Ultralytics YOLO27:

YOLO26 vs YOLO11#

최첨단 컴퓨터 비전 시스템을 구축할 때는 정확도, 지연 시간, 리소스 효율성 간의 균형을 맞추기 위해 적절한 모델을 선택하는 것이 중요합니다. 빠르게 발전하는 인공지능 분야에서 Ultralytics는 가능한 범위를 계속해서 확장하고 있습니다. 이 상세한 기술 비교에서는 높은 성공을 거둔 YOLO11에서 혁신적인 신형 YOLO26으로의 전환을 살펴보고, AI 엔지니어와 연구자가 아키텍처에 관한 의사 결정을 내리는 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:

YOLO11 세부 정보:

기타 아키텍처

YOLO26은 가장 발전된 실시간 모델이지만, 고도로 특화된 하드웨어나 대용량 메모리를 사용하는 경우 RT-DETR와 같은 Transformer 기반 아키텍처나 획기적인 NMS-free 선구자인 YOLOv10도 고려해 볼 수 있습니다.

아키텍처 차이 및 혁신#

YOLO11에서 YOLO26으로의 도약에는 모델 아키텍처와 기본 학습 방식 모두에서 근본적인 변화가 포함됩니다. YOLO11이 객체 감지와 멀티태스크 학습을 위한 견고한 기준을 확립한 반면, YOLO26은 엣지 컴퓨팅을 위한 배포 파이프라인을 완전히 개편했습니다.

End-to-End NMS-Free 설계#

YOLO26의 가장 중요한 업그레이드 중 하나는 네이티브 end-to-end 아키텍처입니다. 겹치는 바운딩 박스를 필터링하기 위해 사후 처리 단계에서 비최대 억제(NMS)에 의존하는 YOLO11과 달리, YOLO26은 이 단계를 완전히 제거합니다. YOLOv10에서 처음 개척된 이 개념은 지연 시간의 변동성을 크게 줄이고 다양한 엣지 디바이스에서 배포 로직을 간소화합니다.

엣지 효율성을 위한 DFL 제거#

YOLO11은 바운딩 박스 추정을 개선하기 위해 분포 초점 손실(DFL)을 사용합니다. 그러나 DFL은 저전력 엣지 가속기에서 지원이 부족한 경우가 많은 복잡한 softmax 연산에 의존합니다. YOLO26은 정확도를 저하시키지 않고 DFL을 성공적으로 제거했습니다. 이러한 아키텍처 간소화로 임베디드 시스템과의 호환성이 크게 향상되며, YOLO26은 이전 모델보다 최대 43% 더 빠른 CPU 추론을 달성할 수 있습니다.

MuSGD 옵티마이저#

학습 안정성과 속도는 매우 중요합니다. YOLO26은 확률적 경사 하강법(SGD)과 Muon을 결합한 하이브리드 방식인 MuSGD 옵티마이저를 도입했으며, Moonshot AI의 Kimi K2에서 선보인 LLM 학습 혁신에서 큰 영감을 받았습니다. 이 옵티마이저는 언어 모델 학습의 안정성을 컴퓨터 비전에 적용하여 더 빠른 수렴을 보장하고, 대형 Transformer 기반 대안과 비교해 학습 중 메모리 사용량을 줄입니다.

ProgLoss 및 STAL#

항공 imagery 또는 드론 응용 프로그램을 다루는 연구원들에게는 매우 작은 피처를 감지하는 것이 오랜 과제였습니다. YOLO26은 ProgLoss와 STAL(Small-Target-Aware Label Assignment)을 결합하여 도입함으로써, YOLO11 대비 소형 객체 인식에서 현저한 성능 향상을 제공합니다.

성능 및 지표 비교#

두 모델을 직접 비교하면 YOLO26은 정밀도와 엣지 디바이스 효율성에서 뚜렷한 우위를 보이는 동시에 Ultralytics 생태계 특유의 매우 낮은 메모리 요구 사항을 유지합니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9

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

컴퓨터 비전 작업 전반의 범용성#

두 모델 모두 지속적으로 관리되는 Ultralytics 생태계의 이점을 활용하며, 통합 Python API를 통해 탁월한 사용 편의성을 제공합니다. 두 모델은 단순한 객체 감지기가 아니라 멀티태스크 작업에 강력한 모델입니다. 그러나 YOLO26은 여러 작업별 발전 사항을 통합합니다.

