YOLOv5 vs YOLO11: 기술 비교
정확도, 속도 및 리소스 효율성의 균형을 맞추는 올바른 객체 감지 모델을 선택하는 것은 매우 중요한 결정입니다. 이 페이지에서는 널리 채택된 Ultralytics YOLOv5과 최첨단 Ultralytics YOLO11라는 Ultralytics의 두 가지 랜드마크 모델 간의 자세한 기술 비교를 제공합니다. YOLOv5는 성능과 사용 편의성 측면에서 업계 표준을 세웠지만 YOLO11은 동일한 강력한 Ultralytics 생태계 내에서 뛰어난 정확도, 더 큰 다재다능성 및 향상된 효율성을 제공하는 차세대 진화 모델입니다.
Ultralytics YOLOv5: 확고한 산업 표준
2020년에 출시된 YOLOv5는 빠르게 세계에서 가장 인기 있는 객체 감지 모델 중 하나가 되었습니다. 그 명성은 속도, 신뢰성 및 사용자 친화성의 뛰어난 조합을 기반으로 구축되어 수많은 개발자와 연구원에게 적합한 선택입니다.
기술 세부 사항:
- 작성자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 문서: https://docs.ultralytics.com/models/yolov5/
아키텍처 및 주요 기능
YOLOv5는 PyTorch를 기반으로 구축되었으며 효과적인 특징 집계를 위해 PANet 넥과 결합된 CSPDarknet53 백본을 특징으로 합니다. 이 아키텍처는 소형의 빠른 YOLOv5n에서 대형의 정확한 YOLOv5x에 이르기까지 다양한 모델을 제공하여 확장성이 뛰어납니다. YOLOv5의 주요 특징은 릴리스 당시 매우 효과적이었던 앵커 기반 감지 헤드입니다.
강점
- 탁월한 추론 속도: YOLOv5는 빠른 추론에 매우 최적화되어 있어 특히 GPU 하드웨어에서 실시간 애플리케이션을 위한 강력한 선택입니다.
- 성숙한 에코시스템: 잘 확립된 모델인 YOLOv5는 대규모 커뮤니티, 광범위한 튜토리얼 및 광범위한 타사 지원의 이점을 누릴 수 있습니다. 수많은 프로덕션 환경에서 실전 테스트를 거쳤습니다.
- 사용 편의성: 간단한 API와 포괄적인 문서로 유명한 YOLOv5는 빠른 프로토타입 제작 및 배포를 가능하게 합니다. 이 모델은 노코드 훈련을 위한 Ultralytics HUB를 포함하여 Ultralytics 생태계에 완벽하게 통합되었습니다.
- 학습 효율성: YOLOv5는 즉시 사용 가능한 사전 학습된 가중치를 통해 효율적인 학습 프로세스를 제공하여 효과적인 전이 학습과 더 빠른 개발 주기를 가능하게 합니다.
약점
- Anchor-Based Detection: 사전 정의된 앵커 박스에 대한 의존성으로 인해 비정상적인 모양의 객체를 가진 데이터 세트에 대해 세심한 튜닝이 필요한 경우가 있으며, 이는 최신 앵커 프리 검출기에서 해결된 제한 사항입니다.
- 정확도 상한: 여전히 매우 정확하지만 COCO와 같은 벤치마크에서의 성능은 YOLO11과 같은 최신 아키텍처에 의해 능가되었습니다.
이상적인 사용 사례
YOLOv5는 속도와 안정성이 가장 중요한 애플리케이션에 여전히 훌륭한 선택입니다.
- Edge Computing: 더 작은 변형은 Raspberry Pi 및 NVIDIA Jetson과 같이 리소스가 제한된 장치에 배포하는 데 적합합니다.
- 실시간 감시: 높은 FPS를 요구하는 보안 시스템 및 모니터링 애플리케이션을 지원합니다.
- 산업 자동화: 제조 환경에서 품질 관리 및 공정 자동화에 사용됩니다.
Ultralytics YOLO11: 비전 AI의 차세대 진화
YOLO11은 컴퓨터 비전에서 가능한 것의 경계를 넓히기 위해 설계된 Ultralytics의 최첨단 모델입니다. YOLOv8을 포함한 이전 모델의 성공을 기반으로 정확도, 속도 및 다재다능성이 크게 향상되었습니다.
기술 세부 사항:
- 저자: Glenn Jocher, Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: https://docs.ultralytics.com/models/yolo11/
아키텍처 및 주요 기능
YOLO11은 고급 특징 추출 기능과 간소화된 디자인을 갖춘 개선된 네트워크 아키텍처를 도입했습니다. 주요 발전은 일반화 성능을 향상시키고 학습 프로세스를 간소화하는 앵커 프리 감지 헤드입니다. 이 최신 디자인을 통해 YOLO11은 파라미터를 보다 효율적으로 사용하여 더 높은 정확도를 달성할 수 있으므로 추론 속도가 빨라지고 계산 요구 사항이 줄어듭니다.
