Ultralytics YOLO11과 그 애플리케이션에 대해 알아야 할 모든 것

9월 30일 월요일, Ultralytics는 연례 하이브리드 행사인 YOLO Vision 2024(YV24)에서 처음 공개한 최신 컴퓨터 비전 기술인 Ultralytics YOLO11을 공식 출시했습니다. AI 커뮤니티는 모델의 기능을 살펴보기 위해 분주하게 움직이며 기대감을 드러내고 있습니다. 더 빠른 처리 속도와 높은 정확도, 엣지 디바이스와 클라우드 배포에 모두 최적화된 모델을 갖춘 YOLO11은 실시간 컴퓨터 비전 애플리케이션의 가능성을 새롭게 정의합니다.

인터뷰에서 Ultralytics의 창립자 겸 CEO인 Glenn Jocher는 다음과 같이 말했습니다. “전 세계가 청정에너지로 전환하고 있지만 속도가 충분하지 않습니다. 더 적은 에포크와 증강, 데이터로 모델을 학습할 수 있도록 노력하고 있습니다. 가장 작은 객체 탐지 모델인 YOLO11n의 파라미터 수는 260만 개에 불과합니다. JPEG 파일 크기와 비슷한 수준이라는 점이 정말 놀랍습니다. 가장 큰 객체 탐지 모델인 YOLO11x도 파라미터가 약 5,600만 개로, 다른 모델과 비교하면 여전히 매우 작습니다. 5년 전 NVIDIA GPU처럼 저렴한 GPU에서도 약간의 열정과 커피만 있으면 모델을 학습할 수 있습니다.”

이 글에서는 Ultralytics YOLO11의 기능, 개선 사항, 성능 벤치마크, 실제 애플리케이션을 자세히 살펴보고 이 모델의 활용 가능성을 알아봅니다. 시작해 보겠습니다!

Ultralytics YOLO11 이해하기: 이전 버전보다 개선된 점#

YOLO11은 YOLO(You Only Look Once) 계열의 최신 컴퓨터 비전 모델로, YOLOv5와 YOLOv8 같은 이전 버전보다 크게 개선되었습니다. Ultralytics 팀은 커뮤니티의 피드백과 최첨단 연구를 반영해 YOLO11을 더 빠르고 정확하며 효율적으로 만들었습니다. YOLO11은 YOLOv8과 동일한 컴퓨터 비전 작업을 지원하며, 객체 탐지, 인스턴스 분할, 이미지 분류 등이 포함됩니다. 기존 워크플로를 변경하지 않고도 YOLO11으로 쉽게 전환할 수 있습니다.

YOLO11의 주요 장점 중 하나는 이전 모델보다 정확도와 속도 모두에서 뛰어난 성능을 제공한다는 점입니다. YOLOv8m보다 파라미터 수가 22% 적은 YOLO11m은 COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성하므로 객체를 더욱 정확하고 효율적으로 감지할 수 있습니다. 처리 속도 면에서도 YOLO11은 이전 모델을 능가해 빠른 탐지와 대응이 중요하고 매 밀리초가 중요한 실시간 애플리케이션에 적합합니다.

아래 벤치마크 그래프는 YOLO11이 이전 모델과 어떻게 차별화되는지 보여줍니다. 가로축은 객체 탐지 정확도를 측정하는 COCO 박스 평균 정밀도(AP)를 나타냅니다. 세로축은 NVIDIA T4 GPU에서 TensorRT10 FP16을 사용해 측정한 지연 시간을 나타내며, 모델의 데이터 처리 속도를 보여줍니다.

그림 1. Ultralytics YOLO11은 최첨단 실시간 객체 탐지 기능을 제공합니다.

Ultralytics YOLO11 모델 출시: 오픈 소스 및 엔터프라이즈 옵션#

Ultralytics YOLO11 출시와 함께 Ultralytics는 산업 전반에서 증가하는 수요에 대응하기 위해 오픈 소스 모델과 엔터프라이즈 모델을 모두 제공하며 YOLO 계열을 확장합니다.

그림 2. 이번 출시를 통해 Ultralytics는 새로운 모델 30종을 제공합니다.

