YOLOv10 대 YOLO11#
컴퓨터 비전 분야는 끊임없이 발전하고 있으며, 새로운 아키텍처가 실시간 처리의 가능성을 계속해서 확장하고 있습니다. 빠르게 변화하는 이 분야를 탐색하는 개발자와 연구자에게 최신 모델 간의 세부적인 차이를 이해하는 것은 매우 중요합니다. 이 상세한 비교에서는 뛰어난 객체 탐지 프레임워크인 YOLOv10과 Ultralytics YOLO11의 기술적 차이, 성능상의 트레이드오프, 적합한 사용 사례를 살펴봅니다.
두 모델 모두 벤치마크 데이터셋에서 뛰어난 결과를 달성하지만, 기본 설계 철학과 생태계 통합 방식은 크게 다릅니다. 아키텍처를 검토하면 어떤 솔루션이 배포 제약 조건과 프로젝트 목표에 가장 잘 부합하는지 파악할 수 있습니다.
YOLOv10: NMS가 필요 없는 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
- 기관: 칭화대학교
- 날짜: 2024년 5월 23일
- 연구 논문: arXiv:2405.14458
- 소스 코드: GitHub의 THU-MIG/yolov10
- 문서: YOLOv10 Docs
YOLOv10의 가장 두드러진 혁신은 NMS가 필요 없는 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 구현하고 추론 지연 시간을 줄이며, 신경망 처리 장치 (NPUs)와 같이 사용자 지정 NMS 연산을 최적화하기가 매우 어려운 하드웨어 가속기에서의 배포를 간소화합니다.
YOLO11: 생태계 기반의 유연성과 성능#
같은 해 후반에 출시된 YOLO11은 속도, 정확도, 개발자 경험 간의 최적의 균형에 중점을 둔 Ultralytics 모델 제품군의 지속적인 개선을 보여줍니다.
- 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 탐지에서 뛰어난 성능을 보이지만, 진정한 강점은 다용도성에 있습니다. 주로 객체 탐지에 초점을 맞춘 YOLOv10과 달리 YOLO11은 통합 아키텍처를 사용하여 인스턴스 세그멘테이션, 포즈 추정, 이미지 분류, 방향성 바운딩 박스 (OBB) 작업을 기본적으로 지원합니다. 또한 학습 중 메모리 요구량이 놀라울 정도로 낮아, 더 무거운 Transformer 기반 아키텍처와 비교할 때 소비자용 GPU를 사용하는 팀도 쉽게 활용할 수 있습니다.
성능 및 지표 비교#
이러한 모델을 나란히 비교할 때는 COCO 데이터셋과 같은 표준 벤치마크에서 서로 다른 규모의 변형 모델이 어떻게 성능을 발휘하는지 살펴보는 것이 중요합니다.
아래 표는 성능 차이를 보여줍니다. YOLO11은 대부분의 크기 범주에서 mAP 기준으로 YOLOv10을 자주 앞서면서도 매우 경쟁력 있는 TensorRT 추론 속도를 유지합니다.
| 모델 | 크기 (픽셀) | mAPval 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 |
이러한 빠른 추론 속도를 로컬에서 재현하려면 Intel CPU용 OpenVINO 또는 NVIDIA GPU용 TensorRT와 같은 최적화된 형식으로 모델을 내보내야 합니다.
아키텍처 심층 분석#
학습 방법론 및 효율성#
YOLOv10의 아키텍처는 계산 중복을 줄이는 데 중점을 둡니다. 칭화대학교의 저자들은 전체적인 효율성-정확도 중심 전략을 사용하여 백본과 넥 설계를 최적화했고, 그 결과 이전 버전에 비해 중간급 모델(예: YOLOv10m)의 파라미터 수를 크게 줄였습니다.
그러나 학습 효율성은 Ultralytics 모델의 주요 특징입니다. YOLO11은 고도로 개선된 ultralytics Python 패키지를 활용하여 복잡한 하이퍼파라미터 튜닝을 추상화합니다. 이 프레임워크는 고급 데이터 증강, 학습률 스케줄링, 다중 GPU 분산 학습을 기본적으로 자동 처리합니다. 또한 YOLO11의 아키텍처는 뛰어난 그래디언트 흐름을 보여 학습 단계에서 더 빠른 수렴과 낮은 VRAM 사용량을 제공합니다.
