Ultralytics YOLO11과 그 애플리케이션에 대해 알아야 할 모든 것

9월 30일 월요일, Ultralytics는 YOLO Vision 2024 (YV24)에서 처음 공개된 이후, 당시 컴퓨터 비전의 최신 발전 모델이었던 Ultralytics YOLO11을 공식 출시했습니다. YOLO Vision 2024 (YV24)는 Ultralytics의 연례 하이브리드 행사입니다. AI 커뮤니티는 이 모델의 기능을 빠르게 살펴보기 시작했습니다. 더 빠른 처리 속도와 높은 정확도를 제공하고 엣지 디바이스와 클라우드 배포 모두에 최적화된 모델을 갖춘 YOLO11은 실시간 컴퓨터 비전 애플리케이션의 가능성을 새롭게 넓혀 줍니다.

인터뷰에서 Ultralytics 창립자 겸 CEO인 Glenn Jocher는 다음과 같이 말했습니다. “세계는 청정에너지로 전환하고 있지만 그 속도가 충분히 빠르지 않습니다. 저희는 더 적은 에포크와 증강, 데이터로 모델을 학습할 수 있기를 바라며 이를 위해 열심히 노력하고 있습니다. 가장 작은 객체 탐지 모델인 YOLO11n은 파라미터가 260만 개에 불과합니다. JPEG 파일 정도 크기라는 점은 정말 놀랍습니다. 가장 큰 객체 탐지 모델인 YOLO11x의 파라미터는 약 5,600만 개로, 다른 모델에 비하면 이 모델조차 매우 작습니다. 약간의 열정과 커피만 있으면 5년 된 Nvidia GPU와 같은 저렴한 GPU에서도 모델을 학습할 수 있습니다.”

이 글에서는 Ultralytics YOLO11의 기능과 개선 사항, 성능 벤치마크, 실제 애플리케이션을 자세히 살펴보고 이 모델이 할 수 있는 일을 알아보겠습니다.

Ultralytics YOLO11 이해하기: 이전 버전보다 개선된 점#

출시 당시 YOLO11은 컴퓨터 비전 모델인 YOLO(한 번만 보면 되는) 시리즈의 최신 모델이었습니다(이후 Ultralytics YOLO26이 후속 모델로 출시되었습니다). YOLO11은 YOLOv5 및 YOLOv8과 같은 이전 버전보다 크게 개선되었습니다. Ultralytics 팀은 커뮤니티의 의견과 최신 연구를 반영하여 YOLO11의 속도와 정확도, 효율성을 높였습니다. YOLO11은 객체 탐지, 인스턴스 분할, 이미지 분류를 비롯해 YOLOv8과 동일한 컴퓨터 비전 작업도 지원합니다. 실제로 사용자는 기존 워크플로를 변경하지 않고도 YOLO11으로 쉽게 전환할 수 있습니다.

YOLO11의 주요 특징 중 하나는 이전 모델보다 정확도와 속도 모두에서 뛰어난 성능을 보인다는 점입니다. YOLOv8m보다 파라미터가 22% 적은 YOLO11m은 COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성합니다. 즉, 객체를 더 정밀하고 효율적으로 탐지할 수 있습니다. 처리 속도 면에서도 YOLO11은 이전 모델을 능가하므로, 빠른 탐지와 대응이 중요하고 매 밀리초가 중요한 실시간 애플리케이션에 적합합니다.

아래 벤치마크 그래프는 YOLO11이 이전 모델과 어떻게 차별화되는지 보여 줍니다. 가로축은 객체 탐지의 정확도를 측정하는 COCO 박스 평균 정밀도(AP)를 나타냅니다. 세로축은 NVIDIA T4 GPU에서 TensorRT 10 FP16을 사용한 지연 시간을 표시하며, 모델이 데이터를 얼마나 빠르게 처리하는지 보여 줍니다.

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

Ultralytics YOLO11 모델 출시: 오픈 소스 및 엔터프라이즈 옵션#

Ultralytics YOLO11 출시를 통해 Ultralytics는 산업 전반에서 증가하는 수요를 충족하도록 오픈 소스 및 엔터프라이즈 모델을 제공하며 YOLO 시리즈를 확장하고 있습니다.

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. 이 다섯 가지 크기는 객체 탐지, 인스턴스 세그멘테이션, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB) 객체 탐지, 추적과 같은 작업에 유연하게 활용할 수 있습니다. 각 크기별로 작업마다 모델이 하나씩 제공되어 Ultralytics 제품의 핵심을 이루는 오픈 소스 모델 25종을 구성합니다. 이 모델들은 YOLO11n이 뛰어난 효율성을 제공하는 엣지 디바이스의 경량 작업부터 YOLO11l 및 YOLO11x 모델이 필요한 대규모 애플리케이션까지 다양한 용도에 적합합니다.

