YOLOv8 YOLO11: 기술 비교

물체 감지를 위한 Ultralytics YOLOv8 YOLO11 비교하면 실시간 컴퓨터 비전의 발전된 모습을 확인할 수 있습니다. Ultralytics 개발한 두 모델 모두 속도와 정확성을 위해 설계되었지만, 약간씩 다른 요구 사항을 충족하며 서로 다른 아키텍처를 기반으로 합니다. 이 페이지에서는 사용자가 주요 차이점과 이상적인 애플리케이션을 이해하는 데 도움이 되는 자세한 기술 비교를 제공합니다.

YOLOv8 개요

YOLOv8은 2023년 1월 10일에 출시되었으며, YOLO 시리즈에서 중요한 반복을 나타냅니다. 글렌 조처, 아유시 차우라시아, 징 치우가 저술한 YOLOv8 물체 감지, 분할, 분류, 포즈 추정 등 다양한 비전 작업에서 다용도성과 사용 편의성에 중점을 두고 있습니다. 이전 YOLO 아키텍처를 기반으로 구축되었지만 향상된 성능과 유연성을 위해 향상된 기능이 통합되었습니다. YOLOv8 설명서는 사용자 친화성을 강조하여 물체 감지 분야의 초보자부터 숙련된 실무자까지 누구나 쉽게 사용할 수 있습니다.

아키텍처 및 주요 기능:

YOLOv8 단일 단계의 앵커 없는 탐지 패러다임을 유지하여 모델 아키텍처를 간소화하고 훈련 프로세스를 간소화합니다. 주요 아키텍처 기능은 다음과 같습니다:

• 백본: 특징 추출 효율을 위해 최적화된 정교한 CSPDarknet 백본을 활용합니다.
• 목: 넥에 C2f 크로스 스테이지 부분 네트워크를 사용하여 피처 융합을 강화하고 정보 흐름과 그라데이션 전파를 개선합니다.
• 헤드: 분리된 탐지 헤드는 분류와 회귀 작업을 분리하여 정확도를 높이고 더 빠르게 수렴하는 데 기여합니다.

성능 지표:

YOLOv8 다양한 모델 크기에서 최첨단 성능을 달성합니다. COCO 데이터 세트에서 객체 감지의 경우, 가장 큰 변형인 YOLOv8x 53.9 _{mAPval50-95에} 도달하고, 나노 버전인 YOLOv8n 37.3 _{mAPval50-95를} 달성하여 정확도와 속도 사이의 균형을 맞춥니다. 추론 속도는 YOLOv8x 경우 CPU ONNX 80.4ms에서 479.1ms까지 다양하며, 다양한 계산 제약 조건에 맞는 옵션을 제공합니다. 자세한 YOLOv8 성능 메트릭을 살펴보세요.

사용 사례:

YOLOv8 다목적성은 보안 경보 시스템과 스마트 시티 배포부터 의료 및 제조 분야의 고급 애플리케이션에 이르기까지 광범위한 애플리케이션에 적합합니다. 균형 잡힌 성능으로 정확성과 속도가 모두 필요한 프로젝트에 적합합니다.

강점:

• 다양한 작업 지원: 감지, 세분화, 분류 및 포즈 추정을 처리합니다.
• 높은 정확도와 속도: 맵과 추론 속도 간의 균형이 잘 잡혀 있습니다.
• 사용자 친화적: 잘 문서화되어 있고 사용하기 쉬운 Ultralytics Python 및 CLI 인터페이스.
• 활발한 커뮤니티: Benefits from a large community and continuous updates from Ultralytics.

약점:

• 리소스 집약적: 규모가 큰 모델일수록 교육 및 배포에 상당한 컴퓨팅 리소스가 필요합니다.
• 최적화 필요: 리소스가 극도로 제한된 환경의 경우 추가 최적화가 필요할 수 있습니다.

YOLOv8 대해 자세히 알아보기

YOLO11 개요

YOLO112024-09-27에 출시된 Ultralytics 최신 모델인 YOLO Glenn Jocher와 Jing Qiu가 저술한 것으로, 효율성과 성능의 추가적인 발전을 목표로 YOLO 시리즈를 기반으로 합니다. 속도와 정확성이라는 핵심 철학을 공유하면서도 정확도를 크게 저하시키지 않으면서 추론 속도를 최적화하도록 설계된 아키텍처 개선 사항을 소개합니다. YOLO11 문서에서는 최첨단 특성과 실시간 애플리케이션에 대한 적합성을 강조합니다.

