YOLOX 대 YOLO11#

컴퓨터 비전의 진화는 높은 정확도와 추론 속도의 균형을 맞추는 실시간 객체 검출 프레임워크의 추구에 의해 크게 주도되어 왔습니다. 이 여정에서 가장 주목할 만한 이점 중에는 YOLOX와 Ultralytics YOLO11이 있습니다. 두 모델 모두 해당 분야에 상당한 기여를 했지만, 그들의 기본 아키텍처, 설계 철학, 개발자 생태계는 실질적으로 다릅니다.

이 포괄적인 기술 비교에서는 두 모델의 아키텍처, 성능 지표, 학습 방법론 및 이상적인 배포 시나리오를 살펴봄으로써 다음 인공지능 프로젝트를 위한 현명한 결정을 내릴 수 있도록 돕습니다.

YOLOX 개요#

2021년 7월 18일 Megvii의 연구원인 Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun에 의해 소개된 YOLOX는 YOLO 시리즈의 상당한 변화를 나타냈습니다. 이 모델은 앵커 프리(anchor-free) 설계를 도입하여 학술 연구와 산업적용 사이의 간극을 성공적으로 좁혔습니다.

더 많은 기술적 배경에 대해서는 원래의 YOLOX Arxiv paper를 검토하실 수 있습니다.

주요 아키텍처 특징#

YOLOX는 디커플드 헤드(decoupled head)와 앵커 프리 메커니즘을 채택하여 기존의 앵커 기반 탐지 방식에서 벗어났습니다. 이 설계는 설계 매개변수 수를 줄이고 다양한 벤치마크에서 모델의 성능을 향상시켰습니다. 또한 SimOTA와 같은 고급 레이블 할당 전략을 도입하여 학습 과정을 가속화하고 수렴을 개선했습니다.

YOLOX는 당시에 뛰어난 정확도를 제공했지만, 주로 바운딩 박스 객체 탐지에 중점을 두고 있으며 다른 복잡한 비전 작업에 대한 기본 지원이 부족합니다.

YOLOX에 대해 더 알아보기

Ultralytics YOLO11 개요#

2024년 9월 27일 Ultralytics의 Glenn Jocher와 Jing Qiu가 발표한 YOLO11은 컴퓨터 비전에서 다목적성과 사용 편의성을 재정의하는 최첨단 모델입니다. 수년간의 기초 연구를 바탕으로 구축된 이 모델은 다양한 작업에서 탁월한 성능을 발휘하는 고도로 정제된 프로덕션 준비 완료 솔루션을 제공합니다.

Ultralytics의 장점#

YOLO11은 단순한 객체 검출기가 아니며, instance segmentation, image classification, pose estimation, oriented bounding box (OBB) 검출을 지원하는 통합 프레임워크입니다. 속도, 매개변수 수, 정확도 간의 원활한 균형을 우선시하는 고효율 아키텍처를 자랑합니다.

또한 YOLO11은 데이터 주석, 모델 학습 및 배포를 위한 간소화된 생태계를 제공하는 Ultralytics Platform에 완벽하게 통합되어 있습니다.

YOLO11에 대해 더 알아보기

성능 및 지표 비교#

이 모델들을 비교하면 성능의 균형이 명확해집니다. YOLO11은 대부분의 크기 범주에서 YOLOX 제품군보다 훨씬 적은 매개변수와 FLOPs로 더 높은 평균 정밀도(mAP)를 달성합니다.

입증된 바와 같이, YOLO11 모델은 더 적은 매개변수 공간을 유지하면서도 정확도 면에서 지속적으로 YOLOX를 능가합니다. 예를 들어, YOLO11m은 단 20.1M parameters로 51.5 mAP를 달성하는 반면, YOLOXx는 유사한 51.1 mAP를 달성하지만 방대한 99.1M parameters를 요구합니다. 학습 및 추론 중 이러한 메모리 효율성 덕분에 YOLO11은 RT-DETR과 같은 구형 또는 트랜스포머 기반 모델의 전형적인 무거운 CUDA 메모리 요구 사항을 피하면서 에지 AI 장치에 배포하기에 매우 적합합니다.

