YOLOv10 YOLO11: 실시간 객체 탐지 아키텍처 심층 분석

컴퓨터 비전 분야는 실시간 처리의 한계를 뛰어넘는 새로운 아키텍처가 등장하며 끊임없이 진화하고 있습니다. 이 빠르게 변화하는 분야를 탐색하는 개발자와 연구자에게는 최첨단 모델 간의 미묘한 차이를 이해하는 것이 중요합니다. 본 상세 비교에서는 YOLOv10 과 Ultralytics YOLO11라는 두 가지 고성능 객체 탐지 프레임워크의 기술적 차이점, 성능 상의 장단점, 그리고 이상적인 사용 사례를 살펴봅니다.

두 모델 모두 벤치마크 데이터셋에서 놀라운 성과를 거두지만, 그 기반이 되는 설계 철학과 생태계 통합 방식은 크게 다릅니다. 아키텍처를 분석함으로써 귀사의 배포 제약 조건과 프로젝트 목표에 가장 부합하는 솔루션을 식별할 수 있습니다.

YOLOv10: 선구적인 NMS 엔드투엔드 탐지

2024년 봄에 출시된 YOLOv10 후처리와 관련된 지연 시간 오버헤드를 직접 해결함으로써 기존 객체 탐지 파이프라인에 새로운 접근 방식을 YOLOv10 .

저자: Ao Wang, Hui Chen, Lihao Liu 외
조직:조직: 칭화 대학교
날짜: 2024년 5월 23일
연구 논문:arXiv:2405.14458
소스 코드:THU-MIG/yolov10 on GitHub
문서:YOLOv10

YOLOv10 두드러진 혁신은 일관된 이중 할당 YOLOv10 , 이를 통해 NMS 훈련이 가능합니다. 기존 객체 탐지기는 중복된 바운딩 박스 예측을 걸러내기 위해 비최대 억제(NMS) 에 크게 의존합니다. 이 단계를 제거함으로써 YOLOv10 진정한 종단 간 탐지를 YOLOv10 추론 지연 시간을 줄이고, 맞춤형 NMS 최적화가 특히 어려운 신경 처리 장치(NPU) 와 같은 하드웨어 가속기에서의 배포를 단순화합니다.

10에 대해 자세히 알아보기

YOLO11: 생태계 중심의 다용도성과 성능

같은 해 후반에 출시된 YOLO11 속도, 정확도, 개발자 경험의 최적 균형에 중점을 둔 Ultralytics 제품군의 지속적인 개선을 YOLO11 .

저자: 글렌 조커와 징 치우
조직:Ultralytics
날짜: 2024년 9월 27일
소스 코드:Ultralytics GitHub
플랫폼 통합:Ultralytics

YOLO11 생산 환경을 위해 YOLO11 . 표준 바운딩 박스 탐지에서 탁월한 성능을 보이지만, 진정한 강점은 다용도성에 있습니다. 주로 객체 탐지에 초점을 맞춘 YOLOv10 달리, YOLO11 통합 아키텍처를 통해 인스턴스 세그멘테이션, 자세 추정, 이미지 분류, 방향성 바운딩 박스(OBB) 작업을 YOLO11 지원합니다. 훈련 중 메모리 요구량이 매우 낮아, 더 무거운 트랜스포머 기반 아키텍처에 비해 소비자용 GPU로 작업하는 팀에게 접근성이 매우 높습니다.

YOLO11에 대해 자세히 알아보세요

성능 및 지표 비교

이러한 모델들을 나란히 비교할 때는 COCO 같은 표준 벤치마크에서 다양한 스케일 변형에 걸쳐 어떻게 수행하는지 살펴보는 것이 필수적이다.

아래 표는 성능 차이를 강조합니다. YOLO11 대부분의 크기 mAP YOLOv10 YOLO11 앞서는 동시에 매우 경쟁력 있는 성능을 유지합니다. TensorRT 추론 속도를 유지합니다.

모델	크기 ^(픽셀)	mAP^val 50-95	속도 ^{CPU ONNX (ms)}	속도 ^{T4 TensorRT10 (ms)}	파라미터 ^(M)	FLOPs ^(B)
YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
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

하드웨어 가속

이러한 빠른 추론 속도를 로컬에서 재현하려면 모델을 최적화된 형식(예: OpenVINO ( Intel ) 또는 TensorRT NVIDIA )와 같은 최적화된 형식으로 모델을 내보내야 합니다.

심층적인 아키텍처 분석

훈련 방법론과 효율성

YOLOv10 아키텍처는 계산적 중복성 감소를 중점으로 합니다. 청화대학교 연구진은 효율성과 정확도를 종합적으로 고려한 전략으로 백본과 넥 설계를 최적화함으로써, 중간 규모 모델(예: YOLOv10m)에서 이전 버전 대비 매개변수 수를 현저히 줄이는 데 성공했습니다.

그러나, 교육 효율성 Ultralytics 주요 특징입니다. YOLO11 고도로 정제된 ultralytics 복잡성을 추상화하는 Python 하이퍼파라미터 튜닝이 프레임워크는 고급 데이터 증강, 학습률 스케줄링,GPU 훈련을 기본적으로 자동 처리합니다. YOLO11 아키텍처는 또한 우수한 기울기 흐름을 보여 훈련 단계에서 더 빠른 수렴과 낮은 VRAM 사용량을 제공합니다.

