Ultralytics YOLO11과 그 응용 분야에 대해 알아야 할 모든 것

On Monday, September 30th, Ultralytics officially launched Ultralytics YOLO11, the latest advancement in computer vision, following its debut at YOLO Vision 2024 (YV24), Ultralytics’ annual hybrid event. The AI community has been buzzing with excitement as they rush to explore the model’s capabilities. With faster processing, higher accuracy, and models optimized for both edge devices and cloud deployment, YOLO11 redefines what’s possible in real-time computer vision applications.

In an interview, Ultralytics Founder and CEO Glenn Jocher shared, “The world is moving toward clean energy, but not fast enough. We want our models to be trainable in fewer epochs, with fewer augmentations and less data, so we’re working hard on that. The smallest object detection model, YOLO11n, has just 2.6 million parameters - about the size of a JPEG, which is really crazy. The largest object detection model, YOLO11x, has around 56 million parameters, and even that is incredibly small compared to other models. You can train them on a cheap GPU, like a five-year-old Nvidia GPU, with just some excitement and a bit of coffee."

이 기사에서는 YOLO11의 기능, 개선 사항, 성능 벤치마크, 그리고 실제 응용 사례를 자세히 살펴보며 이 모델이 무엇을 할 수 있는지 이해해 보겠습니다. 시작해 봅시다!

Link to this sectionYOLO11 이해하기: 이전 버전 대비 개선된 점#

YOLO11 is the latest advancement in the YOLO (You Only Look Once) series of computer vision models, and it offers significant improvements over previous versions like YOLOv5 and YOLOv8. The team at Ultralytics has incorporated community feedback and cutting-edge research to make YOLO11 faster, more accurate, and more efficient. YOLO11 also supports the same computer vision tasks as YOLOv8, including object detection, instance segmentation, and image classification. In fact, users can easily switch to YOLO11 without needing to change existing workflows.

One of the key highlights of YOLO11 is its superior performance in both accuracy and speed compared to its predecessors. With 22% fewer parameters than YOLOv8m, YOLO11m achieves a higher mean average precision (mAP) on the COCO dataset, meaning it can detect objects more precisely and efficiently. In terms of processing speed, YOLO11 outperforms earlier models, making it ideal for real-time applications, where rapid detection and response are critical, and every millisecond counts.

The benchmarking graph below illustrates how YOLO11 stands out from previous models. On the horizontal axis, it shows the COCO Box Average Precision (AP), which measures the accuracy of object detection. The vertical axis displays latency using TensorRT10 FP16 on an NVIDIA T4 GPU, indicating how fast the model processes data.

그림 1. YOLO11은 최첨단 실시간 객체 탐지 기능을 제공합니다.

Link to this sectionYOLO11 모델 출시: 오픈 소스 및 엔터프라이즈 옵션#

Ultralytics YOLO11 출시와 함께, Ultralytics는 산업 전반의 증가하는 수요를 충족하기 위해 오픈 소스 및 엔터프라이즈 모델을 모두 제공하며 YOLO 시리즈를 확장하고 있습니다.

그림 2. 이번 출시를 통해 Ultralytics는 30개의 새로운 모델을 제공합니다.

YOLO11 features five distinct model sizes - Nano, Small, Medium, Large, and X. Users can choose the best model depending on their computer vision application’s specific needs. The five sizes offer flexibility across tasks such as image classification, object detection, instance segmentation, tracking, pose estimation, and oriented bounding boxes (OBB) object detection. For each size, there is a model available for each task, resulting in a total of 25 open-source models that form the core of Ultralytics' offerings. These models are ideal for a wide range of applications, from lightweight tasks on edge devices, where the YOLO11n model offers impressive efficiency, to larger-scale applications requiring the YOLO11l and YOLO11x models.

For the first time, Ultralytics is introducing enterprise models, marking a major milestone in our product offerings, and we are excited to share these new innovations with our users. YOLO11 introduces five proprietary models designed specifically for commercial use cases. These enterprise models, which will be available next month, are trained on Ultralytics’ new proprietary dataset, consisting of over 1 million images, offering more robust pre-trained models. They are engineered for demanding, real-world applications, such as medical imagery analysis and satellite image processing, where precise object detection is crucial.

Link to this section차세대 YOLO11 기능 탐색하기#

이제 YOLO11이 제공하는 기능을 살펴보았으니, 무엇이 YOLO11을 그토록 특별하게 만드는지 알아보겠습니다.

YOLO11 개발의 주요 과제 중 하나는 더 작고, 더 빠르고, 더 정확한 모델을 만들어야 하는 상충하는 우선순위들 사이에서 올바른 균형을 찾는 것이었습니다. Ultralytics의 설립자이자 CEO인 Glenn Jocher는 “YOLO 연구 및 개발 작업은 정말 어렵습니다. 모델을 더 작게 만들고 정확도를 높이고 싶으면서도, CPU 및 GPU와 같은 다양한 플랫폼에서 더 빠르게 구동되길 원하기 때문입니다. 이 모든 것이 서로 경쟁하는 목표이기 때문에 타협점을 찾고 어디에 변화를 줄지 선택해야 합니다.”라고 설명했습니다. 이러한 어려움에도 불구하고 YOLO11은 인상적인 균형을 달성하여 YOLOv8과 같은 이전 버전보다 속도와 정확도 모두에서 향상을 보여주었습니다.

