YOLOv8와 YOLO11 비교#
컴퓨터 비전의 급속한 발전은 실시간 객체 탐지 프레임워크의 지속적인 발전에 크게 힘입었습니다. 최신 기술 환경을 탐색하는 개발자와 연구자에게 적절한 모델을 선택하는 것은 정확도, 속도, 리소스 효율성 간의 균형을 맞추는 데 매우 중요합니다. 이 기술 비교에서는 Ultralytics 생태계의 두 가지 기반 모델인 Ultralytics YOLOv8과 Ultralytics YOLO11의 차이점을 살펴봅니다.
두 모델 모두 Ultralytics 아키텍처의 대표적인 특징인 사용 편의성, 잘 유지 관리되는 생태계, 낮은 메모리 요구 사항을 바탕으로 한 탁월한 학습 효율성을 보여줍니다. 이제 두 모델의 아키텍처 설계, 성능 벤치마크, 이상적인 배포 시나리오를 자세히 살펴보겠습니다.
모델 개요#
두 모델의 구체적인 기술적 장점을 비교하기 전에, 두 모델의 기원과 핵심 사양을 먼저 정리하는 것이 좋습니다.
Ultralytics YOLOv8#
2023년 초에 획기적인 발전을 이루며 출시된 YOLOv8은 앵커 프리 탐지와 손실 함수의 주요 개선 사항을 도입했으며, 다양한 머신 러닝 작업에서 빠르게 업계 표준으로 자리 잡았습니다.
- 저자: Glenn Jocher, Ayush Chaurasia, Jing Qiu
- 조직: Ultralytics
- 날짜: 2023-01-10
- GitHub: ultralytics/ultralytics
Ultralytics YOLO11#
YOLO11은 이전 모델들의 성공을 바탕으로 핵심 아키텍처를 개선하여 정확도와 지연 시간의 파레토 프런티어를 더욱 확장했으며, 예측 성능을 유지하면서도 매개변수 수를 고도로 최적화했습니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: ultralytics/ultralytics
대안적인 접근 방식을 모색하고 있다면 Ultralytics는 RT-DETR과 같은 Transformer 기반 모델과 YOLO-World와 같은 제로샷 오픈 어휘 탐지기도 지원합니다. 그러나 최적의 지연 시간과 메모리 효율성을 위해 일반적인 YOLO 아키텍처가 여전히 선호되는 경우가 많습니다.
아키텍처 및 방법론의 차이#
YOLOv8에서 YOLO11로의 변화는 완전한 개편이라기보다 신경망 설계의 신중한 발전을 의미하며, 이를 통해 두 모델을 둘러싼 잘 유지 관리되는 생태계의 안정성을 유지합니다.
백본 및 넥 최적화#
YOLOv8은 기존 앵커 박스에서 벗어나 객체 탐지를 순수한 중심점 예측 문제로 처리하는 간소화된 CNN 백본을 도입했습니다. 이 앵커 프리 접근 방식은 BBox 회귀의 복잡성을 크게 줄였습니다. YOLO11은 이 기반을 바탕으로 최적화된 피처 피라미드 네트워크 (FPN)를 도입하고 C2f 블록을 C3k2 모듈로 변경했습니다. 이 변경을 통해 YOLO11은 더 풍부한 공간 피처를 추출할 수 있으며, 이는 COCO dataset에서 일반적으로 발견되는 더 작은 객체에 대한 정확도 향상으로 이어집니다.
메모리 요구 사항 및 학습 효율성#
YOLOv8과 YOLO11의 가장 주목할 만한 장점 중 하나는 학습 중 낮은 메모리 요구 사항입니다. 소비자용 하드웨어에서 VRAM을 쉽게 고갈시킬 수 있는 무거운 비전 Transformer와 달리, 이 모델들은 표준 GPU에서 접근성 높은 PyTorch 학습을 지원하도록 최적화되었습니다. YOLO11은 평균 정밀도 (mAP)를 높이는 동시에 전체 매개변수 수를 크게 줄였으며, 대형 (L) 변형에서는 YOLOv8보다 매개변수가 최대 42% 적습니다. 이는 더 빠른 에포크와 모델 학습에 따른 탄소 발자국 감소를 의미합니다.
성능 지표#
이러한 모델의 성능 균형을 제대로 평가하려면 객관적인 벤치마크를 살펴봐야 합니다. 아래 표에서는 표준 스케일링 변형(나노부터 엑스트라 라지까지) 전반에서 YOLOv8과 YOLO11을 비교합니다.
| 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 |
앞서 확인한 것처럼 YOLO11은 더 적은 매개변수와 FLOPs를 사용하면서도 정확도에서 일관되게 YOLOv8을 앞섭니다. ONNX Runtime을 사용하여 측정한 CPU 추론 속도는 엣지 배포에서 YOLO11의 뛰어난 효율성을 보여줍니다. NVIDIA TensorRT로 내보내면 두 모델 모두 15ms 미만의 뛰어난 지연 시간을 제공하여 실제 비디오 스트림 분석에 필수적인 성능을 발휘합니다.
생태계 및 사용 편의성#
두 모델 모두 통합 ultralytics Python 패키지의 이점을 크게 활용합니다. 이러한 사용 편의성 덕분에 엔지니어는 YOLOv8과 YOLO11 사이를 원활하게 전환할 수 있습니다. 몇 줄의 코드만으로 학습, 검증, 내보내기를 수행할 수 있습니다.
from ultralytics import YOLO
# Load a pre-trained YOLO11 model (you can simply swap to "yolov8n.pt")
model = YOLO("yolo11n.pt")
# Train the model efficiently on a local dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Export the optimized model to ONNX
model.export(format="onnx")이러한 원활한 통합은 Ultralytics Platform으로도 확장되어, 고급 DevOps 지식 없이도 클라우드 기반 학습, 모델 모니터링, 배포를 간소화합니다.
