YOLOv8 vs YOLO11: 상세 기술 비교

특히 객체 감지를 위한 컴퓨터 비전 모델을 선택할 때 다양한 아키텍처의 강점과 약점을 이해하는 것이 필수적입니다. 이 페이지에서는 객체 감지 및 기타 비전 작업을 위해 설계된 Ultralytics의 두 가지 최첨단 모델인 Ultralytics YOLOv8과 Ultralytics YOLO11 간의 자세한 기술 비교를 제공합니다. 아키텍처의 미묘한 차이, 성능 벤치마크 및 적합한 애플리케이션을 분석하여 프로젝트에 대한 정보에 입각한 결정을 내리는 데 도움을 드립니다.

Ultralytics YOLOv8

작성자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
소속: Ultralytics
날짜: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
문서: https://docs.ultralytics.com/models/yolov8/

2023년 초에 출시된 YOLOv8은 실시간 객체 감지를 위한 벤치마크가 되었으며 이전 버전에 비해 성능이 크게 향상되었습니다. 앵커 프리 감지 메커니즘과 새로운 CSPDarknet53 기반 백본을 도입하여 정확도와 속도를 모두 향상시켰습니다. YOLOv8은 감지, 인스턴스 분할, 포즈 추정 및 이미지 분류를 포함한 모든 비전 AI 작업을 지원하는 매우 다재다능한 모델입니다.

아키텍처 및 주요 기능

YOLOv8 아키텍처는 효율성과 유연성을 위해 구축되었습니다. 앵커 프리 헤드는 박스 예측 수를 줄여 사후 처리 파이프라인을 간소화하고 추론 속도를 높입니다. 이 모델은 단순한 단일 모델이 아닌 포괄적인 프레임워크로 설계되어 다양한 작업 모델을 훈련하기 위한 통합 플랫폼을 제공합니다. Ultralytics 생태계에 통합되어 사용자는 광범위한 문서와 강력한 도구 세트의 지원을 받아 훈련에서 배포에 이르기까지 간소화된 워크플로를 활용할 수 있습니다.

강점

• 입증된 성능: 성능과 속도에 대한 업계 표준을 설정한 매우 안정적이고 널리 채택된 모델입니다.
• Task Versatility: 탐지, 세분화, 분류 및 포즈 추정을 처리할 수 있는 단일 통합 프레임워크입니다.
• 성숙한 에코시스템: 수많은 커뮤니티 튜토리얼, 타사 통합 및 프로덕션 환경에서의 광범위한 배포를 통해 이점을 얻을 수 있습니다.
• 사용 편의성: 간단한 Python API 및 CLI를 제공하여 초보자와 전문가 모두가 접근할 수 있습니다.

약점

• 여전히 최고의 성능을 제공하지만, 특히 CPU 바운드 시나리오에서 정확도와 속도가 후속 모델인 YOLO11에 의해 능가되었습니다.
• 더 큰 모델(YOLOv8l, YOLOv8x)은 계산 집약적일 수 있으며 실시간 성능을 위해 상당한 GPU 리소스가 필요합니다.

사용 사례

YOLOv8은 특히 안정성과 성숙한 생태계가 중요시되는 광범위한 애플리케이션에 여전히 훌륭한 선택입니다. 다음과 같은 분야에서 뛰어납니다.

• 산업 자동화: 제조업에서 품질 관리 및 결함 감지에 활용됩니다.
• 보안 시스템: 실시간 모니터링 및 침입 감지를 위한 고급 보안 시스템을 지원합니다.
• 소매 분석: 재고 관리를 개선하고 고객 행동을 분석합니다.

YOLOv8에 대해 자세히 알아보세요

Ultralytics YOLO11

작성자: Glenn Jocher 및 Jing Qiu
소속: Ultralytics
날짜: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
문서: https://docs.ultralytics.com/models/yolo11/

YOLO11은 뛰어난 정확성과 효율성을 위해 설계된 Ultralytics YOLO 시리즈의 최신 진화입니다. YOLOv8의 강력한 기반을 바탕으로 구축된 YOLO11은 특징 추출 및 처리를 최적화하는 아키텍처 개선 사항을 도입했습니다. 그 결과 특히 CPU에서 더 적은 파라미터와 더 빠른 추론 속도로 더 높은 감지 정확도를 얻을 수 있습니다. 이전 모델과 마찬가지로 YOLO11은 동일한 간소화된 프레임워크 내에서 감지, 분할, 분류, 자세 추정 및 OBB(Oriented Bounding Boxes)를 지원하는 다중 작업 모델입니다.

