YOLO26 vs YOLO11

컴퓨터 비전 시스템을 구축할 때 적합한 모델을 선택하려면 정확도, 지연 시간, 리소스 효율성 간의 균형을 고려해야 합니다. 이 기술 비교에서는 Ultralytics YOLO11에서 최신 YOLO26으로의 전환을 다루며, AI 엔지니어와 연구자가 충분한 정보를 바탕으로 아키텍처를 결정하는 데 필요한 세부 정보를 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:

YOLO11 세부 정보:

기타 아키텍처

YOLO26은 가장 발전된 Ultralytics 실시간 모델이지만, 특수 하드웨어를 사용하거나 메모리 예산이 넉넉한 사용자는 RT-DETR이나 최초의 NMS 프리 YOLO인 YOLOv10 같은 Transformer 기반 아키텍처도 고려할 수 있습니다.

아키텍처 차이와 혁신#

YOLO11에서 YOLO26으로의 전환은 모델 아키텍처와 학습 레시피를 모두 변경합니다. YOLO11이 객체 탐지와 다중 작업 학습의 강력한 기준을 세웠다면, YOLO26은 엣지 컴퓨팅을 위한 배포 경로를 재설계했습니다.

종단 간 NMS-free 설계#

YOLO26의 가장 중요한 업그레이드 중 하나는 네이티브 종단 간 추론입니다. 겹치는 바운딩 박스를 필터링하기 위해 비최대 억제(NMS) 후처리에 의존하는 YOLO11과 달리, YOLO26은 선택적 일대일 헤드(nms=False)를 사용하여 이 단계를 완전히 생략할 수 있습니다. YOLOv10이 YOLO 제품군에 도입한 이 접근 방식은 지연 시간 편차를 줄이고 다양한 엣지 디바이스에서 배포 로직을 간소화합니다.

엣지 효율성을 위한 DFL 제거#

YOLO11은 바운딩 박스 추정치를 개선하기 위해 분포 초점 손실(DFL)을 사용합니다. 하지만 DFL은 저전력 엣지 가속기에서 제대로 지원되지 않는 경우가 많은 소프트맥스 연산에 의존합니다. YOLO26은 정확도를 유지하면서 DFL을 제거했습니다. 이러한 단순화는 임베디드 시스템과의 호환성을 높이며 YOLO26n이 YOLO11n보다 CPU 추론을 최대 43% 빠르게 수행하도록 합니다.

MuSGD 옵티마이저#

YOLO26은 확률적 경사 하강법(SGD)과 Muon을 결합한 하이브리드인 MuSGD 옵티마이저를 도입합니다. 이는 Moonshot AI의 Kimi K2에서 영감을 받은 대규모 언어 모델(LLM) 학습 혁신을 활용합니다. 컴퓨터 비전에 언어 모델 학습의 안정성을 적용하고 수렴 속도를 높입니다.

ProgLoss 및 STAL#

항공 이미지 또는 드론 애플리케이션을 다루는 연구자에게 작은 객체 탐지는 오랫동안 해결하기 어려운 과제였습니다. YOLO26은 ProgLoss와 STAL(작은 객체 인식 기반 레이블 할당)을 결합하여 YOLO11보다 작은 객체 인식 성능을 높입니다.

성능 및 지표 비교#

YOLO26은 모든 모델 크기에서 YOLO11보다 높은 mAP를 달성하며, 향상 폭은 +1.4(n)에서 +2.8(x)까지입니다. 파라미터 수와 FLOPs는 비슷합니다. YOLO26n과 YOLO26s도 CPU에서 더 빠르지만, 대형 YOLO11 모델은 CPU 지연 시간에서 우위를 유지합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
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

참고: YOLO26n은 YOLO11n보다 CPU ONNX 지연 시간이 약 ~31% 낮습니다(38.9ms 대 56.1ms). 이는 엣지를 우선한 설계를 반영합니다.