다양성 및 실제 애플리케이션#
Ultralytics 프레임워크의 주요 특징은 본질적인 다양성입니다. YOLOv8과 YOLO11은 표준 객체 탐지를 넘어 다양한 컴퓨터 비전 작업을 지원합니다.
- 인스턴스 세그멘테이션: 의료 영상 및 자율 주행에 유용한 매우 정확한 픽셀 수준 마스크를 제공합니다.
- 포즈 추정: 스포츠 분석과 인간-컴퓨터 상호작용에 맞춘 키포인트 탐지를 제공합니다.
- 이미지 분류: ImageNet에서 학습된 백본을 활용하여 경량 분류를 수행합니다.
- 방향성 BBox (OBB): 위성 이미지에서 회전된 객체를 식별하는 데 매우 중요합니다.
YOLOv8은 더 오랫동안 사용되어 온 만큼, 커뮤니티 튜토리얼과 철저히 검증된 엔터프라이즈 배포 사례를 방대하게 보유하고 있습니다. YOLOv8 텐서 shape를 엄격하게 요구하는 레거시 파이프라인과 통합하는 경우에도 여전히 매우 신뢰할 수 있는 선택입니다. 그러나 Raspberry Pi와 같은 임베디드 엣지 디바이스에 배포하는 등 최고 효율성을 우선하는 신규 프로젝트에서는 속도 대 매개변수 비율이 뛰어난 YOLO11이 운영 측면에서 명확한 우위를 차지합니다.
사용 사례 및 권장 사항#
YOLOv8과 YOLO11 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
YOLOv8을 선택해야 하는 경우#
YOLOv8은 다음과 같은 경우에 적합합니다.
- 범용 멀티태스크 배포: Ultralytics 생태계에서 detection, segmentation, classification, pose estimation을 수행하기 위해 검증된 모델이 필요한 프로젝트입니다.
- 확립된 프로덕션 시스템: 안정적이고 충분히 테스트된 배포 파이프라인과 함께 YOLOv8 아키텍처를 기반으로 이미 구축된 기존 프로덕션 환경입니다.
- 폭넓은 커뮤니티 및 생태계 지원: YOLOv8의 풍부한 튜토리얼, 서드파티 통합, 활발한 커뮤니티 리소스를 활용하는 애플리케이션입니다.
YOLO11을 선택해야 하는 경우#
YOLO11은 다음과 같은 경우에 권장됩니다:
- 프로덕션 엣지 배포: 신뢰성과 지속적인 유지 관리가 무엇보다 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서 실행되는 상용 애플리케이션입니다.
- 멀티태스크 비전 애플리케이션: 단일 통합 프레임워크에서 감지, 세그멘테이션, 포즈 추정, OBB가 필요한 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션까지 빠르게 진행해야 하는 팀입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
- 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.
최첨단 기술: YOLO26의 장점#
YOLOv8과 YOLO11은 뛰어난 아키텍처이지만 AI 분야의 발전은 멈추지 않습니다. 2026년에 최고 수준의 기술을 목표로 하는 개발자에게 Ultralytics YOLO26은 다음 단계의 획기적인 발전을 의미합니다.
YOLO26은 배포 파이프라인을 근본적으로 재구상합니다. YOLOv10에서 최초로 개척된 획기적인 접근 방식인 엔드투엔드 NMS 프리 설계를 특징으로 하며, 복잡한 후처리 단계를 제거합니다. 또한 DFL 제거(분포 초점 손실)는 내보내기 로직을 크게 간소화하고 저전력 엣지 디바이스와의 호환성을 향상시켜, 이전 모델에 비해 CPU 추론 속도를 최대 43% 향상합니다.
LLM 학습 기법에서 영감을 받은 하이브리드 방식의 새로운 MuSGD Optimizer를 통해 학습 안정성과 수렴 속도가 크게 향상되었습니다. 또한 ProgLoss + STAL과 같은 새로운 손실 공식은 IoT 및 로보틱스에서 역사적으로 어려운 문제였던 소형 객체 인식 성능을 크게 개선합니다. 포즈 추정을 위한 RLE, 세그멘테이션을 위한 멀티스케일 proto와 같은 작업별 개선 사항까지 갖춘 YOLO26은 타의 추종을 불허합니다.
광범위한 레거시 커뮤니티 지원이 필요하다면 YOLOv8으로 시작하십시오. 속도와 매개변수 감소 간의 고도로 개선된 균형을 원한다면 YOLO11로 업그레이드하십시오. 미래의 엣지 최적화 NMS 프리 아키텍처를 원한다면 YOLO26으로 도약하십시오.
결론#
YOLOv8과 YOLO11 중 어떤 모델을 선택할지는 궁극적으로 프로젝트 일정과 하드웨어 제약 조건에 달려 있습니다. YOLOv8은 업계에서 실전 검증을 거친 거대한 모델로, 탁월한 안정성을 제공합니다. 반면 YOLO11은 이 아키텍처를 개선하여 더 적은 매개변수로 더 높은 mAP를 제공하므로, 리소스가 제한된 엣지 애플리케이션에 매우 매력적인 선택입니다. 어떤 모델을 선택하든 원활한 Ultralytics Python API는 개발 워크플로를 민첩하고 효율적으로 유지하며 충분한 지원을 제공합니다. 또한 엣지 디바이스에서 가능한 한계를 확장할 준비가 되면 YOLO26이 기다리고 있습니다.