YOLO26 대 YOLO11: 엔드투엔드 비전 AI의 새로운 시대
객체 탐지의 진화는 속도, 정확도, 효율성에 대한 끊임없는 추구가 특징입니다. 이 여정에서 가장 중요한 두 가지 이정표는 YOLO26과 YOLO11입니다. 두 모델 모두 Ultralytics의 혁신적인 연구에서 비롯되었지만, 서로 다른 세대의 아키텍처 철학을 대표합니다. 본 비교는 이러한 아키텍처의 기술적 세부 사항을 심층적으로 분석하여 개발자와 연구자가 특정 컴퓨터 비전 애플리케이션에 적합한 도구를 선택하는 데 도움을 줍니다.
성능 지표 비교
다음 표는 COCO 두 모델 계열 간의 성능 차이를 보여줍니다. YOLO26의 CPU 속도가 크게 향상된 점을 주목하십시오. 이는 아키텍처 최적화의 직접적인 결과입니다.
| 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 |
아키텍처 진화
YOLO26: NMS 혁명
2026년 1월 출시된 YOLO26은 네이티브 엔드투엔드 객체 탐지로의 패러다임 전환을 상징합니다. 중복 바운딩 박스를 필터링하기 위해 비최대 억제(NMS) 같은 휴리스틱 후처리 단계에 의존하는 기존 탐지기와 달리, YOLO26은 이러한 논리를 네트워크 아키텍처에 직접 통합했습니다. 이 개념은 원래 YOLOv10에서 처음 제시된 이 개념은 YOLO26에서 생산 환경 안정성을 위해 완성되었습니다.
주요 아키텍처 혁신은 다음과 같습니다:
- 엔드투엔드 NMS 설계: NMS 제거함으로써 YOLO26은 배포 파이프라인을 단순화합니다. 이는 특히 NMS 의 변동성이 실시간 애플리케이션에서 지터를 유발할 수 있는 엣지 컴퓨팅 시나리오에서 유용합니다.
- DFL 제거: 분배 초점 손실(DFL) 제거는 모델의 출력 레이어를 간소화합니다. 이 변경으로 저전력 장치와의 호환성이 크게 향상되고, 필요한 맞춤형 연산자가 줄어들어 ONNX CoreML 같은 형식으로의 모델 내보내기가 단순화됩니다.
- MuSGD 최적화기: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델(LLM) 훈련 혁신에서 영감을 받아, YOLO26은 SGD 결합한 하이브리드 최적화기를 활용합니다. 이는 훈련 실행에 탁월한 안정성을 제공하여 복잡한 데이터셋에서도 더 빠른 수렴을 가능하게 합니다.
- ProgLoss + STAL: 프로그레시브 손실(ProgLoss)과 자체 훈련 앵커 손실(STAL)의 도입은 소형 객체 탐지에서 주목할 만한 개선을 가져왔습니다. 이러한 손실 함수는 훈련 중 초점을 동적으로 조정하여, 종종 작거나 가려진 객체와 같은 어려운 예시들이 더 효과적으로 학습되도록 보장합니다.
CPU 중요한 이유
상기 표는 YOLO26n이 CPU 38. CPU 달성한 CPU YOLO11n은 56.1ms를 기록했음을 보여줍니다. 이처럼 CPU 속도가 43% 향상됨에 따라 소비자용 하드웨어에서도 실시간 분석이 가능해져, 소매 및 IoT 환경에서 고가의 전용 GPU 도입 필요성이 줄어듭니다.
YOLO11: 견고한 표준
YOLO112024년 9월 출시된 YOLOv8 C3k2 블록을 YOLOv8 SPPF(Spatial Pyramid Pooling - Fast) 모듈을 YOLOv8 유산을 발전시켰습니다. 여전히 매우 유능하고 견고한 모델이지만, NMS 필요한 기존의 앵커 프리 탐지 헤드를 사용합니다.
YOLO11 광범위한 레거시 지원이 필요하거나 이전 세대의 특정 아키텍처적 특성에 의존해야 하는 시나리오에서 YOLO11 성능을 YOLO11 . 그러나 YOLO26의 간소화된 아키텍처와 비교할 때, 후처리 단계에서 약간 더 많은 계산 오버헤드를 발생시키며, 이는 고처리량 환경에서 병목 현상이 될 수 있습니다.
이상적인 사용 사례
YOLO26을 선택해야 할 때
YOLO26은 효율성과 배포 용이성을 우선시하는 거의 모든 신규 프로젝트에 권장되는 선택입니다.