생태계 및 사용 편의성#

두 프레임워크의 가장 두드러진 차이점 중 하나는 개발자 경험입니다.

YOLOX는 모델을 ONNX 또는 TensorRT와 같은 포맷으로 학습하고 내보내기 위해 종종 저장소 복제, 복잡한 환경 설정, 장황한 커맨드 라인 인자 실행을 요구합니다.

이와 대조적으로 Ultralytics YOLO11은 믿을 수 없을 정도로 간단한 Python API와 CLI를 제공합니다. Ultralytics 라이브러리는 data augmentation, hyperparameter tuning, 내보내기를 자동으로 처리합니다.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model effortlessly on custom data
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to TensorRT for optimized deployment
model.export(format="engine")

이 잘 관리되는 생태계는 광범위한 documentation과 experiment tracking을 위한 Weights & Biases 같은 도구와의 원활한 통합을 통해 지원됩니다.

이상적인 사용 사례#

이 모델들 중 무엇을 선택할지는 종종 배포 환경의 세부 사항에 따라 달라집니다.

YOLOX 사용 시기#

• 레거시 시스템: MegEngine 프레임워크나 2021년 초의 객체 탐지 패러다임을 중심으로 명확하게 구축된 파이프라인이 있는 경우입니다.
• 학술 베이스라인: 2021년 당시의 기초적인 앵커 프리 아키텍처와 직접적인 벤치마킹이 필요한 연구를 수행할 때 유용합니다.

YOLO11 사용 시기#

• 프로덕션 배포: 강력하고 유지 관리되는 코드와 높은 정확도가 필수적인 smart retail 또는 security alarm systems의 상업용 애플리케이션용입니다.
• 멀티태스킹 파이프라인: 단일 통합 프레임워크를 사용하여 객체를 추적하고, 인간의 자세를 추정하며, 인스턴스를 세그멘테이션해야 하는 프로젝트에 적합합니다.
• 자원 제한형 엣지 디바이스: 낮은 파라미터 수와 높은 처리량 덕분에 YOLO11은 CoreML 및 NCNN을 통한 Raspberry Pi 또는 모바일 엣지 노드 배포에 이상적입니다.

앞으로의 전망: YOLO26의 이점#

YOLO11이 YOLOX에 비해 엄청난 도약을 나타내지만 컴퓨터 비전 분야는 급속도로 발전하고 있습니다. 오늘날 새로운 프로젝트를 시작하는 개발자에게는 **Ultralytics YOLO26**이 확실한 추천입니다.

2026년 1월에 출시된 YOLO26은 YOLO11의 아키텍처적 장점을 계승하면서 몇 가지 혁신적인 기능을 도입했습니다.

• 엔드투엔드 NMS-Free 설계: YOLO26은 NMS(Non-Maximum Suppression) 후처리를 제거하고, 더 빠르고 단순한 배포 파이프라인을 위해 추론을 네이티브로 스트리밍합니다(YOLOv10에서 처음 탐구된 개념).
• 최대 43% 더 빠른 CPU 추론: DFL(Distribution Focal Loss)을 제거함으로써 YOLO26은 CPU와 저전력 엣지 장치에서 훨씬 더 효율적입니다.
• MuSGD 옵티마이저: Moonshot AI의 LLM 학습 혁신에서 영감을 받은 MuSGD 옵티마이저는 매우 안정적인 학습 실행과 빠른 수렴을 보장합니다.
• 고급 손실 함수: ProgLoss + STAL을 활용하는 YOLO26은 소형 객체 인식에서 현저한 개선을 달성하며, 이는 drone imagery 및 자율 로봇 공학에 매우 중요합니다.

대부분의 최신 컴퓨터 비전 작업의 경우, YOLO26을 활용하도록 파이프라인을 업그레이드하면 속도, 정확도, 배포 단순성의 절대적인 최상의 균형을 제공할 것입니다.