Ultralytics YOLOv8 YOLO11: 아키텍처 진화와 성능 분석
객체 탐지 아키텍처의 진화는 매우 빠르게 진행되어 왔으며, 각 반복마다 정확도, 속도 및 사용성 측면에서 상당한 개선을 가져왔습니다. Ultralytics YOLOv8는 2023년 초 출시되어 컴퓨터 비전 분야에서 다용성과 사용 편의성의 새로운 기준을 제시했습니다. 2024년 말, Ultralytics YOLO11 가 등장하여 더 넓은 범위의 작업에서 효율성과 성능을 더욱 향상시키기 위해 아키텍처를 개선했습니다.
이 포괄적인 가이드는 두 가지 강력한 모델을 비교하여, 아키텍처 차이점, 성능 지표 및 이상적인 사용 사례를 분석함으로써 다음 컴퓨터 비전 프로젝트에 적합한 도구를 선택하는 데 도움을 드립니다.
모델 개요
기술 사양을 살펴보기 전에 각 모델 개발의 배경과 목표를 이해하는 것이 중요합니다. 두 모델 모두 접근성이 뛰어난 최첨단 비전 AI를 창출하려는 Ultralytics 노력의 결과물입니다.
Ultralytics YOLOv8
2023년 1월 출시된 YOLOv8 탐지, 분할, 분류, 자세 추정, OBB(Object Bounding Box) 등 여러 작업을 단일 사용자 친화적 API로 통합함으로써 중요한 이정표를 YOLOv8 . 새로운 백본과 앵커 프리 탐지 헤드를 도입하여 다양한 응용 분야에 매우 다용도로 활용될 수 있게 되었습니다.
주요 세부 사항:
- 작성자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직:Ultralytics
- 날짜 날짜: 2023년 1월 10일
- 문서:8 문서
- GitHub:Ultralytics 리포지토리
Ultralytics YOLO11
2024년 9월 출시된 YOLO11 YOLOv8 견고한 기반 위에 YOLO11 . 이 모델은 특징 추출 효율성과 처리 속도를 향상시키기 위한 아키텍처 개선에 중점을 둡니다. YOLO11 더 적은 매개변수로 높은 정확도를 제공하도록 YOLO11 , 특히 실시간 에지 애플리케이션에 효과적입니다.
주요 세부 사항:
- 저자: 글렌 조커와 징 치우
- 조직:Ultralytics
- 날짜: 2024년 9월 27일
- Docs:YOLO11 문서
- GitHub:Ultralytics 리포지토리
최신 혁신: YOLO26
YOLO11 YOLOv8 비해 상당한 도약을 YOLO11 , 최첨단을 추구하는 개발자들은 YOLO26를 살펴봐야 합니다. 2026년에 출시된 이 모델은 NMS( NMS Margin Sum)가 필요 없는 엔드투엔드 설계, MuSGD 최적화기, 그리고 최대 43% 빠른 CPU 도입하여 생산 등급 AI의 새로운 기준을 제시합니다.
아키텍처의 차이점
YOLOv8 YOLO11 전환은 계산 비용과 정확도 사이의 절충점을 최적화하기 위한 몇 가지 핵심적인 아키텍처 변경을 YOLO11 .
백본 및 특징 추출
YOLOv8 C2f 모듈을 탑재한 수정된 CSPDarknet53 백본을 YOLOv8 , 이는 이전 세대의 C3 모듈을 대체했습니다. 이 설계는 기울기 흐름과 특징 풍부성을 개선했습니다.
YOLO11 백본 내의 병목 구조와 어텐션 메커니즘을 정교화하여 이를 한층 더 YOLO11 . 이러한 변경을 통해 모델은 더 복잡한 패턴과 공간적 계층 구조를 포착하면서도 계산 오버헤드를 줄일 수 있습니다. 이는 항공 이미지에서의 소형 물체 탐지나 제조 품질 관리와 같은 어려운 작업에 특히 유용합니다.
헤드 아키텍처
두 모델 모두 앵커 프리 헤드를 채택하여 훈련 과정을 단순화하고 다양한 물체 형상에 대한 일반화 성능을 향상시켰습니다. 그러나 YOLO11 목과 헤드에 더 진보된 특징 융합 기법을 YOLO11 YOLOv8 비해 향상된 위치 추정 정밀도와 클래스 분리 성능을 보여줍니다.
성능 분석
생산용 모델을 선택할 때 평균 정밀도(mAP), 추론 속도, 모델 크기 등의 지표가 매우 중요합니다. 아래 표는 COCO 사전 훈련된 가중치에 대한 상세한 비교를 제공합니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 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 | 165.2 |
| 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 | 21.5 |
| 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 |
핵심 성과 요점
- 효율성: YOLO11 YOLOv8 더 가볍고(매개변수 수 감소) 더 빠르며(지연 시간 감소) 동시에 더 높은 정확도를 달성합니다. 예를 들어, YOLO11n은 CPU ONNX YOLOv8n 약 22% 더 YOLOv8n 더 높은 mAP 자랑합니다.
- 계산: YOLO11 의 감소된 FLOPs 는 휴대폰이나 임베디드 IoT 센서와 같은 배터리 구동 또는 자원이 제한된 장치에 탁월한 선택이 YOLO11 .
