YOLO Vision 2026:

YOLOv5 대 YOLO11#

새로운 프로젝트를 위한 올바른 컴퓨터 비전 아키텍처를 선택할 때는 최신 모델의 진화 과정을 이해하는 것이 매우 중요합니다. 초기 아키텍처에서 현대적인 통합 프레임워크로의 발전은 알고리즘 효율성과 개발자 경험 측면에서 모두 상당한 도약을 이뤄냈습니다. 본 가이드는 Ultralytics가 개발한 두 가지 획기적인 모델인 선구적인 YOLOv5와 매우 정교해진 YOLO11을 심도 있게 기술적으로 비교합니다.

모델 소개#

두 아키텍처 모두 실시간 객체 탐지 분야에서 중요한 이정표를 제시하며, 배포 환경 및 기존 요구 사항에 따라 각기 다른 장점을 제공합니다.

YOLOv5: 업계의 핵심 모델#

2020년 여름에 출시된 YOLOv5는 네이티브 PyTorch 구현 덕분에 학습 및 배포의 진입 장벽을 대폭 낮추며 빠르게 업계 표준이 되었습니다. 이 모델은 이전 버전의 복잡한 Darknet C 프레임워크에서 벗어나 모델 구축에 대한 Pythonic 접근 방식을 제공했습니다.

YOLOv5는 사용 편의성에 대한 강력한 기준을 확립했으며, 고급 모자이크 데이터 증강 및 자동 앵커링(auto-anchoring)을 포함한 강력한 학습 방법론을 도입했습니다. 잘 문서화되고 철저하게 테스트된 코드베이스를 기반으로 개발하는 연구자들 사이에서 여전히 매우 인기가 높습니다.

YOLOv5에 대해 더 알아보기

YOLO11: 통합 비전 프레임워크#

수년간의 피드백과 아키텍처 연구를 바탕으로 도입된 YOLO11은 다중 비전 작업을 네이티브로 처리할 수 있는 통합 프레임워크의 일부입니다. 단순한 경계 상자(bounding box)를 넘어, 최대의 다재다능함과 효율성을 위해 처음부터 설계되었습니다.

YOLO11은 ultralytics Python 패키지를 통해 간소화된 사용자 경험을 제공하며, 객체 감지, 인스턴스 세그멘테이션, 분류, 포즈 추정 및 지향 바운딩 박스(OBB)를 통합하는 간단한 API를 자랑합니다. 속도와 정확도 사이에서 매우 유리한 절묘한 균형을 달성하여 다양한 실제 배포 시나리오에 이상적입니다.

YOLO11에 대해 더 알아보기

통합 플랫폼

두 모델 모두 Ultralytics Platform이 제공하는 잘 유지 관리되는 생태계의 이점을 누립니다. 이 통합된 환경은 다양한 하드웨어 타겟에 걸쳐 데이터셋 주석, 클라우드 학습, 모델 내보내기를 단순화합니다.

성능 및 지표 비교#

이 모델들을 직접 비교해 보면 아키텍처 개선이 어떻게 가시적인 성능 향상으로 이어지는지 알 수 있습니다. 아래 표는 CPU 및 GPU 추론 속도와 파라미터 수와 함께 COCO dataset에서 평가된 평균 정밀도(mAP)를 보여줍니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9

결과 분석#

이 지표들은 YOLO11이 달성한 성능 균형에서의 명확한 도약을 강조합니다. 예를 들어, YOLO11n (nano) 모델은 YOLOv5n의 28.0%에 비해 39.5%의 mAP를 달성하는 동시에 ONNX를 통해 내보낼 때 CPU 추론 시간을 줄여줍니다. 또한 YOLO11은 무거운 Transformer 기반 모델에 비해 학습 중 메모리 요구량이 현저히 낮아 컨슈머 하드웨어와 엣지 디바이스 배포에 매우 적합합니다.

아키텍처 차이점#

YOLO11의 성능 향상은 몇 가지 주요 아키텍처 진화에서 비롯됩니다. YOLOv5가 C3 모듈이 포함된 표준 CSPNet 백본을 사용한 반면, YOLO11은 C2f 및 이후의 C3k2와 같은 더 효율적인 특징 추출 블록을 도입하여 그래디언트 흐름을 최적화하고 연산 오버헤드를 줄였습니다.

YOLO11은 또한 대폭 개선된 헤드를 특징으로 합니다. 기존 모델들의 앵커 기반 디자인에서 벗어나 최신 Ultralytics 아키텍처는 앵커 프리 방식을 채택합니다. 이는 박스 예측 수를 줄여 후처리 파이프라인을 간소화하고 다양한 스케일과 종횡비에 걸쳐 모델의 일반화 능력을 향상시킵니다. 또한 이러한 모델들은 뛰어난 학습 효율성과 미세 조정된 데이터셋의 수렴을 가속화하는 즉시 사용 가능한 사전 학습된 가중치를 자랑합니다.

구현 및 코드 예제#

Ultralytics 생태계의 두드러진 특징 중 하나는 단순성입니다. YOLOv5가 빠른 추론을 위해 torch.hub의 사용을 대중화했다면, YOLO11은 통합된 ultralytics Python 패키지를 통해 이를 한 단계 더 발전시킵니다.