YOLO11은 Nano, Small, Medium, Large, X의 다섯 가지 모델 크기를 제공합니다. 사용자는 컴퓨터 비전 애플리케이션의 구체적인 요구 사항에 따라 적합한 모델을 선택할 수 있습니다. 다섯 가지 크기는 이미지 분류, 객체 탐지, 인스턴스 분할, 추적, 포즈 추정, 방향성 바운딩 박스(OBB) 객체 탐지 등의 작업에 유연성을 제공합니다. 각 크기마다 작업별 모델이 있어 총 25개의 오픈 소스 모델이 Ultralytics 제품군의 핵심을 이룹니다. 이 모델들은 YOLO11n 모델이 뛰어난 효율성을 제공하는 엣지 디바이스의 경량 작업부터 YOLO11l 및 YOLO11x 모델이 필요한 대규모 애플리케이션까지 다양한 애플리케이션에 적합합니다.

Ultralytics는 처음으로 엔터프라이즈 모델을 선보이며 제품군의 중요한 이정표를 세웠고, 사용자에게 이러한 새로운 혁신을 소개하게 되어 기쁩니다. YOLO11은 상업적 활용 사례를 위해 특별히 설계된 독점 모델 5종을 출시합니다. 다음 달에 제공될 이 엔터프라이즈 모델은 100만 장이 넘는 이미지로 구성된 Ultralytics의 새로운 독점 데이터셋으로 학습되어 더욱 견고한 사전 학습 모델을 제공합니다. 정밀한 객체 탐지가 중요한 의료 영상 분석과 위성 이미지 처리 등 까다로운 실제 애플리케이션에 사용하도록 설계되었습니다.

차세대 Ultralytics YOLO11 기능 살펴보기#

Ultralytics YOLO11의 기능을 살펴봤으니 이제 YOLO11의 특별한 점을 알아보겠습니다.

YOLO11 개발의 주요 과제 중 하나는 서로 상충하는 목표, 즉 모델을 더 작고 빠르며 정확하게 만드는 것 사이에서 적절한 균형을 찾는 일이었습니다. Ultralytics의 창립자 겸 CEO인 Glenn Jocher는 다음과 같이 설명했습니다. “YOLO 연구 개발은 매우 어려운 일입니다. 모델을 더 작게 만들고, 더 정확하게 만들며, CPU와 GPU 같은 다양한 플랫폼에서 더 빠르게 작동하도록 하는 등 서로 다른 세 방향으로 나아가야 하기 때문입니다. 이 목표들은 서로 충돌하므로 절충점을 찾고 어떤 부분을 변경할지 선택해야 합니다.” 이러한 어려움에도 불구하고 YOLO11은 인상적인 균형을 이루며 YOLOv8과 같은 이전 버전보다 속도와 정확도를 모두 개선했습니다.

그림 3. 객체 탐지에 Ultralytics YOLO11을 사용하는 예시입니다.

Ultralytics YOLO11은 백본과 넥 아키텍처를 재설계해 특징 추출을 개선하는 등 상당한 성능 향상을 제공합니다. 그 결과 객체를 더욱 정밀하게 탐지합니다. 또한 높은 정확도를 유지하면서 처리 시간을 단축하도록 속도와 효율성을 최적화했습니다. 이러한 이점뿐 아니라 YOLO11은 다양한 환경에 매우 유연하게 적용되어 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU를 사용하는 시스템에서 원활하게 작동합니다. 이러한 유연성은 모바일 디바이스부터 대규모 서버까지 다양한 하드웨어 구성 전반에 유연한 배포 옵션이 필요한 사용자에게 이상적입니다.

실시간 Ultralytics YOLO11 애플리케이션#

Ultralytics YOLO11은 다재다능하므로 여러 산업에서 신뢰할 수 있는 도구이며, 특히 복잡한 활용 사례에 적합합니다. 예를 들어 엣지 디바이스에서 원활하게 작동하며 컴퓨팅 성능이 제한된 환경에서 실시간 분석이 필요한 애플리케이션에 사용할 수 있습니다. 대표적인 사례는 자율 주행입니다. 차량은 모든 사람의 안전을 지키기 위해 순간적인 판단을 내려야 합니다. YOLO11은 조명이 어둡거나 일부가 가려지는 등 까다로운 조건에서도 보행자나 다른 차량처럼 도로 위 객체를 감지하고 분석해 이를 지원합니다. 빠르고 정확한 탐지는 사고 예방에 도움이 되며 자율 주행 차량이 안전하게 주행하도록 합니다.