  • 인스턴스 세그멘테이션: YOLO26은 개선된 시맨틱 세그멘테이션 손실과 멀티스케일 프로토타이핑을 사용하여 YOLO11보다 더 선명한 마스크 경계를 생성합니다. 세그멘테이션 워크플로에 대해 자세히 알아보세요.
  • 포즈 추정: YOLO26은 잔차 로그 가능도 추정(RLE)을 통합하여 복잡한 사람 포즈에서 키포인트 정확도를 크게 향상합니다. 포즈 추정 기능을 확인해 보세요.
  • Oriented Bounding Boxes(OBB): 특수 각도 손실 함수가 기존의 경계 불연속 문제를 해결하여 YOLO26은 위성 영상에서 회전된 객체를 매우 안정적으로 감지합니다. OBB 작업에 대해 읽어보세요.
  • 이미지 분류: 두 모델 모두 고속 분류를 효율적으로 처리하며, YOLO26은 ImageNet에서 top-1 정확도가 소폭 향상되었습니다.

학습 및 추론 코드 예제#

Ultralytics는 개발자 경험으로 널리 호평받고 있습니다. SOTA 모델을 학습하거나 추론 스크립트를 실행하는 데 몇 줄의 코드만 필요하므로 보일러플레이트를 최소화하고 생산성을 극대화할 수 있습니다. 또한 YOLO 모델을 학습하는 데는 대형 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()

이상적인 사용 사례 및 배포 전략#

YOLO26과 YOLO11 중 어떤 모델을 선택할지는 전적으로 프로덕션 환경의 제약 조건에 따라 달라집니다.

YOLO26을 배포해야 하는 경우#

YOLO26은 최신 그린필드 프로젝트를 위한 확실한 선택입니다. 특히 다음과 같은 용도로 설계되었습니다.

  • 엣지 컴퓨팅 및 IoT: 뛰어난 CPU 성능과 DFL 제거를 바탕으로 Raspberry Pi, Coral NPU, 모바일 프로세서와 같은 디바이스에 최적의 성능을 제공합니다.
  • 드론 및 항공 분석: ProgLoss + STAL 통합으로 광활한 지형에서 작고 빠르게 움직이는 객체를 추적하는 데 고유한 역량을 발휘합니다.
  • 지연 시간 핵심 애플리케이션: 자율 로보틱스 또는 제조 품질 관리에서 NMS-free 설계는 예기치 않은 사후 처리 지연 급증 없이 결정론적인 지연 시간을 보장합니다.

YOLO11을 유지해야 하는 경우#

YOLO26이 더 뛰어나지만 YOLO11은 여전히 매우 유능한 모델입니다. 다음과 같은 경우 YOLO11을 계속 사용할 수 있습니다.

  • 레거시 파이프라인: 기존 C++ 배포 인프라가 이전 아키텍처의 특정 앵커 기반 출력 및 NMS 로직과 긴밀하게 결합되어 있습니다.
  • 학술 기준선: 연구를 발표하면서 새로운 알고리즘을 벤치마크할, 널리 인정받는 2024년 표준이 필요합니다.

Ultralytics 생태계의 강점#

YOLO11 또는 YOLO26 중 어느 것을 배포하든 Ultralytics 모델을 사용하면 잦은 업데이트와 폭넓은 커뮤니티 지원을 제공하는 잘 관리되는 생태계의 이점을 활용할 수 있습니다.

엔터프라이즈 팀을 위해 Ultralytics Platform은 데이터 어노테이션, 모델 학습, 원활한 클라우드 배포를 위한 end-to-end 솔루션을 제공합니다. 학습된 가중치를 CoreML 또는 TensorRT로 내보내는 작업부터 고급 하이퍼파라미터 튜닝을 구성하는 작업까지, 제공되는 도구는 AI 수명 주기를 최대한 간소화합니다.

기여자
GLglenn-jocher7PDpderrenger1

댓글