그림 3. 객체 탐지에 YOLO11을 사용하는 예시.

YOLO11 brings substantial enhancements like improved feature extraction with a redesigned backbone and neck architecture, leading to more precise object detection. The model is also optimized for speed and efficiency, offering faster processing times while maintaining high accuracy. In addition to these benefits, YOLO11 is highly adaptable across different environments, working seamlessly on edge devices, cloud platforms, and systems using NVIDIA GPUs. This adaptability makes it an ideal choice for users who need flexible deployment options across various hardware setups, from mobile devices to large-scale servers.

Link to this section실시간 YOLO11 애플리케이션#

YOLO11의 범용성은 특히 복잡한 유스케이스를 다룰 때 여러 산업 분야에서 신뢰할 수 있는 도구가 되게 합니다. 예를 들어, 이 모델은 엣지 디바이스에서 원활하게 작동하며 컴퓨팅 파워가 제한된 환경에서 실시간 분석이 필요한 응용 분야에 사용될 수 있습니다. 대표적인 예로 자율 주행이 있는데, 차량은 모두의 안전을 위해 찰나의 순간에 결정을 내려야 합니다. YOLO11은 저조도 환경이나 부분적으로 가려진 상황과 같은 어려운 조건에서도 보행자나 다른 차량과 같은 도로 위의 객체를 탐지하고 분석하여 도움을 줍니다. 신속하고 정확한 탐지는 사고를 예방하고 자율 주행 차량이 안전하게 주행할 수 있도록 보장합니다.

그림 4. YV24 무대에서 YOLO11 애플리케이션에 대해 이야기하는 Glenn Jocher.

YOLO11의 범위를 보여주는 또 다른 흥미로운 예시는 oriented bounding boxes (OBB) 처리 능력입니다. 이는 완벽하게 정렬되지 않은 객체를 탐지하는 데 필수적입니다. OBB object detection 기능은 특히 농업, 매핑, 감시와 같은 산업 분야에서 매우 유용한데, 이러한 분야의 이미지는 항공 또는 위성 사진 속의 작물이나 건물처럼 회전된 객체를 포함하는 경우가 많기 때문입니다. 기존 모델과 달리, YOLO11은 모든 각도에서 객체를 식별할 수 있어 정밀도가 요구되는 작업에서 훨씬 더 정확한 결과를 제공합니다.

Link to this sectionAI 개발자를 위한 YOLO11: 직접 사용해 보세요#

YOLO11을 시작하는 것은 간단하며, 코딩을 선호하든 노코드 옵션을 선호하든 접근하기 쉽습니다. 코드를 통해 YOLO11을 사용하려면 Ultralytics Python 패키지를 사용하여 모델을 쉽게 학습하고 배포할 수 있습니다. 노코드 방식을 선호한다면 Ultralytics Platform을 통해 클릭 몇 번만으로 YOLO11을 체험해 볼 수 있습니다.

Link to this sectionYOLO11 코드 연습#

Python으로 YOLO11을 사용하려면 먼저 Ultralytics 패키지를 설치해야 합니다. 선호도에 따라 pip, conda 또는 Docker를 사용하여 설치할 수 있습니다. 설치 과정에 대한 자세한 지침과 모범 사례는 Ultralytics 설치 가이드를 확인하십시오. YOLO11을 위한 필수 패키지를 설치하는 동안 문제가 발생하면 공통 문제 가이드에서 해결책과 팁을 찾아보시기 바랍니다.

Once you have the Ultralytics package installed, using YOLO11 is straightforward. The following code snippet walks you through the process of loading a model, training it, testing its performance, and exporting it to ONNX format. For more in-depth examples and advanced usage, be sure to refer to the official Ultralytics documentation, where you’ll find detailed guides and best practices for getting the most out of YOLO11.

그림 5. Ultralytics 패키지를 통한 YOLO11 사용.

노코드 방식을 선호하는 사용자를 위해 Ultralytics Platform은 클릭 몇 번만으로 YOLO11 모델을 학습하고 배포할 수 있는 쉬운 방법을 제공합니다. Ultralytics Platform을 시작하려면, Ultralytics Platform에서 계정을 만들면 직관적인 인터페이스를 통해 모델 학습 및 관리를 시작할 수 있습니다.

Link to this sectionYOLO11: 비전 AI의 미래를 만들어가다#

AI 커뮤니티는 실제 응용 분야를 위해 더 빠르고 정확한 모델을 개발하기 위해 끊임없이 노력하며 컴퓨터 비전 분야를 발전시키고 있습니다. Ultralytics YOLO11은 이러한 노력의 중요한 이정표로서, 향상된 속도, 정확도, 유연성을 제공합니다. 이 모델은 실시간 및 엣지 애플리케이션을 위해 설계되었으며, 의료 및 자율 주행과 같은 산업 분야에 이상적입니다. Ultralytics Python 패키지를 사용하든 노코드 Ultralytics Platform을 사용하든, YOLO11은 복잡한 비전 AI 작업을 간소화합니다. 강력한 컴퓨터 비전 기능을 제공하여 개발자와 기업 모두에게 탁월한 선택이 될 것입니다.

AI에 대해 더 자세히 알아보려면 GitHub 저장소를 확인하고 당사의 활발한 커뮤니티에 참여하십시오. 비전 AI가 의료 및 농업과 같은 분야에서 혁신을 어떻게 이끌고 있는지 살펴보십시오.