그림 4. YV24 무대에서 Ultralytics YOLO11 애플리케이션을 설명하는 Glenn Jocher입니다.

Ultralytics YOLO11의 폭넓은 활용성을 보여주는 또 다른 흥미로운 사례는 방향성 바운딩 박스(OBB)를 처리하는 기능입니다. 객체가 완벽하게 정렬되어 있지 않은 경우 이를 탐지하는 데 필수적입니다. OBB 객체 탐지는 농업, 매핑, 감시와 같은 산업에서 특히 유용합니다. 항공 또는 위성 이미지에는 작물이나 건물처럼 회전된 객체가 포함되는 경우가 많기 때문입니다. 기존 모델과 달리 YOLO11은 어떤 각도의 객체든 식별할 수 있어 정밀도가 필요한 작업에서 훨씬 정확한 결과를 제공합니다.

AI 개발자를 위한 Ultralytics YOLO11: 직접 사용해 보세요#

코딩을 선호하든 노코드 방식을 선호하든 YOLO11을 쉽게 시작할 수 있습니다. 코드로 YOLO11을 사용하려면 Ultralytics Python 패키지를 통해 모델을 간편하게 학습하고 배포할 수 있습니다. 노코드 방식을 선호한다면 Ultralytics Platform에서 몇 번의 클릭만으로 YOLO11을 사용해 볼 수 있습니다.

Ultralytics YOLO11 코드 살펴보기#

Python에서 YOLO11을 사용하려면 먼저 Ultralytics 패키지를 설치해야 합니다. pip, conda, Docker 중 원하는 방법으로 설치할 수 있습니다. 설치 과정에 대한 자세한 지침과 권장 사항은 Ultralytics 설치 가이드를 참고하세요. YOLO11에 필요한 패키지를 설치하는 동안 문제가 발생하면 해결 방법과 팁이 담긴 일반적인 문제 가이드를 확인하세요.

Ultralytics 패키지를 설치하고 나면 YOLO11을 간편하게 사용할 수 있습니다. 다음 코드 예제에서는 모델 로드, 학습, 성능 테스트, 내보내기를 거쳐 ONNX 형식으로 저장하는 방법을 안내합니다. 더 자세한 예제와 고급 사용 방법은 상세한 가이드와 YOLO11을 최대한 활용하는 모범 사례를 제공하는 Ultralytics 공식 문서를 참고하세요.

그림 5. Ultralytics 패키지를 통한 YOLO11 사용하기.

노코드 방식을 선호하는 사용자는 Ultralytics Platform에서 몇 번의 클릭만으로 YOLO11 모델을 쉽게 학습하고 배포할 수 있습니다. Ultralytics Platform 시작하기 위해서는 Ultralytics Platform에서 계정을 만들면 됩니다. 그러면 직관적인 인터페이스를 통해 모델 학습과 관리를 시작할 수 있습니다.

Ultralytics YOLO11: 비전 AI의 미래를 열다#

AI 커뮤니티는 실제 애플리케이션을 위한 더 빠르고 정확한 모델을 개발하고자 노력하며 컴퓨터 비전 분야를 끊임없이 발전시키고 있습니다. Ultralytics YOLO11은 이러한 노력의 중요한 이정표로, 향상된 속도와 정확도, 유연성을 제공합니다. 실시간 및 엣지 애플리케이션을 위해 설계되어 헬스케어와 자율 주행 등의 산업에 적합합니다. Ultralytics Python 패키지를 사용하든 노코드 Ultralytics Platform을 사용하든 YOLO11은 복잡한 비전 AI 작업을 간소화합니다. 강력한 컴퓨터 비전 기능을 제공하므로 개발자와 기업에 적합한 선택입니다.

GitHub 저장소를 확인하고 활발한 커뮤니티에 참여해 AI에 대해 자세히 알아보세요. 헬스케어와 농업 등 다양한 분야에서 비전 AI가 어떻게 혁신을 이끄는지 살펴보세요.