YOLOv10과 YOLO11

실시간 컴퓨터 비전 모델을 선택하려면 최신 아키텍처 간의 상충 관계를 이해해야 합니다. 이 비교에서는 성능 및 기술적 차이와 이상적인 사용 사례를 살펴보고, 역량 있는 두 객체 탐지 프레임워크인 YOLOv10과 Ultralytics YOLO11을 비교합니다.

두 모델 모두 벤치마크 데이터셋에서 우수한 결과를 내지만, 설계 철학과 생태계 통합 방식은 크게 다릅니다. 아키텍처를 살펴보면 배포 제약 조건과 프로젝트 목표에 더 적합한 모델을 파악할 수 있습니다.

YOLOv10: NMS 프리 실시간 탐지#

2024년 봄에 출시된 YOLOv10은 후처리와 관련된 지연 시간 오버헤드를 직접 해결하여 기존 객체 탐지 파이프라인에 새로운 접근 방식을 도입했습니다.

YOLOv10의 두드러진 혁신은 일관된 이중 할당 전략으로, 이를 통해 NMS 프리 학습을 구현합니다. 기존 객체 탐지기는 중복 바운딩 박스 예측을 걸러내기 위해 비최대 억제(NMS)에 의존합니다. 이 단계를 제거하면 YOLOv10은 진정한 엔드투엔드 탐지를 구현해 추론 지연 시간을 줄이고, 사용자 지정 NMS 연산을 최적화하기 어려운 신경망 처리 장치(NPU) 같은 하드웨어 가속기에 대한 배포를 간소화합니다.

YOLOv10 자세히 알아보기

YOLO11: 생태계를 기반으로 한 다용성과 성능#

같은 해 후반에 출시된 YOLO11은 속도, 정확도, 개발자 경험의 균형에 중점을 두며 Ultralytics 모델 제품군을 계속 발전시켰습니다.

YOLO11은 프로덕션을 위해 설계되었습니다. 표준 바운딩 박스 탐지에서 뛰어난 성능을 보이지만, 진정한 강점은 다재다능함에 있습니다. 주로 객체 탐지에 초점을 맞춘 YOLOv10과 달리 YOLO11은 통합 아키텍처를 사용해 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB) 태스크를 기본 지원합니다. 또한 학습 중 메모리 요구량이 적어, 메모리 사용량이 더 큰 Transformer 기반 아키텍처보다 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.

YOLO11은 크기가 같은 모델끼리 비교했을 때 모든 구간에서 YOLOv10보다 mAP이 0.2~1.0포인트 높고 TensorRT 속도는 비슷합니다. YOLO11은 n 및 l 스케일에서 확실히 더 빠르고, s 및 m 모델은 속도가 거의 비슷하며, YOLOv10x는 YOLO11x보다 빠르면서 파라미터를 약 절반만 사용합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
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
하드웨어 가속

이러한 추론 속도를 로컬에서 재현하려면 Intel CPU용 OpenVINO나 NVIDIA GPU용 TensorRT 같은 최적화 형식으로 모델을 내보내야 합니다.

아키텍처 심층 분석#

학습 방법론 및 효율성#

YOLOv10의 아키텍처는 계산 중복을 줄이는 데 중점을 둡니다. 칭화대학교 연구진은 효율성과 정확도를 종합적으로 고려한 전략으로 백본과 넥 설계를 최적화하여 이전 버전보다 중간 크기 모델(예: YOLOv10m)의 파라미터 수를 줄였습니다.

학습 효율성은 Ultralytics 모델의 특징입니다. YOLO11은 복잡한 하이퍼파라미터 튜닝을 추상화하는 Python 패키지 ultralytics을 사용합니다. 이 프레임워크는 고급 데이터 증강, 학습률 스케줄링, 멀티 GPU 분산 학습을 기본적으로 자동 처리합니다. YOLO11은 학습 중 VRAM 사용량도 낮게 유지합니다.

사용 편의성과 생태계의 이점#

엔터프라이즈 도입에서 중요한 요소는 잘 관리되는 생태계입니다. 연구용 저장소는 논문이 처음 발표된 뒤 활동이 줄어드는 경우가 많습니다. YOLO11을 뒷받침하는 Ultralytics 생태계는 활발하게 유지 관리되는 엔드투엔드 개발자 경험을 제공합니다.

실험 추적용 Weights & Biases, 데이터셋 관리용 Roboflow 같은 도구를 통합하면 YOLO11을 통해 프로토타입에서 프로덕션으로 더 빠르게 전환할 수 있습니다. 간단한 API를 사용하면 코드 몇 줄만으로 모델을 학습하고 내보낼 수 있어 사용 편의성이 뛰어납니다.

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: 탐지, 분할, 분류, 자세 추정, OBB를 단일 통합 프레임워크에서 처리해야 하는 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 장치에서는 YOLO26의 최대 43% 빠른 CPU 추론(YOLO26n 대 YOLO11n)이 결정적인 이점을 제공합니다.
  • 작은 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석과 같이 ProgLoss와 STAL이 작은 객체의 정확도를 높이는 까다로운 시나리오입니다.

다른 아키텍처 살펴보기#

YOLOv10과 YOLO11은 훌륭한 선택이지만, 구체적인 사용 사례에 따라 문서에서 제공하는 다른 아키텍처가 더 적합할 수 있습니다. 어텐션 기반 탐지에는 RT-DETR 같은 Transformer 모델이 높은 정확도를 제공하지만, 일반적으로 더 많은 메모리가 필요합니다. 재학습 없이 새로운 클래스를 식별하는 제로샷 기능이 필요하다면, YOLO-World는 자연어 프롬프트 기반의 오픈 보캐뷸러리 접근 방식을 제공합니다.

차세대 모델: YOLO26#

2026년 1월에 출시된 Ultralytics YOLO26은 앞서 설명한 두 모델의 장점을 결합했으며, 새로운 배포에 권장되는 모델입니다.

이전 모델의 기반을 발전시킨 YOLO26에는 Ultralytics 프레임워크 내에서 YOLOv10이 처음 해결한 후처리 병목 현상을 없애는 선택적 엔드투엔드 NMS 프리 설계(nms=False)가 포함되어 있습니다. YOLO26은 DFL 제거(Distribution Focal Loss) 기능도 제공해 모델 내보내기 그래프를 간소화하고 엣지 및 저전력 IoT 기기와의 호환성을 높입니다.

MuSGD Optimizer는 대규모 언어 모델(LLM) 학습 방식에서 영감을 얻은 SGD와 Muon의 하이브리드로, 학습 안정성을 높이고 수렴 속도를 향상합니다. ProgLoss + STAL(점진적 손실 함수 및 소형 객체 인식 라벨 할당)을 함께 적용하면 YOLO26의 소형 객체 인식 성능이 개선됩니다. 표준 엣지 기기에서 이러한 개선 사항을 적용한 YOLO26n은 CPU 기준 YOLO11n보다 최대 43% 빠르며, YOLO26은 탐지, 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 분류, 포즈 추정, OBB를 지원합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.