강점
- 최첨단 성능: YOLO11은 정확도에 대한 새로운 기준을 제시하며, 모든 모델 크기에서 YOLOv5보다 높은 mAP 점수를 달성합니다.
- 향상된 다재다능함: YOLO11은 진정한 멀티태스킹 프레임워크로, 단일 통합 모델 내에서 객체 감지, 인스턴스 분할, 이미지 분류, 포즈 추정 및 OBB(Oriented Bounding Box)를 지원합니다.
- 탁월한 효율성: 이 모델은 매우 효율적이며 더 나은 속도-정확도 균형을 제공합니다. 특히 YOLOv5에 비해 CPU에서 훨씬 빠른 추론을 보여주어 더 넓은 범위의 하드웨어에서 액세스할 수 있습니다. 또한 다른 많은 아키텍처보다 훈련 및 추론에 필요한 메모리가 적습니다.
- 간소화된 사용자 경험: Ultralytics 생태계의 일부인 YOLO11은 간단한 Python API, 강력한 CLI 및 광범위한 문서를 통해 사용 편의성에 대한 동일한 약속을 유지합니다.
약점
- 대형 모델의 계산 요구량: 매우 효율적이지만 가장 큰 YOLO11 모델(예: YOLO11x)은 최대 정확도를 달성하기 위해 상당한 컴퓨팅 자원이 여전히 필요합니다.
- 진화하는 통합: 최신 모델로서 타사 도구 및 통합 에코시스템이 빠르게 성장하고 있지만 오랫동안 확립된 YOLOv5만큼 광범위하지 않을 수 있습니다.
이상적인 사용 사례
YOLO11은 최고 수준의 정확도와 유연성을 요구하는 새로운 프로젝트에 이상적인 선택입니다.
- 고급 로봇 공학: 복잡하고 역동적인 환경에서 정확한 객체 상호 작용 및 탐색을 가능하게 합니다.
- 의료 및 의료 영상: 높은 정밀도가 중요한 종양 감지와 같은 작업을 지원합니다.
- 스마트 시티: 정교한 교통 관리 및 공공 안전 시스템을 강화합니다.
- 리테일 분석: 더 높은 정확도로 재고 관리 및 고객 행동 분석 개선.
정면 성능 대결: YOLOv5 vs. YOLO11
성능 지표는 YOLO11의 발전을 명확하게 보여줍니다. 전반적으로 YOLO11 모델은 추론 속도를 유지하거나 심지어 향상시키면서 mAP에서 상당한 향상을 제공합니다. 예를 들어 YOLO11s는 YOLOv5l과 비슷한 47.0 mAP를 달성하지만 매개변수가 훨씬 적고 CPU 추론 속도가 훨씬 빠릅니다. 마찬가지로 YOLO11m은 CPU에서 4배 이상 빠르면서 정확도(51.5 대 50.7 mAP)에서 YOLOv5x를 능가합니다.
| 모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 T4 TensorRT10 (ms) |
파라미터 (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| 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 |
결론: 어떤 모델을 선택해야 할까요?
YOLOv5는 여전히 견고하고 안정적인 모델이지만, YOLO11은 거의 모든 새로운 프로젝트에서 명확한 후속 모델이자 권장되는 선택입니다. 이전 모델을 그토록 인기 있게 만들었던 사용 편의성을 희생하지 않으면서 더 높은 정확도, 더 뛰어난 작업 다양성 및 향상된 효율성을 제공하여 성능이 크게 향상되었습니다.
-
이미 사용 중인 레거시 프로젝트에서 작업 중이거나 특정 GPU 속도 최적화가 중요한 이점을 제공하는 하드웨어에 배포하는 것이 주요 제약 조건인 경우 YOLOv5를 선택하십시오.
-
모든 새로운 응용 분야에 YOLO11을 선택하십시오. 뛰어난 정확도, 앵커 프리 디자인, 다중 작업 기능 및 CPU와 GPU 모두에서 뛰어난 성능으로 인해 더 강력하고 유연하며 미래 지향적인 솔루션입니다.
두 모델 모두 강력한 Ultralytics 에코시스템에서 지원되므로 뛰어난 지원 및 설명서를 통해 원활한 개발 환경을 보장합니다.
다른 모델 비교 살펴보기
이러한 모델이 다른 주요 아키텍처와 어떻게 비교되는지 궁금하다면 다른 비교 페이지를 확인해 보세요.
