YOLOv10과 YOLO11#
컴퓨터 비전 분야는 실시간 처리의 한계를 넓히는 새로운 아키텍처와 함께 끊임없이 발전하고 있습니다. 빠르게 변화하는 이 분야에서 활동하는 개발자와 연구자에게 최신 모델 간의 차이를 파악하는 것은 매우 중요합니다. 이 상세 비교에서는 뛰어난 객체 탐지 프레임워크인 YOLOv10과 Ultralytics YOLO11의 기술적 차이, 성능상의 절충점, 적합한 사용 사례를 살펴봅니다.
두 모델 모두 벤치마크 데이터셋에서 놀라운 결과를 보이지만, 기본 설계 철학과 생태계 통합 방식은 상당히 다릅니다. 아키텍처를 살펴보면 어떤 솔루션이 배포 제약 조건과 프로젝트 목표에 가장 잘 부합하는지 파악할 수 있습니다.
YOLOv10: NMS-free 엔드투엔드 탐지의 선구자#
2024년 봄에 출시된 YOLOv10은 후처리와 관련된 지연 시간 오버헤드를 직접 해결하여 기존 객체 탐지 파이프라인에 새로운 접근 방식을 도입했습니다.
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 날짜: 2024년 5월 23일
- 연구 논문: arXiv:2405.14458
- 소스 코드: GitHub의 THU-MIG/yolov10
- 문서: YOLOv10 문서
YOLOv10의 대표적인 혁신은 NMS-free 학습을 가능하게 하는 일관된 이중 할당 전략입니다. 기존 객체 탐지기는 중복 바운딩 박스 예측을 필터링하기 위해 비최대 억제(NMS)에 크게 의존합니다. 이 단계를 제거함으로써 YOLOv10은 진정한 엔드투엔드 탐지를 구현하여 추론 지연 시간을 줄이고, 사용자 지정 NMS 연산의 최적화가 특히 어려운 신경망 처리 장치(NPU)와 같은 하드웨어 가속기에 배포하기 쉽게 합니다.
YOLO11: 생태계를 기반으로 한 다용성과 성능#
같은 해 후반에 출시된 YOLO11은 속도, 정확도, 개발자 경험의 최적 균형에 중점을 두고 Ultralytics 모델 제품군을 지속적으로 개선한 결과입니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024년 9월 27일
- 소스 코드: GitHub의 Ultralytics
- 플랫폼 통합: Ultralytics Platform
YOLO11은 프로덕션 환경을 위해 설계되었습니다. 표준 바운딩 박스 탐지에 탁월하지만, 진정한 강점은 다용성에 있습니다. 주로 객체 탐지에 초점을 맞춘 YOLOv10과 달리, YOLO11은 통합 아키텍처를 사용해 인스턴스 분할, 자세 추정, 이미지 분류, 회전 바운딩 박스(OBB) 작업을 기본 지원합니다. 또한 학습 중 메모리 요구량이 매우 낮아, 무거운 트랜스포머 기반 아키텍처와 비교해 일반 소비자용 GPU를 사용하는 팀도 쉽게 활용할 수 있습니다.
성능 및 지표 비교#
이러한 모델을 나란히 비교할 때는 COCO 데이터셋과 같은 표준 벤치마크에서 다양한 규모별 변형 모델의 성능을 살펴보는 것이 중요합니다.
아래 표는 성능 차이를 보여줍니다. YOLO11은 대부분의 크기 범주에서 mAP가 YOLOv10보다 높은 경우가 많으며, TensorRT 추론 속도도 매우 경쟁력 있게 유지합니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
로컬에서 이러한 빠른 추론 속도를 재현하려면 Intel CPU용 OpenVINO 또는 NVIDIA GPU용 TensorRT와 같은 최적화 형식으로 모델을 내보내세요.
아키텍처 심층 분석#
학습 방법론 및 효율성#
YOLOv10의 아키텍처는 계산 중복 감소를 중시합니다. Tsinghua University의 연구진은 전체적인 효율성과 정확도를 고려한 전략으로 백본과 넥 설계를 최적화하여 이전 버전과 비교했을 때 중간급 모델(예: YOLOv10m)의 파라미터 수를 크게 줄였습니다.
