YOLOv8과 YOLO11 비교
컴퓨터 비전의 급속한 발전은 실시간 객체 탐지 프레임워크의 지속적인 발전에 힘입었습니다. 개발자와 연구자에게 적합한 모델을 선택하는 일은 정확도, 속도, 리소스 효율성의 균형을 맞추는 데 매우 중요합니다. 이 기술 비교에서는 Ultralytics 생태계의 핵심 모델인 Ultralytics YOLOv8과 Ultralytics YOLO11의 차이를 살펴봅니다.
두 모델은 Ultralytics 아키텍처의 대표적인 특징인 사용 편의성, 잘 관리되는 생태계, 낮은 메모리 요구량의 효율적인 학습을 공유합니다. 아래 섹션에서는 두 모델의 아키텍처 설계, 성능 벤치마크, 이상적인 배포 시나리오를 다룹니다.
모델 개요#
각 모델의 구체적인 기술적 장점을 비교하기에 앞서, 두 모델의 기원과 핵심 사양을 살펴보는 것이 좋습니다.
Ultralytics YOLOv8#
2023년 초에 출시된 YOLOv8은 앵커 프리 탐지와 손실 함수의 주요 개선 사항을 도입했으며, 다양한 비전 작업에서 빠르게 널리 채택되었습니다.
- 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직: Ultralytics
- 날짜: 2023-01-10
- GitHub: ultralytics/ultralytics
Ultralytics YOLO11#
이전 모델을 기반으로 개발된 YOLO11은 정확도와 지연 시간 간의 균형을 개선하도록 핵심 아키텍처를 다듬어, 파라미터 수를 줄이면서 정확도를 높였습니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: ultralytics/ultralytics
대안적인 접근 방식을 살펴보고 있다면 Ultralytics에서 RT-DETR과 같은 Transformer 기반 모델 및 YOLO-World와 같은 제로샷 오픈 보캐뷸러리 탐지기도 지원합니다. 하지만 지연 시간과 메모리 효율성을 최적화하려면 일반적으로 표준 YOLO 아키텍처를 선택하는 것이 좋습니다.
아키텍처 및 방법론의 차이#
YOLOv8에서 YOLO11로의 변화는 완전한 개편이라기보다 신경망 설계를 신중하게 발전시킨 것으로, 모델을 둘러싼 잘 관리되는 에코시스템의 안정성을 유지합니다.
백본 및 넥 최적화#
YOLOv8은 기존 앵커 박스 방식에서 벗어난 간소화된 CNN 백본을 도입해 객체 탐지를 중심점 예측 문제로 처리했습니다. 이 앵커 프리 접근 방식은 바운딩 박스 회귀의 복잡성을 크게 줄였습니다. YOLO11은 이 기반을 바탕으로 최적화된 특징 피라미드 네트워크(FPN)를 도입하고 C2f 블록을 C3k2 모듈로 수정했습니다. 이 변경으로 YOLO11은 더 풍부한 공간 특징을 추출할 수 있어 COCO 데이터셋에 흔한 작은 객체에서 정확도가 향상됩니다.
메모리 요구량 및 학습 효율성#
YOLOv8과 YOLO11의 가장 두드러진 장점 중 하나는 학습 시 낮은 메모리 요구량입니다. 일반 소비자용 하드웨어의 VRAM을 쉽게 소진할 수 있는 대형 비전 Transformer와 달리, 이 모델은 표준 GPU에서 접근성 높은 PyTorch 학습을 할 수 있도록 최적화되어 있습니다. YOLO11은 총 파라미터 수를 크게 줄입니다. 대형(L) 변형은 YOLOv8보다 파라미터가 최대 42% 적으면서도 평균 정밀도(mAP)를 높입니다. 따라서 에포크가 빨라지고 모델 학습의 탄소 발자국이 줄어듭니다.
성능 지표#
객관적인 벤치마크를 통해 두 모델의 성능 균형을 확인할 수 있습니다. 아래 표는 표준 크기 변형(나노부터 초대형까지) 전반에서 YOLOv8과 YOLO11을 비교합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
표에서 볼 수 있듯이 YOLO11은 더 적은 파라미터와 FLOPs를 사용하면서도 정확도에서 일관되게 YOLOv8을 능가합니다. ONNX Runtime을 사용해 측정한 CPU 추론 속도는 엣지 배포에서 YOLO11의 효율성을 보여줍니다. NVIDIA TensorRT로 내보내면 두 모델 제품군 모두 T4 GPU에서 이미지당 15ms 미만을 유지하므로 실제 비디오 스트림 분석에 적합합니다.
생태계와 사용 편의성#
두 모델은 통합 ultralytics Python 패키지를 공유하므로, 엔지니어는 가중치 파일만 바꿔 YOLOv8과 YOLO11 사이를 전환할 수 있습니다. 몇 줄의 코드만으로 학습, 검증, 내보내기를 수행할 수 있습니다.
from ultralytics import YOLO
# 사전 학습된 YOLO11 모델 로드("yolov8n.pt"로 간단히 바꿀 수 있습니다)
model = YOLO("yolo11n.pt")
# 로컬 데이터셋으로 모델을 효율적으로 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# 최적화된 모델을 ONNX로 내보내기
model.export(format="onnx")Ultralytics Platform은 고급 DevOps 지식 없이도 클라우드 기반 학습, 모델 모니터링, 배포를 지원해 이 워크플로를 확장합니다.
범용성 및 실제 활용 사례#
Ultralytics 프레임워크의 주요 강점은 다재다능함입니다. YOLOv8과 YOLO11은 표준 객체 탐지 외에도 다양한 컴퓨터 비전 작업을 지원합니다.