Ultralytics는 처음으로 엔터프라이즈 모델을 선보이며 제품 제공의 중요한 이정표를 세웠고, 이 새로운 혁신을 사용자와 공유하게 되어 기쁩니다. YOLO11은 상업적 사용 사례를 위해 특별히 설계된 독점 모델 5종을 도입합니다. 다음 달에 출시될 이 엔터프라이즈 모델은 100만 장이 넘는 이미지로 구성된 Ultralytics의 새로운 독점 데이터셋으로 학습하여 더욱 견고한 사전 학습 모델을 제공합니다. 정밀한 객체 탐지가 중요한 의료 영상 분석 및 위성 이미지 처리와 같은 까다로운 실제 애플리케이션에 맞게 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 정말 까다롭습니다. 모델을 더 작게 만들고, 정확도를 높이고, CPU나 GPU와 같은 여러 플랫폼에서 더 빠르게 실행되도록 하는 세 가지 목표를 동시에 추구해야 하기 때문입니다. 이 목표들은 서로 상충하므로 타협하고 어느 부분을 변경할지 선택해야 합니다.” 이러한 어려움에도 불구하고 YOLO11은 이전 버전인 YOLOv8보다 속도와 정확도가 모두 향상되는 인상적인 균형을 이뤘습니다.

그림 3. 객체 탐지에 Ultralytics YOLO11을 사용하는 예시입니다.

Ultralytics YOLO11은 재설계된 백본 및 넥 아키텍처를 통해 특징 추출을 개선하는 등 상당한 향상을 이루어 객체 탐지의 정밀도를 높였습니다. 또한 높은 정확도를 유지하면서 처리 시간을 단축하도록 속도와 효율성을 최적화했습니다. 이러한 이점 외에도 YOLO11은 다양한 환경에 매우 유연하게 적용할 수 있어 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU를 사용하는 시스템에서 실행됩니다. 이러한 적응성 덕분에 모바일 디바이스부터 대규모 서버까지 다양한 하드웨어 구성에서 유연한 배포 옵션이 필요한 사용자에게 이상적입니다.

실시간 Ultralytics YOLO11 애플리케이션#

Ultralytics YOLO11은 다재다능한 특성 덕분에 복잡한 사용 사례를 다루는 경우를 비롯해 여러 산업 분야에서 신뢰할 수 있는 도구입니다. 예를 들어 엣지 디바이스에서 효율적으로 실행되며 컴퓨팅 성능이 제한된 환경에서 실시간 분석이 필요한 애플리케이션에 사용할 수 있습니다. 자율 주행은 모든 사람의 안전을 지키기 위해 차량이 순간적으로 결정을 내려야 하는 대표적인 사례입니다. YOLO11은 저조도나 사물이 부분적으로 가려지는 어려운 조건에서도 보행자나 다른 차량과 같은 도로 위 객체를 탐지하고 분석하여 자율 주행을 지원합니다. 신속하고 정확한 탐지는 사고 예방에 도움이 되며 자율 주행 차량이 안전하게 주행하도록 합니다.

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

Ultralytics YOLO11의 활용 범위를 보여 주는 또 다른 흥미로운 사례는 방향성 바운딩 박스(OBB)를 처리하는 기능입니다. 이는 완벽하게 정렬되지 않은 객체를 탐지하는 데 필수적입니다. OBB 객체 탐지는 항공 또는 위성 이미지에 농작물이나 건물처럼 회전된 객체가 자주 포함되는 농업, 지도 제작, 감시 등의 산업에서 특히 유용합니다. 기존 모델과 달리 YOLO11은 어떤 각도의 객체든 식별할 수 있어 정밀도가 필요한 작업에서 훨씬 더 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 설치한 후에는 YOLO11을 간편하게 사용할 수 있습니다. 다음 코드 예제에서는 모델을 로드하고, 모델을 학습시키고, 모델의 성능을 테스트하고, 모델 내보내기를 ONNX 형식으로 진행하는 과정을 안내합니다. 더 심층적인 예제와 고급 사용법을 찾으려면 공식 Ultralytics 문서를 참조하시기 바라며, 해당 문서에서 YOLO11을 최대한 활용하기 위한 상세 가이드와 모범 사례도 확인할 수 있습니다.

그림 5. Ultralytics 패키지를 통한 YOLO11 사용하기.

코드를 사용하지 않는 방식을 선호하는 사용자를 위해 Ultralytics Platform은 몇 번의 클릭만으로 YOLO11 모델을 학습하고 배포할 수 있는 간편한 방법을 제공합니다. Ultralytics Platform을 시작하려면 Ultralytics Platform에서 계정을 만들기만 하면 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.