YOLO11로 학습하기#

모델을 로드하고 학습 및 검증하는 데 필요한 상용구(boilerplate) 코드는 최소화되었습니다. API가 하이퍼파라미터 튜닝과 모델 관리를 원활하게 처리합니다.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11s.pt")

# Train on a custom dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference and display results
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

# Easily export the model to TensorRT for hardware acceleration
model.export(format="engine")

YOLOv5를 사용한 레거시 추론#

기존 파이프라인을 유지 관리하는 경우, YOLOv5는 PyTorch의 기본 로딩 메커니즘과 직접 통합되므로 기존 추론 스크립트에 간단히 삽입할 수 있습니다.

import torch

# Load a custom or pretrained YOLOv5 model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Perform inference on an image URL
results = model("https://ultralytics.com/images/zidane.jpg")

# Print prediction details to the console
results.print()
배포 유연성

두 모델 모두 광범위한 내보내기 형식을 지원합니다. TensorRT를 사용하는 NVIDIA Jetson을 타겟팅하든 CoreML을 사용하는 iOS 애플리케이션을 타겟팅하든, 배포 프로세스는 철저히 문서화되어 있으며 커뮤니티의 지원을 받습니다.

이상적인 사용 사례#

이 모델들 중 하나를 선택하는 것은 프로젝트의 수명 주기 단계와 특정 요구 사항에 따라 크게 달라집니다.

YOLOv5를 선택해야 하는 경우#

  • 레거시 코드베이스 유지 관리: 프로덕션 환경이 YOLOv5 리포지토리 구조나 특정 하이퍼파라미터 진화 기법을 중심으로 크게 커스터마이징된 경우.
  • 학술적 기준: 확립된 2020-2022년 컴퓨터 비전 표준과 직접적인 벤치마킹이 필요한 연구를 발표할 때입니다.

YOLO11을 선택해야 할 때#

  • 다중 태스크 프로젝트: 단일 통합 API를 사용하여 포즈 추정 및 인스턴스 세그멘테이션과 같은 다양한 태스크를 결합해야 하는 애플리케이션의 경우.
  • 엣지 배포: 주어진 연산 예산(FLOPs)에 대해 최대 mAP를 짜내는 것이 중요한 엣지 컴퓨팅 시나리오의 경우.
  • 상업용 AI 솔루션: Ultralytics Platform의 강력한 지원을 활용하여 소매 및 보안 분야의 엔터프라이즈 애플리케이션에 이상적입니다.

차세대: Ultralytics YOLO26#

YOLO11은 속도와 정확도의 환상적인 균형을 나타내지만, 인공지능 분야는 빠르게 진화합니다. 오늘날 새로운 프로젝트를 시작하는 개발자분들께는 비전 AI의 최신 표준인 **Ultralytics YOLO26**을 살펴보는 것을 강력히 권장합니다.

2026년 1월에 출시된 YOLO26은 현대적인 배포 요구 사항에 맞춰 특별히 설계된 패러다임 전환형 발전을 도입했습니다:

  • 종단간(End-to-End) NMS-Free 설계: YOLOv10에서 처음 개척된 개념을 기반으로 하는 YOLO26은 네이티브 종단간 모델입니다. NMS(Non-Maximum Suppression) 후처리가 필요 없어 배포 파이프라인을 크게 단순화하고 지연 시간을 줄입니다.
  • MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 모델의 LLM 학습 혁신에서 영감을 받은 이 SGD와 Muon의 하이브리드는 믿을 수 없을 정도로 안정적인 학습과 획기적으로 빠른 수렴을 보장합니다.
  • 전례 없는 CPU 속도: DFL(Distribution Focal Loss)을 제거함으로써 YOLO26은 43% 더 빠른 CPU 추론을 달성하여 전용 GPU가 없는 에지 장치 및 환경에 절대적으로 최고의 선택이 됩니다.
  • 고급 손실 함수: ProgLoss와 STAL의 통합은 드론 분석, IoT 및 로봇 공학에 필수적인 소형 객체 인식에서 눈에 띄는 향상을 가져옵니다.
  • 태스크별 강화: 포즈를 위한 잔차 로그 우도 추정(RLE) 및 지향 바운딩 박스를 위한 특화된 각도 손실과 같은 특화된 최적화를 도입하여 모든 컴퓨터 비전 태스크에서 우수한 성능을 보장합니다.

YOLO26에 대해 자세히 알아보기

표준 객체 감지를 넘어 특화된 아키텍처에 관심이 있는 사용자의 경우, Transformer 기반 감지를 위한 RT-DETR 또는 개방형 어휘 추적 및 감지를 위한 YOLO-World 같은 모델을 살펴볼 수도 있습니다. 이러한 잘 유지 관리되고 고도로 최적화된 도구를 수용하면 컴퓨터 비전 파이프라인이 효율적이고 확장 가능하며 최신 상태를 유지할 수 있습니다.

기여자
GLglenn-jocher13PDpderrenger1

댓글