- 인스턴스 분할: 의료 영상과 자율 주행에 유용한 정확한 픽셀 수준 마스크를 제공합니다.
- 이미지 분류: ImageNet으로 학습된 백본을 사용해 가볍게 범주를 분류합니다.
- 자세 추정: 스포츠 분석과 인간-컴퓨터 상호작용을 위한 키포인트 탐지를 제공합니다.
- 방향성 바운딩 박스(OBB): 위성 이미지에서 회전된 객체를 식별하는 데 필수적입니다.
더 오랫동안 사용된 YOLOv8에는 커뮤니티 튜토리얼이 많고, 기업 환경의 배포 사례도 충분히 검증되어 있습니다. YOLOv8 텐서 형태를 엄격하게 요구하는 기존 파이프라인과 통합한다면 여전히 신뢰할 수 있는 선택입니다. Raspberry Pi와 같은 임베디드 엣지 장치에 배포하는 등 효율성을 우선시하는 신규 프로젝트에는 더 적은 파라미터와 낮은 CPU 지연 시간으로 더 높은 정확도를 제공하는 YOLO11이 더 적합합니다.
사용 사례 및 권장 사항#
YOLOv8과 YOLO11 중 어느 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 에코시스템 선호도에 따라 달라집니다.
YOLOv8을 선택해야 하는 경우#
YOLOv8은 다음과 같은 경우에 적합합니다.
- 다목적 배포: Ultralytics 생태계에서 탐지, 분할, 분류, 자세 추정을 수행할 검증된 모델이 필요한 프로젝트입니다.
- 안정적인 프로덕션 시스템: 이미 YOLOv8 아키텍처를 기반으로 구축되어 안정적이고 충분히 테스트된 배포 파이프라인을 갖춘 기존 프로덕션 환경.
- 폭넓은 커뮤니티 및 생태계 지원: YOLOv8의 방대한 튜토리얼, 타사 통합, 활발한 커뮤니티 리소스를 활용하는 애플리케이션.
YOLO11을 선택해야 하는 경우#
YOLO11은 다음과 같은 경우에 권장됩니다:
- 프로덕션 엣지 배포: 안정성과 지속적인 유지 관리가 필수적인 Raspberry Pi 또는 NVIDIA Jetson과 같은 장치의 상용 애플리케이션입니다.
- 멀티태스크 비전 애플리케이션: 탐지, 분할, 자세 추정, OBB를 단일 통합 프레임워크에서 처리해야 하는 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션 배포까지 빠르게 진행해야 하는 팀에 적합합니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.
- NMS 프리 엣지 배포: 비최대 억제 (NMS) 후처리의 복잡성 없이 일관되고 낮은 지연 시간으로 추론해야 하는 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 장치에서는 YOLO26의 최대 43% 빠른 CPU 추론(YOLO26n 대 YOLO11n)이 결정적인 이점을 제공합니다.
- 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.
YOLO26의 장점#
YOLOv8과 YOLO11은 모두 강력한 아키텍처이지만, 2026년 신규 프로젝트에는 Ultralytics YOLO26이 권장되는 다음 단계입니다.
YOLO26은 배포 파이프라인을 간소화합니다. YOLOv10이 YOLO 모델에 도입한 엔드투엔드 NMS 프리 설계를 적용해(nms=False) NMS 후처리를 제거합니다. DFL 제거(분포 초점 손실 제거)는 내보내기 로직을 단순화하고 저전력 엣지 디바이스와의 호환성을 높이며, YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠릅니다.
MuSGD 옵티마이저는 SGD와 Muon의 하이브리드로, LLM 학습 기법에서 영감을 얻었으며 학습 안정성과 수렴 속도를 개선합니다. ProgLoss + STAL(Progressive Loss와 작은 객체 인식형 레이블 할당)은 IoT와 로보틱스에서 오랫동안 해결하기 어려웠던 작은 객체 탐지 성능을 높입니다. 작업별 개선 사항으로는 자세 추정을 위한 RLE와 분할을 위한 멀티스케일 프로토 모듈이 있습니다.
광범위한 커뮤니티 자료와 기존 배포에 의존한다면 YOLOv8을 선택하세요. 속도와 파라미터 수의 균형을 개선한 모델이 필요하다면 YOLO11을 선택하세요. 엣지에 최적화된 NMS 프리 추론을 원한다면 현재 권장 모델인 YOLO26을 선택하세요.
결론#
YOLOv8과 YOLO11 중 무엇을 선택할지는 궁극적으로 프로젝트 일정과 하드웨어 제약에 따라 달라집니다. YOLOv8은 실전에서 검증되어 안정적입니다. YOLO11은 이 아키텍처를 개선해 더 적은 파라미터로 높은 mAP를 제공하므로 리소스가 제한된 엣지 애플리케이션에 적합합니다. 어느 쪽을 선택하든 공통으로 사용하는 Ultralytics Python API 덕분에 개발 워크플로를 일관되게 유지하고 필요한 지원을 받을 수 있으며, 최고의 엣지 성능이 필요할 때는 YOLO26을 사용할 수 있습니다.
댓글1
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.
naps22(수정됨)
A very informative breakdown! The YOLOv8 vs YOLO11 comparison highlights how far real-time object detection has come. YOLOv11 seems to push the boundaries in terms of speed and accuracy, but the YOLOv8 comparison still shows it holding its ground with impressive stability and ease of deployment. Excited to see how the gap narrows with future updates.