- 정확도: YOLO11 mAP 특히 소형 모델 변형(Nano 및 Small)에서 두드러지며, 고성능 하드웨어 없이도 높은 신뢰성이 요구되는 애플리케이션에 있어 상당한 이점을 제공합니다.
교육 및 사용 편의성
Ultralytics 핵심 강점 중 하나는 통합되고 간소화된 사용자 경험입니다. YOLOv8 YOLO11 모두 동일한 직관적인 API를 YOLO11 개발자는 단 한 줄의 코드 변경만으로 아키텍처 간 전환이 가능합니다.
Ultralytics 이점
복잡한 변환기 모델은 대량의 GPU 정교한 구성이 필요한 경우가 많은 반면, Ultralytics 훈련 효율성을 위해 최적화되었습니다. 소비자용 GPU에서도 효과적으로 훈련할 수 있어 고성능 AI에 대한 접근성을 민주화합니다.
두 모델 모두에 공통적으로 적용되는 기능은 다음과 같습니다:
- 간편한 Python : 모델을 몇 분 만에 로드, 훈련 및 배포하세요.
- 강력한 문서화: 하이퍼파라미터 튜닝, 데이터 증강, 배포에 관한 포괄적인 가이드.
- 생태계 통합: 데이터셋 관리, 원격 훈련, 원클릭 모델 내보내기를 위한 Ultralytics 플랫폼과의 완벽한 호환성.
훈련 예시:
다음 코드는 YOLOv8 YOLO11 훈련 간 전환이 얼마나 쉬운지 보여줍니다.
from ultralytics import YOLO
# Load a YOLOv8 model
model_v8 = YOLO("yolov8n.pt")
# Train YOLOv8
model_v8.train(data="coco8.yaml", epochs=100, imgsz=640)
# Load a YOLO11 model - Same API!
model_11 = YOLO("yolo11n.pt")
# Train YOLO11
model_11.train(data="coco8.yaml", epochs=100, imgsz=640)
이상적인 사용 사례
두 모델 모두 뛰어난 성능을 지니고 있지만, 각각의 특화된 강점으로 인해 서로 다른 시나리오에 적합합니다.
8 선택해야 할 때
YOLOv8 특히 다음과 같은 경우에 강력하고 신뢰할 수 있는 선택으로 YOLOv8 :
- 레거시 프로젝트: YOLOv8 최적화된 기존 파이프라인으로, 즉각적인 아키텍처 업그레이드 없이 안정성이 요구되는 YOLOv8 .
- 광범위한 커뮤니티 리소스: 시장에 출시된 지 오래된 만큼, YOLOv8 방대한 양의 타사 튜토리얼, 동영상 및 커뮤니티 구현 사례 라이브러리를 YOLOv8 .
- 범용 목적 비전: 극한의 에지 최적화가 주요 제약 조건이 아닌 표준 객체 탐지 작업에 탁월합니다.
YOLO11 선택해야 할 때
YOLO11 대부분의 신규 배포에 권장되는 YOLO11 , 특히 다음과 같은 경우에 적합합니다:
- 엣지 컴퓨팅: 낮은 매개변수 수와 빠른 추론 속도로 라즈베리 파이, 제트슨 나노 및 모바일 배포에 이상적입니다.
- 실시간 애플리케이션: 자율 주행이나 고속 생산 라인처럼 지연 시간이 1밀리초 단위로 중요한 작업에 필수적입니다.
- 복잡한 작업: 이러한 아키텍처 개선은 스포츠 분석을 위한 자세 추정이나 의료 영상의 인스턴스 분할과 같은 까다로운 시나리오에서 성능을 향상시킵니다.
작업 전반에 걸친 다양한 활용성
YOLOv8 YOLO11 단순한 경계 상자 탐지를 넘어 인스턴스 분할, 자세 추정, 방향성 경계 상자(OBB), 분류 등 다양한 작업을 YOLO11 . 이러한 다용도성 덕분에 개발자는 단일 프레임워크로 다각적인 문제를 해결할 수 있습니다.
결론
YOLOv8 YOLO11 모두 효율적인 컴퓨터 비전의 정점을 YOLO11 . YOLOv8 유연하고 사용자 친화적인 표준을 확립하여 전 세계적으로 수많은 AI 애플리케이션에 동력을 제공했습니다. YOLO11 이 유산을 더욱 정교하게 발전시켜 간소화되고 더 빠르며 더 정확한 아키텍처를 제공함으로써 엣지 디바이스에서 가능한 한계를 확장합니다.
오늘날 새로운 프로젝트를 시작하는 개발자들을 위해, YOLO11 는 속도와 정확성의 탁월한 균형을 제공합니다. 그러나 엔드투엔드 NMS 감지 및 최적화된 손실 함수와 같은 최신 혁신 기술을 요구하는 분들께는 새로 출시된 YOLO26를 검토해 보시길 강력히 권장합니다. 이는 실시간 비전 AI의 미래를 대표합니다.
추가 자료
살펴볼 다른 모델
- YOLO26: NMS 설계를 특징으로 하는 Ultralytics 최신 최첨단 모델 Ultralytics 2026년 1월).
- RT-DETR: 변압기 기반 검출기로, 속도가 덜 중요한 상황에서 높은 정확도를 제공합니다.
- SAM : 메타의 세그먼트 애니띵 모델(Segment Anything Model), 제로샷 분할 작업에 이상적입니다.