그러나 학습 효율성은 Ultralytics 모델의 주요 특징입니다. YOLO11은 고도로 개선된 ultralytics Python 패키지를 사용해 복잡한 하이퍼파라미터 튜닝을 추상화합니다. 이 프레임워크는 고급 데이터 증강, 학습률 스케줄링, 멀티 GPU 분산 학습을 별도의 설정 없이 자동으로 처리합니다. YOLO11의 아키텍처는 그래디언트 흐름도 우수하여 학습 단계에서 더 빠르게 수렴하고 VRAM 사용량을 줄입니다.
사용 편의성과 생태계의 이점#
엔터프라이즈 도입에서 중요한 요소는 잘 관리되는 생태계입니다. 획기적인 연구 리포지토리도 최초 논문 발표 후 방치되는 경우가 많습니다. YOLO11을 지원하는 Ultralytics 생태계는 원활한 엔드투엔드 개발자 경험을 제공합니다.
실험 추적을 위한 Weights & Biases, 데이터셋 관리를 위한 Roboflow와 원활하게 통합되는 YOLO11은 프로토타입에서 프로덕션으로의 전환을 가속합니다. 간소화된 API를 통해 단 몇 줄의 코드만으로 모델을 학습하고 내보낼 수 있다는 점에서 사용 편의성을 확인할 수 있습니다.
from ultralytics import YOLO
# YOLO11 소형 모델을 초기화합니다
model = YOLO("yolo11s.pt")
# 메모리 처리를 최적화하여 모델을 효율적으로 학습합니다
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="0")
# 유연한 배포를 위해 ONNX 형식으로 내보냅니다
model.export(format="onnx")사용 사례 및 권장 사항#
YOLOv10과 YOLO11 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구사항, 배포 제약 조건 및 생태계 선호도에 따라 달라집니다.
YOLOv10을 선택해야 하는 경우#
YOLOv10은 다음과 같은 경우에 적합합니다:
- NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
- 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
- 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.
YOLO11을 선택해야 하는 경우#
YOLO11은 다음과 같은 경우에 권장됩니다:
- 프로덕션 엣지 배포: 안정성과 지속적인 유지 관리가 가장 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서 상용 애플리케이션을 실행하는 경우입니다.
- 멀티태스크 비전 애플리케이션: 하나의 통합 프레임워크에서 감지, 분할, 자세 추정, OBB가 필요한 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션 배포까지 빠르게 진행해야 하는 팀에 적합합니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
다른 아키텍처 살펴보기#
YOLOv10과 YOLO11도 훌륭한 선택이지만, 구체적인 사용 사례에 따라 문서에 소개된 다른 아키텍처가 더 적합할 수 있습니다. 시퀀스 기반 추론에는 RT-DETR과 같은 트랜스포머 모델이 높은 정확도를 제공하지만, 일반적으로 더 많은 메모리가 필요합니다. 반대로 재학습 없이 새로운 클래스를 식별하는 제로샷 기능이 필요하다면, YOLO-World는 자연어 프롬프트를 활용하는 개방형 어휘 접근 방식을 제공합니다.
차세대 모델: YOLO26#
최첨단 성능을 추구하는 팀에는 최근 출시된 Ultralytics YOLO26을 권장합니다. 앞서 논의한 두 모델의 장점을 결합한 YOLO26은 2026년 1월에 출시되었으며, 최신 배포 시나리오에 가장 적합한 모델입니다.
YOLO26은 이전 모델의 기반을 이어받아 선택적 엔드투엔드 NMS-free 설계(nms=False)를 기본적으로 적용함으로써 YOLOv10이 처음 해결한 후처리 병목을 효과적으로 제거하면서도 강력한 Ultralytics 프레임워크 안에서 이를 구현합니다. 또한 YOLO26은 DFL 제거(Distribution Focal Loss)를 통해 모델 내보내기 그래프를 크게 단순화하고 엣지 및 저전력 IoT 기기와의 호환성을 향상합니다.
MuSGD 옵티마이저가 도입되면서 학습 안정성도 한 세대 발전했습니다. LLM 학습 방법론에서 영감을 얻은 이 하이브리드 접근 방식은 매우 빠른 수렴을 보장합니다. ProgLoss + STAL과 같은 고급 손실 함수와 결합된 YOLO26은 소형 객체 인식 성능을 크게 향상합니다. 일반 엣지 기기에 배포할 때 이러한 아키텍처 개선으로 CPU 추론 속도가 최대 43% 빨라져, YOLO26은 모든 컴퓨터 비전 작업에 탁월한 선택이 됩니다.