YOLOX와 YOLO11 비교#

컴퓨터 비전의 발전은 높은 정확도와 추론 속도의 균형을 이루는 실시간 객체 감지 프레임워크를 추구하는 과정에서 크게 촉진되었습니다. 이 과정에서 주목할 만한 이정표로는 YOLOX와 Ultralytics YOLO11이 있습니다. 두 모델 모두 이 분야에 크게 기여했지만, 기반 아키텍처와 설계 철학, 개발자 에코시스템은 상당히 다릅니다.

이 종합적인 기술 비교에서는 개발자가 다음 인공지능 프로젝트를 위한 현명한 결정을 내릴 수 있도록 두 모델의 아키텍처, 성능 지표, 학습 방법론, 적합한 배포 시나리오를 살펴봅니다.

YOLOX 개요#

2021년 7월 18일 Megvii의 연구자 Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun이 소개한 YOLOX는 YOLO 시리즈에 큰 변화를 가져왔습니다. 앵커 프리 설계를 도입해 학술 연구와 산업 응용 간의 간극을 성공적으로 메웠습니다.

기술적 배경은 원본 YOLOX Arxiv 논문에서 확인할 수 있습니다.

주요 아키텍처 특징#

YOLOX는 분리형 헤드와 앵커 프리 메커니즘을 도입해 기존 앵커 기반 감지 방식에서 벗어났습니다. 이 설계는 설계 파라미터 수를 줄이고 다양한 벤치마크에서 모델 성능을 개선했습니다. 또한 SimOTA와 같은 고급 레이블 할당 전략을 도입해 학습 과정을 가속화하고 수렴을 개선했습니다.

YOLOX는 당시 기준으로 뛰어난 정확도를 제공하지만, 주로 바운딩 박스 객체 감지에 중점을 두며 다른 복잡한 비전 작업을 기본적으로 지원하지 않습니다.

YOLOX에 대해 자세히 알아보기

Ultralytics YOLO11 개요#

2024년 9월 27일 Ultralytics의 Glenn Jocher와 Jing Qiu가 출시한 YOLO11은 컴퓨터 비전의 다용도성과 사용 편의성을 새롭게 정의하는 최첨단 모델입니다. 수년간 축적된 기반 연구를 바탕으로 구축되었으며, 다양한 작업에서 뛰어난 성능을 발휘하는 고도로 개선된 프로덕션용 솔루션을 제공합니다.

Ultralytics의 강점#

YOLO11은 단순한 객체 감지기가 아니라 인스턴스 분할, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB) 감지를 지원하는 통합 프레임워크입니다. 속도, 파라미터 수, 정확도 간의 균형을 원활하게 유지하는 데 중점을 둔 고효율 아키텍처를 자랑합니다.

또한 YOLO11은 데이터 어노테이션, 모델 학습, 배포를 위한 간소화된 에코시스템을 제공하는 Ultralytics Platform에 완전히 통합되어 있습니다.

성능 및 지표 비교#

이 모델들을 비교하면 성능 균형이 분명하게 드러납니다. 대부분의 크기 범주에서 YOLO11은 YOLOX 모델보다 평균 정밀도(mAP)가 높고 파라미터와 FLOPs 수는 훨씬 적습니다.

결과에서 볼 수 있듯이 YOLO11 모델은 더 적은 파라미터를 사용하면서도 YOLOX보다 일관되게 높은 정확도를 보입니다. 예를 들어 YOLO11m은 파라미터 20.1M만으로 51.5 mAP를 달성하는 반면, YOLOXx는 비슷한 51.1 mAP를 달성하는 데 무려 파라미터 99.1M이 필요합니다. 학습과 추론 과정에서의 이러한 메모리 효율성 덕분에 YOLO11은 엣지 AI 장치 배포에 매우 적합하며, 구형 모델이나 RT-DETR과 같은 Transformer 기반 모델에서 일반적인 과도한 CUDA 메모리 요구량을 피할 수 있습니다.

