택입니다. 다음 용도를 위해 특별히 설계되었습니다:

• 엣지 컴퓨팅 및 IoT: 뛰어난 CPU 성능과 DFL 제거를 통해 Raspberry Pi, Coral NPU, 모바일 프로세서와 같은 디바이스에서 탁월한 성능을 발휘합니다.
• 드론 및 항공 분석: ProgLoss와 STAL을 통합해 광활한 지역에서 작고 빠르게 움직이는 객체를 추적하는 데 특히 적합합니다.
• 지연 시간에 민감한 애플리케이션: 자율 로보틱스나 제조 품질 관리에서 NMS-free 설계는 예기치 않은 후처리 지연 급증 없이 결정론적 지연 시간을 보장합니다.

YOLO11을 유지해야 하는 경우#

YOLO26이 더 뛰어나지만 YOLO11도 여전히 매우 유능한 모델입니다. 다음과 같은 경우 YOLO11을 계속 사용할 수 있습니다:

• 레거시 파이프라인: 기존 C++ 배포 인프라가 YOLO11의 특정 출력 형식 및 NMS 로직과 긴밀하게 연동되어 있습니다.
• 학술 연구 기준: 연구 결과를 발표하고 있으며, 새로운 알고리즘을 벤치마킹할 때 널리 인정받는 2024년 표준이 필요합니다.

Ultralytics 생태계의 강점#

YOLO11과 YOLO26 중 어떤 모델을 배포하든 Ultralytics 모델을 사용하면 빈번한 업데이트와 폭넓은 커뮤니티 지원을 제공하는 잘 유지 관리되는 생태계를 활용할 수 있습니다.

엔터프라이즈 팀을 위해 Ultralytics Platform은 데이터 어노테이션, 모델 학습, 원활한 클라우드 배포를 위한 종단 간 솔루션을 제공합니다. 학습된 가중치를 CoreML 또는 TensorRT로 내보내는 작업부터 고급 하이퍼파라미터 튜닝 구성까지, 제공되는 도구를 통해 AI 라이프사이클을 최대한 효율적으로 관리할 수 있습니다.