아키텍처 및 주요 기능

YOLO11은 계산 비용과 성능 간의 균형을 개선하기 위해 네트워크 구조를 개선합니다. 아래 성능 표에서 볼 수 있듯이 YOLOv8에 비해 더 낮은 파라미터 수와 더 적은 FLOP으로 더 높은 정확도를 달성합니다. 이러한 효율성 덕분에 리소스가 제한된 에지 장치에서 강력한 클라우드 서버에 이르기까지 광범위한 하드웨어에 배포하는 데 매우 적합합니다. YOLO11의 주요 장점은 잘 관리되는 Ultralytics 생태계에 원활하게 통합된다는 점입니다. 이를 통해 우수한 사용자 경험, 즉시 사용 가능한 사전 학습된 가중치를 사용한 효율적인 학습 프로세스, 학습 및 추론 중 더 낮은 메모리 사용량을 보장합니다.

강점

• 최첨단 정확도: 모든 모델 크기에서 YOLOv8보다 높은 mAP 점수를 제공하여 객체 감지의 새로운 표준을 제시합니다.
• 향상된 효율성: 특히 CPU에서 훨씬 더 빠른 추론 속도를 제공하면서 더 적은 파라미터와 FLOP를 필요로 합니다.
• 성능 균형: 속도와 정확성 사이에서 탁월한 균형을 제공하므로 다양한 실제 애플리케이션에 이상적입니다.
• 확장성 및 다재다능함: 다양한 하드웨어에서 잘 작동하며 사용하기 쉬운 단일 프레임워크 내에서 여러 컴퓨터 비전 작업을 지원합니다.
• 잘 관리되는 에코시스템: 활발한 개발, GitHub 및 Discord를 통한 강력한 커뮤니티 지원, 잦은 업데이트를 통해 이점을 얻으세요.

약점

• 더 새로운 모델이므로 기존의 YOLOv8보다 타사 통합이 처음에는 적을 수 있습니다.
• 가장 큰 모델(예: YOLO11x)은 여전히 훈련 및 배포를 위해 상당한 컴퓨팅 성능을 필요로 하며, 이는 고정밀 감지기의 일반적인 특징입니다.

사용 사례

YOLO11은 최고 수준의 정확도와 실시간 성능을 요구하는 새로운 프로젝트에 권장되는 선택입니다. 효율성이 뛰어나 다음과 같은 용도에 이상적입니다.

• 로보틱스: 자율 시스템에서 정확한 내비게이션 및 객체 상호 작용을 가능하게 합니다.
• 의료: 종양 감지와 같은 애플리케이션을 위한 의료 영상 분석을 지원합니다.
• 스마트 시티: 지능형 교통 관리 및 공공 안전 시스템을 강화합니다.

YOLO11에 대해 자세히 알아보세요

성능 비교: YOLOv8 vs. YOLO11

YOLOv8과 YOLO11의 주요 차이점은 성능에 있습니다. YOLO11은 더 높은 정확도(mAP)와 더 큰 효율성(더 적은 파라미터와 더 빠른 속도)을 제공하여 YOLOv8보다 일관되게 뛰어난 성능을 보입니다. 예를 들어 YOLO11l은 YOLOv8l(52.9)보다 더 높은 mAP(53.4)를 달성하면서 파라미터 수는 거의 42% 더 적고 CPU에서 훨씬 빠릅니다. 이러한 추세는 모든 모델 변형에서 유지되므로 YOLO11은 더욱 강력하고 효율적인 후속 모델입니다.

결론 및 권장 사항

YOLOv8과 YOLO11은 모두 뛰어난 모델이지만, 약간 다른 요구 사항을 충족합니다.

• YOLOv8은 견고하고 안정적인 모델이므로, 이미 해당 모델을 기반으로 구축되었거나 기존 타사 도구 및 튜토리얼의 광범위한 생태계를 활용하는 프로젝트에 적합합니다. 다양한 컴퓨터 비전 작업에 탁월한 선택입니다.

• YOLO11은 성능과 효율성 면에서 명확한 승자입니다. 실시간 객체 감지의 최첨단을 나타냅니다. 새로운 프로젝트의 경우 YOLO11을 시작점으로 권장합니다. 뛰어난 정확도, 더 빠른 추론 속도(특히 CPU에서) 및 보다 효율적인 아키텍처는 상당한 이점을 제공하고 애플리케이션의 미래를 보장합니다. Ultralytics 에코시스템 내에서의 지속적인 지원 및 개발은 개발자와 연구자를 위한 최고의 선택으로서의 입지를 더욱 확고히 합니다.

다른 모델을 탐색하는 데 관심이 있는 사람들을 위해 Ultralytics는 기본 YOLOv5, 최신 YOLOv9 및 RT-DETR과 같은 트랜스포머 기반 모델을 포함한 다양한 아키텍처도 지원합니다. 모델 비교 페이지에서 더 많은 비교를 확인할 수 있습니다.

📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨

댓글