아키텍처 및 주요 기능:

YOLO11 또한 간소화된 설계와 효율적인 계산에 중점을 둔 단일 단계의 앵커 없는 접근 방식을 채택하고 있습니다. 주요 아키텍처 측면은 다음과 같습니다:

• 효율적인 백본: 특징 추출 기능을 유지하면서 계산 오버헤드를 줄여주는 최적화된 백본 아키텍처를 사용합니다.
• 넥 디자인: 더 적은 수의 매개변수로 특징 집계를 향상시켜 더 빠른 추론에 기여하는 세련된 넥 구조가 특징입니다.
• 최적화된 헤드: 탐지 헤드는 지연 시간을 최소화하도록 설계되어 최종 예측 레이어에서 속도를 우선시합니다.

성능 지표:

YOLO11 속도 향상에 중점을 두고 경쟁력 있는 성능을 보여줍니다. COCO 데이터 세트에서 객체 감지의 경우, YOLO11x는 CPU 더 빠른 추론 속도를 유지하고 GPU 비슷한 속도를 달성하면서 YOLOv8x 비해 약간 더 높은 54.7의 _{mAPval50-95를} 달성합니다. YOLO11n 모델은 39.5 _{mAPval50-95를} 달성하여 YOLOv8n 개선된 성능을 보여줍니다. 추론 속도는 YOLO11n이 56.1ms, YOLO11x가 462.8ms로 CPU 훨씬 빠르므로 CPU 사용하는 애플리케이션에 적합합니다. 자세한 벤치마크는 YOLO11 성능 메트릭을 참조하세요.

사용 사례:

YOLO11 실시간 비디오 분석, 로봇 공학, 컴퓨팅 리소스가 제한된 엣지 디바이스 등 추론 속도가 가장 중요한 애플리케이션에 특히 적합합니다. 효율성이 뛰어나 정확도 저하 없이 빠른 물체 감지가 필요한 시나리오에 배포하기에 이상적입니다. 폐기물 관리, 환경 보존, 자동차 솔루션 등 다양한 분야에서 활용되고 있습니다.

강점:

• 뛰어난 추론 속도: 특히 CPU 더 빠른 추론이 가능하도록 설계되었습니다.
• 경쟁력 있는 정확도: 높은 정확도를 유지하며, 작은 모델 크기에서는 종종 YOLOv8 능가합니다.
• 효율적인 아키텍처: 리소스가 제한된 환경과 엣지 배포에 최적화되어 있습니다.
• 최신 Ultralytics 모델: Ultralytics 최신 발전과 지원의 혜택을 누리세요.

약점:

• 더 큰 모델에서의 한계 정확도 향상: 더 큰 YOLO11 모델은 여전히 계산 집약적이면서 YOLOv8 비해 약간의 정확도 향상만 보입니다.
• 최신 모델: 최신 모델이기 때문에 YOLOv8 비해 커뮤니티가 더 작고 타사 통합이 적을 수 있습니다.

YOLO11 대해 자세히 알아보기

모델 비교 표

결론

특정 애플리케이션 요구사항에 따라 YOLOv8 YOLO11 중 하나를 선택해야 합니다. YOLOv8 다양한 작업에 적합한 강력하고 다재다능한 솔루션을 제공하며 정확도와 속도 사이의 균형을 효과적으로 유지합니다. 범용 물체 감지 요구에 이상적인 성숙하고 잘 지원되는 모델입니다. 반면에 YOLO11 속도 최적화를 위해 설계되어 추론 시간이 중요한 경우, 특히 CPU 또는 엣지 컴퓨팅 시나리오에서 탁월한 선택이 될 수 있습니다. 경쟁력 있는 정확도와 함께 가장 빠른 실시간 성능을 요구하는 애플리케이션의 경우, YOLO11 선호되는 옵션입니다.

다른 모델을 살펴보고 싶은 사용자도 고려할 수 있습니다:

• YOLOv5: 대규모 커뮤니티에서 잘 정립되고 널리 사용되는 모델입니다. YOLOv5 YOLOv8 비교.
• YOLOv9: 정확도 개선 및 아키텍처 혁신에 중점을 둔 모델용. YOLOv9 문서.
• FastSAM: 매우 빠른 세분화 작업용. FastSAM 문서.

📅1 년 전 생성됨 ✏️ 1개월 전 업데이트됨

댓글