다양한 컴퓨터 비전 작업 지원#

두 모델 모두 활발히 유지 관리되는 Ultralytics 생태계와 통합 Python API의 이점을 활용하며, 탐지, 분할, 분류, 포즈 추정, OBB를 지원합니다. YOLO26은 시맨틱 분할과 깊이 추정을 추가로 지원하며, 작업별 개선 사항도 제공합니다:

  • 인스턴스 분할: YOLO26은 시맨틱 분할 손실과 다중 스케일 프로토 모듈을 사용하여 YOLO11보다 마스크 품질을 개선합니다. 분할 워크플로에 대해 자세히 알아보세요.
  • 포즈 추정: 잔차 로그 가능도 추정(RLE)을 통합하여 복잡한 사람 포즈의 키포인트 정확도를 높입니다. 포즈 추정 기능을 확인해 보세요.
  • 방향 바운딩 박스(OBB): 특수 각도 손실 함수가 경계 불연속 문제를 해결하여 위성 이미지에서 회전된 객체를 더 안정적으로 탐지합니다. OBB 작업에 대해 알아보세요.
  • 이미지 분류: 두 모델 모두 고속 분류를 효율적으로 처리하며, YOLO26은 ImageNet에서 소폭 더 높은 top-1 정확도를 제공합니다(n 모델 기준 71.4% 대 70.0%).

학습 및 추론 코드 예제#

Ultralytics로 모델을 학습하거나 추론을 실행하는 데는 몇 줄의 코드만 필요합니다. YOLO 모델 학습에는 대형 Transformer 네트워크보다 적은 CUDA 메모리도 필요합니다.

from ultralytics import YOLO

# YOLO26 나노 모델을 불러옵니다
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",  # 가속 학습에는 GPU를 사용합니다
)

# 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 무엇을 선택할지는 프로덕션 환경의 제약 조건에 따라 달라집니다.

YOLO26을 배포해야 하는 경우#

YOLO26은 신규 프로젝트에 권장되는 선택입니다. 다음 용도를 위해 설계되었습니다:

  • 엣지 컴퓨팅 및 IoT: CPU 성능과 DFL 제거 덕분에 Raspberry Pi, Coral Edge TPU, 모바일 프로세서와 같은 디바이스에 적합합니다.
  • 드론 및 항공 분석: ProgLoss와 STAL은 넓은 장면에서 작고 빠르게 움직이는 객체의 탐지 및 추적 성능을 높입니다.
  • 지연 시간에 민감한 애플리케이션: 자율 로보틱스나 제조 품질 관리에서 선택적 NMS 프리 헤드(nms=False)는 후처리로 인한 급격한 지연 없이 일관된 지연 시간을 유지합니다.

YOLO11을 유지해야 하는 경우#

YOLO11은 여전히 우수한 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 모델: 연구를 발표하며 새로운 알고리즘을 비교하기 위해 널리 인정받는 2024년 기준 모델이 필요한 경우입니다.

Ultralytics 생태계의 강점#

YOLO11과 YOLO26 중 어느 모델을 배포하든 Ultralytics 모델은 잘 유지 관리되는 생태계, 잦은 업데이트, 대규모 커뮤니티를 제공합니다.

엔터프라이즈 팀을 위해 Ultralytics Platform은 데이터 어노테이션, 모델 학습, 클라우드 배포를 위한 종단 간 솔루션을 제공합니다. ultralytics 패키지는 하이퍼파라미터 튜닝부터 학습된 가중치를 CoreML 또는 TensorRT로 내보내는 작업까지 전체 수명 주기를 지원합니다.

댓글2

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.

  1. CoLndGitHub

    Hello, thank you for this article. I'm seeing that the best speed upgrade is 31% between 11n and 26n, where does the "up to 43% acceleration" come from please? Thank you have a nice day

    1. Murat Raimbekov

      your math is right - YOLO26n at 38.9 ms vs YOLO11n at 56.1 ms is ~31% lower latency, which is what the in-page note on this comparison reflects. the "up to 43% faster" headline expresses the same two numbers as a throughput speedup instead: 56.1 / 38.9 ≈ 1.44, so YOLO26n processes ~44% more frames per second on the same CPU than YOLO11n, marketed as "up to 43% faster". both describe the identical benchmark, just two different conventions:

      • latency reduction: (56.1 - 38.9) / 56.1 = ~31%
      • throughput speedup: 56.1 / 38.9 - 1 = ~44% (rounded down to "up to 43%" in the headline)

      a cleaner restatement: YOLO26n delivers up to ~43% faster CPU ONNX inference than YOLO11n, corresponding to ~31% lower latency in the benchmark table. the "up to" qualifier reflects that nano is where the gap is largest - on s/m/l/x tiers the gap is smaller (or negative on the larger ones), so the headline is bound to the best case. we will look at tightening the wording in the docs so the two metrics read clearly side by side.

      thanks for flagging.