생태계와 사용 편의성#

두 프레임워크의 가장 두드러진 차이 중 하나는 개발자 경험입니다.

YOLOX는 ONNX나 TensorRT와 같은 형식으로 모델을 학습하고 내보내려면 저장소를 복제하고 복잡한 환경을 구성한 뒤, 장황한 명령줄 인수를 실행해야 하는 경우가 많습니다.

이와는 크게 대조적으로 Ultralytics YOLO11은 매우 간단한 Python API와 CLI를 제공합니다. Ultralytics 라이브러리는 데이터 증강, 하이퍼파라미터 튜닝, 내보내기를 자동으로 처리합니다.

from ultralytics import YOLO

# 사전 학습된 YOLO11 모델 로드
model = YOLO("yolo11n.pt")

# 사용자 지정 데이터로 간편하게 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 학습된 모델을 최적화된 배포를 위해 TensorRT로 내보냅니다
model.export(format="engine")

체계적으로 관리되는 이 에코시스템은 방대한 문서와 실험 추적을 위한 Weights & Biases와 같은 도구와의 원활한 통합을 지원합니다.

적합한 사용 사례#

이 모델 중 하나를 선택할 때는 배포 환경의 구체적인 조건을 고려해야 하는 경우가 많습니다.

YOLOX를 사용하는 경우#

• 레거시 시스템: 원본 YOLOX 코드베이스나 2021년 초의 객체 감지 방식에 맞춰 구축된 기존 파이프라인이 있는 경우입니다.
• 학술 기준 모델: 2021년 당시의 기본적인 앵커 프리 아키텍처와 직접 벤치마킹해야 하는 연구를 수행하는 경우입니다.

YOLO11을 사용하는 경우#

• 프로덕션 배포: 스마트 리테일이나 보안 경보 시스템과 같은 상용 애플리케이션에서 안정적으로 유지 관리되는 코드와 높은 정확도가 필수인 경우입니다.
• 멀티태스크 파이프라인: 단일 통합 프레임워크로 객체 추적, 사람의 포즈 추정, 인스턴스 분할을 수행해야 하는 프로젝트에 적합합니다.
• 리소스 제약이 있는 엣지 장치: 파라미터 수가 적고 처리량이 높아 YOLO11은 Raspberry Pi에 배포하거나 CoreML 및 NCNN을 통해 모바일 엣지 노드에 배포하기에 적합합니다.

앞으로의 전망: YOLO26의 장점#

YOLO11은 YOLOX에 비해 획기적으로 발전했지만, 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 오늘날 새로운 프로젝트를 시작하는 개발자에게 Ultralytics YOLO26을 최종 권장 모델로 제안합니다.

2026년 1월에 출시된 YOLO26은 YOLO11의 뛰어난 아키텍처를 바탕으로 여러 혁신적인 기능을 도입했습니다:

• 엔드투엔드 NMS-Free 설계: YOLO26의 선택적 일대일 헤드(nms=False)는 후처리에서 비최대 억제(NMS)를 없애 배포 파이프라인을 더 빠르고 단순하게 만듭니다(이 개념은 YOLOv10에서 처음 탐구되었습니다).
• 최대 43% 더 빠른 CPU 추론: 분포 초점 손실(DFL)을 제거하여 YOLO26은 CPU와 저전력 엣지 디바이스에서 훨씬 더 효율적으로 작동합니다.
• MuSGD 옵티마이저: Moonshot AI의 LLM 학습 혁신에서 영감을 얻은 MuSGD 옵티마이저는 안정적인 학습과 빠른 수렴을 보장합니다.
• 고급 손실 함수: ProgLoss + STAL을 사용하여 YOLO26은 소형 객체 인식 성능을 크게 개선합니다. 이는 드론 영상과 자율 로보틱스에 매우 중요합니다.

대부분의 최신 컴퓨터 비전 작업에서 파이프라인을 업그레이드해 YOLO26을 활용하면 속도, 정확도, 배포 간편성 측면에서 최상의 균형을 얻을 수 있습니다.