사용 편의성과 생태계 우위

기업 도입의 핵심 요소는 잘 관리된 생태계입니다. 연구 저장소는 혁신적이지만 초기 논문 발표 후 종종 휴면 상태가 됩니다. YOLO11 지원하는 Ultralytics 원활한 종단간 개발자 경험을 제공합니다.

다음과 같은 도구들과 원활하게 통합됩니다 Weights & Biases 와 같은 도구와 원활하게 통합됩니다. Roboflow 와 같은 도구와 원활하게 통합되어 프로토타입에서 생산 환경으로의 전환을 YOLO11 . 간소화된 API를 통해 개발자가 몇 줄의 코드만으로 모델을 훈련하고 내보낼 수 있도록 하여 사용 편의성을 입증합니다.

from ultralytics import YOLO

# Initialize the YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model efficiently with optimized memory handling
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="0")

# Export to ONNX format for deployment flexibility
model.export(format="onnx")

사용 사례 및 권장 사항

YOLOv10 YOLO11 사이의 선택은 특정 프로젝트 요구사항, 배포 제약 조건 및 생태계 선호도에 따라 YOLO11 .

10 선택해야 할 때

YOLOv10 다음에 대한 강력한 YOLOv10 :

NMS 실시간 감지: 비최대 억제(NMS) 없이 종단 간 감지의 이점을 제공하는 애플리케이션으로, 배포 복잡성을 줄입니다.
균형 잡힌 속도-정확도 절충점: 다양한 모델 규모에 걸쳐 추론 속도와 탐지 정확도 간의 강력한 균형이 요구되는 프로젝트들.
일관된 지연 시간 애플리케이션: 로봇 공학 이나 자율 시스템과 같이 예측 가능한 추론 시간이 중요한 배포 시나리오.

YOLO11 선택해야 할 때

YOLO11 다음에 권장YOLO11 :

생산 환경 배포: 라즈베리 파이(Raspberry Pi )나 NVIDIA (NVIDIA NVIDIA )과 같은 장치에서 신뢰성과 능동적 유지보수가 최우선인 상용 애플리케이션.
다중 작업 비전 애플리케이션: 단일 통합 프레임워크 내에서 탐지, 분할, 자세 추정 및 OBB(외부 경계 박스)가 필요한 프로젝트.
신속한 프로토타이핑 및 배포: 데이터 수집에서 생산 단계까지 신속하게 진행해야 하는 팀을 위한 간소화된 Ultralytics Python .

Ultralytics YOLO26)를 선택해야 할 때

대부분의 신규 프로젝트에 대해 Ultralytics 성능과 개발자 경험의 최적 조합을 제공합니다:

NMS 에지 배포: 복잡한 비최대 억제(NMS) 후처리 없이도 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
CPU 전용 환경: 전용 GPU 없는 장치에서, YOLO26의 최대 43% 빠른 CPU 성능이 결정적인 이점을 제공합니다.
소형 물체 탐지: 항공 드론 영상이나 IoT 센서 분석과 같은 까다로운 시나리오에서 ProgLoss와 STAL이 미세한 물체의 정확도를 크게 향상시킵니다.

다른 아키텍처 탐구하기

YOLOv10 YOLO11 훌륭한 YOLO11 , 특정 사용 사례에서는 문서에 소개된 다른 아키텍처가 더 적합할 수 YOLO11 . 시퀀스 기반 추론을 위해서는 RT-DETR 는 높은 정확도를 제공하지만 일반적으로 더 많은 메모리 요구 사항을 필요로 합니다. 반대로, 재훈련 없이 새로운 클래스를 식별하기 위한 제로샷(zero-shot) 기능이 필요하다면, YOLO 자연어 프롬프트로 구동되는 개방형 어휘(open-vocabulary) 접근 방식을 제공합니다.

차세대: YOLO26

최첨단 기술을 추구하는 팀을 위해 최근 출시된 Ultralytics 앞서 논의된 두 모델의 장점을 모두 결합했습니다. 2026년 1월 출시된 YOLO26은 현대적인 배포 시나리오에 대한 궁극적인 추천 솔루션입니다.

선행 모델의 기반을 바탕으로, YOLO26은 엔드투엔드 NMS 설계를 기본적으로 통합하여 YOLOv10 해결한 후처리 병목 현상을 효과적으로 제거합니다. 이는 강력한 Ultralytics 내에서 이루어집니다. 또한 YOLO26은 DFL 제거 (분포 초점 손실) 기능을 통해 모델 내보내기 그래프를 획기적으로 단순화하고, 에지 및 저전력 IoT 장치와의 호환성을 향상시킵니다.

MuSGD 최적화기의 도입으로 훈련 안정성도 세대적 도약을 이루었습니다. LLM 훈련 방법론에서 영감을 받은 이 하이브리드 접근법은 놀라울 정도로 빠른 수렴을 보장합니다. ProgLoss + STAL과 같은 고급 손실 함수와 결합된 YOLO26은 소형 물체 인식에서 눈에 띄는 개선을 제공합니다. 표준 엣지 디바이스에 배포할 경우, 이러한 아키텍처 개선으로 인해 CPU 속도가 최대 43% 빨라져 YOLO26은 모든 컴퓨터 비전 작업에서 타의 추종을 불허하는 선택지가 되었습니다.