YOLOX와 YOLO11 비교
컴퓨터 비전의 발전은 높은 정확도와 추론 속도의 균형을 이루는 실시간 객체 탐지 프레임워크를 추구하는 과정에서 이루어졌습니다. 이 과정에서 가장 주목할 만한 이정표로는 YOLOX와 Ultralytics YOLO11이 있습니다. 두 모델 모두 이 분야에 크게 기여했지만, 기반 아키텍처와 설계 철학, 개발자 생태계에는 상당한 차이가 있습니다.
이 기술 비교에서는 다음 인공지능 프로젝트에 적합한 선택을 내릴 수 있도록 두 모델의 아키텍처와 성능 지표, 학습 방법론, 이상적인 배포 시나리오를 살펴봅니다.
YOLOX 개요#
2021년 7월 18일 Megvii의 연구진인 Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun이 발표한 YOLOX는 YOLO 시리즈에 큰 변화를 가져왔습니다. 앵커 프리 설계를 도입하여 학술 연구와 산업 응용 간의 격차를 해소하는 데 기여했습니다.
기술적 배경을 더 자세히 알아보려면 원본 YOLOX arXiv 논문을 확인하세요.
주요 아키텍처 특징#
YOLOX는 분리형 헤드와 앵커 프리 메커니즘을 채택해 기존 앵커 기반 탐지 방식에서 벗어났습니다. 이 설계는 설계 파라미터 수를 줄이고 다양한 벤치마크에서 모델 성능을 향상했습니다. 또한 SimOTA와 같은 레이블 할당 전략을 도입하여 학습을 가속하고 수렴을 개선했습니다.
YOLOX는 당시 기준으로 뛰어난 정확도를 제공하지만, 주로 바운딩 박스 객체 감지에 중점을 두며 다른 복잡한 비전 작업을 기본적으로 지원하지 않습니다.
사전에 정의된 앵커 박스를 제거함으로써 YOLOX는 다양한 데이터셋에 필요한 휴리스틱 튜닝을 크게 줄였으며, 앵커 프리 방법론 연구를 위한 강력한 기준 모델이 되었습니다.
Ultralytics YOLO11 개요#
2024년 9월 27일 Glenn Jocher와 Jing Qiu가 Ultralytics에서 출시한 YOLO11은 다용도성과 사용 편의성에 중점을 둔 프로덕션 준비 모델입니다. 수년간의 YOLO 연구를 바탕으로 구축되었으며 다양한 작업에서 우수한 성능을 발휘합니다.
Ultralytics의 강점#
YOLO11은 단순한 객체 탐지기가 아니라 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB) 탐지를 지원하는 통합 프레임워크입니다. 효율적인 아키텍처는 속도와 파라미터 수, 정확도의 균형을 이룹니다.
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.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
결과에서 볼 수 있듯이 YOLO11 모델은 더 적은 파라미터 수를 유지하면서 YOLOX보다 일관되게 높은 정확도를 보입니다. 예를 들어 YOLO11m은 파라미터가 20.1M에 불과하면서 51.5 mAP를 달성하는 반면, YOLOXx는 비슷한 51.1 mAP를 달성하는 데 99.1M 파라미터가 필요합니다. 이러한 파라미터 효율성은 학습 및 추론 중 메모리 사용량을 줄여 YOLO11을 엣지 AI 장치 배포에 적합하게 하며, RT-DETR과 같은 구형 모델이나 Transformer 기반 모델에서 흔히 발생하는 높은 CUDA 메모리 요구량을 피할 수 있습니다.
Ultralytics 모델은 일반적으로 YOLOX 및 Transformer 기반 아키텍처보다 학습 시 GPU 메모리를 적게 사용하므로, 연구자는 일반 소비자용 하드웨어에서 강력한 모델을 학습할 수 있습니다.
생태계와 사용 편의성#
두 프레임워크 간의 가장 큰 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.
반면 Ultralytics YOLO11은 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 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 학습된 모델을 최적화된 배포를 위해 TensorRT로 내보냅니다
model.export(format="engine")이 잘 관리되는 생태계는 광범위한 문서와 실험 추적을 위한 Weights & Biases와 같은 도구와의 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: 견고하고 유지 관리되는 코드와 높은 정확도가 필수인 스마트 리테일이나 보안 경보 시스템과 같은 상용 애플리케이션에 적합합니다.
- 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 높은 YOLO11은 Raspberry Pi나 CoreML 및 NCNN을 사용하는 모바일 엣지 노드에 배포하기 적합합니다.
앞으로의 전망: YOLO26의 장점#
YOLO11은 YOLOX에서 크게 발전했지만 컴퓨터 비전 분야는 빠르게 진화하고 있습니다. 오늘날 새로운 프로젝트를 시작하는 개발자에게는 Ultralytics YOLO26을 권장합니다.
2026년 1월에 출시된 YOLO26은 YOLO11을 기반으로 여러 새로운 기능을 도입했습니다:
- 종단 간 NMS 프리 설계: YOLO26의 선택형 일대일 헤드(
nms=False)는 더 빠르고 간단한 배포 파이프라인을 위해 비최대 억제(NMS) 후처리를 제거합니다(YOLOv10에서 처음 연구된 접근 방식입니다). - 최대 43% 더 빠른 CPU 추론: Distribution Focal Loss(DFL)를 제거하고 NMS 프리 추론을 적용하여 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 저전력 엣지 장치에 유리합니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 LLM 학습 혁신에서 영감을 얻은 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)는 안정적인 학습과 빠른 수렴을 지원합니다.
- ProgLoss + STAL: Progressive Loss와 소형 객체 인식 레이블 할당(STAL)은 드론 영상과 자율 로보틱스에 중요한 소형 객체 탐지 성능을 향상합니다.
대부분의 최신 컴퓨터 비전 작업에서 YOLO26은 속도와 정확도, 배포 간편성의 최적 균형을 제공합니다.
댓글2
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.
shah0nawaz
Is the latency comparison on the same machine? If yes, please if you can give me the reference , I am working on the latency accuracy trade-off research.
Glenn JocherUltralytics@shah0nawaz I can’t confirm that the listed latencies were measured on the same machine, so I wouldn’t treat them as a controlled comparison for your research. The YOLO11 performance table specifies T4/TensorRT10, while the official YOLOX benchmarks report V100 timings and do not establish the provenance of the YOLOX latencies shown here. For a defensible latency–accuracy trade-off, benchmark both on the same GPU with matched input size, batch size, precision, runtime version, and timing boundaries, explicitly stating whether preprocessing and NMS are included.