사용 편의성과 생태계의 이점#
기업 도입의 핵심 요소는 잘 유지 관리되는 생태계입니다. 연구 저장소는 획기적인 성과를 이루더라도 최초 논문 발표 후 방치되는 경우가 많습니다. YOLO11을 뒷받침하는 Ultralytics 생태계는 원활한 엔드투엔드 개발자 경험을 제공합니다.
YOLO11은 실험 추적을 위한 Weights & Biases 및 데이터셋 관리를 위한 Roboflow와 같은 도구와 원활하게 통합되어 프로토타입에서 프로덕션으로의 전환을 가속합니다. 간소화된 API를 통해 몇 줄의 코드만으로 모델을 학습하고 내보낼 수 있다는 점에서 사용 편의성을 확인할 수 있습니다.
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#
YOLOv10과 YOLO11 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
YOLOv10을 선택해야 하는 경우#
YOLOv10은 다음과 같은 경우에 적합합니다:
- NMS-Free 실시간 탐지: 비최대 억제 없이 엔드투엔드 탐지의 이점을 활용하여 배포 복잡성을 줄이는 애플리케이션입니다.
- 균형 잡힌 속도-정확도 절충: 다양한 모델 규모에서 추론 속도와 탐지 정확도 사이의 뛰어난 균형이 필요한 프로젝트입니다.
- 일관된 지연 시간이 필요한 애플리케이션: 로보틱스 또는 자율 시스템과 같이 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.
YOLO11을 선택해야 하는 경우#
YOLO11은 다음과 같은 경우에 권장됩니다:
- 프로덕션 엣지 배포: 신뢰성과 지속적인 유지 관리가 무엇보다 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서 실행되는 상용 애플리케이션입니다.
- 멀티태스크 비전 애플리케이션: 단일 통합 프레임워크에서 감지, 세그멘테이션, 포즈 추정, OBB가 필요한 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션까지 빠르게 진행해야 하는 팀입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
- 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.
다른 아키텍처 살펴보기#
YOLOv10과 YOLO11은 모두 훌륭한 선택이지만, 구체적인 사용 사례에 따라 문서에서 제공되는 다른 아키텍처가 더 적합할 수 있습니다. 시퀀스 기반 추론에는 RT-DETR과 같은 Transformer 모델이 높은 정확도를 제공하지만, 일반적으로 더 많은 메모리를 요구합니다. 반대로 재학습 없이 새로운 클래스를 식별하는 제로샷 기능이 필요하다면 YOLO-World가 자연어 프롬프트를 기반으로 한 오픈 보캐뷸러리 접근 방식을 제공합니다.
차세대 모델: YOLO26#
최첨단 성능을 추구하는 팀을 위해 최근 출시된 Ultralytics YOLO26은 위에서 논의한 두 모델의 장점을 결합합니다. 2026년 1월에 출시된 YOLO26은 최신 배포 시나리오를 위한 최고의 권장 모델입니다.
이전 모델의 기반을 발전시킨 YOLO26은 엔드투엔드 NMS가 필요 없는 설계를 기본적으로 통합하여 YOLOv10이 처음 해결한 후처리 병목 현상을 효과적으로 제거하며, 이를 강력한 Ultralytics 프레임워크 내에서 구현합니다. 또한 YOLO26은 DFL 제거(분포 초점 손실)를 적용하여 모델 내보내기 그래프를 크게 간소화하고 엣지 및 저전력 IoT 디바이스와의 호환성을 향상합니다.
또한 MuSGD Optimizer가 도입되면서 학습 안정성이 세대교체 수준으로 향상되었습니다. 이는 LLM 학습 방법론에서 영감을 얻은 하이브리드 접근 방식으로, 매우 빠른 수렴을 보장합니다. ProgLoss + STAL과 같은 고급 손실 함수가 결합된 YOLO26은 작은 객체 인식에서 주목할 만한 개선을 제공합니다. 표준 엣지 디바이스에 배포할 때 이러한 아키텍처 개선을 통해 CPU 추론 속도를 최대 43% 향상할 수 있어, YOLO26은 모든 컴퓨터 비전 작업에서 독보적인 선택지입니다.