- 엣지 AI와 IoT: YOLO26은 CPU 과 NMS 설계로 라즈베리 파이(Raspberry Pi)나 NVIDIA 같은 장치에 완벽합니다. 제어 루프에 일관된 타이밍이 필요한 로봇 공학 분야에서는 낮은 지연 시간 편차가 매우 중요합니다.
- 복합 시각 작업: 탐지를 넘어, YOLO26은 작업별 개선점을 제공합니다. 예를 들어 잔차 로그 가능도 추정(RLE)은 자세 추정 정확도를 크게 향상시키며, 특수 각도 손실 함수는 항공 이미지의 방향성 경계 상자(OBB) 정밀도를 개선합니다.
- 저전력 애플리케이션: DFL 제거 및 최적화된 아키텍처로 인해 YOLO26은 추론당 전력 소모가 적어 모바일 애플리케이션에서 배터리 수명을 연장합니다.
YOLO11 선택해야 할 때
YOLO11 다음과 같은 경우에 YOLO11 유효한 옵션입니다:
- 레거시 시스템: 기존 파이프라인이 YOLO11 특정 출력 형식에 맞춰 세밀하게 조정되어 있고, 후처리 로직을 업데이트할 엔지니어링 시간을 확보할 수 없는 경우( Ultralytics 사용하면 일반적으로 YOLO26로의 전환이 원활함).
- 벤치마킹 기준선: 연구자들은 종종 YOLO11 YOLOv8 과 같은 널리 채택된 모델을 새로운 아키텍처와 비교하기 위한 기준선으로 사용합니다.
Ultralytics 이점
YOLO26을 선택하든 YOLO11 선택하든, Ultralytics 활용하면 경쟁 프레임워크 대비 뚜렷한 이점을 제공합니다.
사용 편의성과 다용도성
Ultralytics "초보자도 전문가처럼" 사용할 수 있도록 설계되었습니다. 단일 Python 탐지, 분할, 분류, 추적 기능을 모두 지원합니다. 이러한 다용도성 덕분에 엔지니어링 팀은 새로운 코드베이스를 익히지 않고도 작업 간 전환이 가능합니다.
from ultralytics import YOLO
# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")
# Train on a custom dataset with MuSGD optimization automatically handled
results = model.train(data="coco8.yaml", epochs=100)
# Export to ONNX for simplified edge deployment
path = model.export(format="onnx")
훈련 효율성 및 기억력
두 모델 모두 훈련 효율성을 위해 최적화되었지만, YOLO26의 MuSGD 최적화기는 이 과정을 더욱 안정화합니다. 막대한 VRAM을 요구하는 대규모 트랜스포머 기반 모델과 달리, Ultralytics YOLO 소비자용 GPU에서도 미세 조정이 가능한 경우가 많아, 최첨단 AI 기술에 대한 접근성을 대중화합니다.
잘 관리된 에코시스템
Ultralytics 오픈소스 Ultralytics 여러분의 프로젝트가 미래에도 대비할 수 있도록 보장합니다. 빈번한 업데이트, 방대한 문서, 데이터셋 관리 및 클라우드 트레이닝을 위한 도구들을 통해 여러분은 강력한 커뮤니티와 활발한 개발팀의 지원을 받게 됩니다.
모델 메타데이터
YOLO26
- 저자: 글렌 조커와 징 치우
- 조직:Ultralytics
- 날짜:14
- GitHub:https://github.com/ultralytics/ultralytics
- 문서:ultralytics
YOLO11
- 저자: 글렌 조커와 징 치우
- 조직:Ultralytics
- 날짜:27
- GitHub:https://github.com/ultralytics/ultralytics
- Docs:https://docs.ultralytics.com/models/yolo11/
다른 모델 살펴보기
다양한 아키텍처를 탐색하고자 하는 사용자를 위해 Ultralytics RT-DETR 변환기 기반 탐지를 위한 RT-DETR과 제로샷 세그멘테이션 작업을 위한 SAM 지원합니다.
결론
한편 YOLO11 이 여전히 강력하고 유능한 모델인 반면, YOLO26은 효율성과 속도에 대한 새로운 기준을 제시합니다. 엔드투엔드 NMS 프리 설계와 상당한 CPU 최적화, 고급 손실 함수가 결합되어 현대적인 컴퓨터 비전 애플리케이션에 최적의 선택입니다. YOLO26을 채택함으로써 개발자는 사용자 친화적인 Ultralytics 내에서 복잡성을 줄이면서도 더 높은 정확도와 더 빠른 성능을 달성할 수 있습니다.