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 이 모델의 기능을 서둘러 탐색하며 큰 기대를 보이고 있습니다. 더 빠른 처리 속도와 높은 정확도를 제공하고 엣지 디바이스와 클라우드 배포 모두에 최적화된 모델을 갖춘 YOLO11은 실시간 컴퓨터 비전 애플리케이션의 가능성을 새롭게 정의합니다.

인터뷰에서 Ultralytics의 창립자이자 CEO인 Glenn Jocher는 다음과 같이 말했습니다. “청정 에너지로 전 세계가 전환하고 있지만, 속도가 충분히 빠르지는 않습니다. 저희는 더 적은 epoch와 augmentation, 더 적은 데이터로 모델을 학습할 수 있기를 바라며 이를 위해 열심히 노력하고 있습니다. 가장 작은 객체 감지 모델인 YOLO11n의 파라미터 수는 260만 개에 불과하며, JPEG 파일 정도의 크기라는 점이 정말 놀랍습니다. 가장 큰 객체 감지 모델인 YOLO11x도 약 5,600만 개의 파라미터를 갖고 있으며, 다른 모델과 비교하면 이조차 매우 작은 편입니다. 약간의 열정과 커피만 있으면 5년 된 Nvidia GPU 같은 저렴한 GPU에서도 학습할 수 있습니다.”

이 글에서는 Ultralytics YOLO11을 자세히 살펴보며 기능, 개선 사항, 성능 벤치마크 및 실제 활용 사례를 알아보고 이 모델이 어떤 작업을 수행할 수 있는지 이해하도록 돕겠습니다. 시작해 보겠습니다!

Ultralytics YOLO11 이해하기: 이전 버전 대비 개선 사항#

YOLO11은 YOLO(한 번만 보면 됩니다) 컴퓨터 비전 모델 시리즈의 최신 기술로, YOLOv5와 YOLOv8 같은 이전 버전에 비해 크게 개선되었습니다. Ultralytics 팀은 커뮤니티의 피드백과 최첨단 연구 결과를 반영하여 YOLO11을 더 빠르고 정확하며 효율적으로 만들었습니다. YOLO11은 YOLOv8과 동일한 컴퓨터 비전 작업을 지원하며, 객체 감지, 인스턴스 세그멘테이션, 이미지 분류 등이 포함됩니다. 실제로 사용자는 기존 워크플로를 변경하지 않고도 YOLO11로 쉽게 전환할 수 있습니다.

YOLO11의 주요 특징 중 하나는 이전 모델에 비해 정확도와 속도 모두에서 뛰어난 성능을 보인다는 점입니다. YOLOv8m보다 파라미터가 22% 적은 YOLO11m은 COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성하므로 객체를 더 정확하고 효율적으로 감지할 수 있습니다. 처리 속도 측면에서도 YOLO11은 이전 모델을 능가하므로, 빠른 감지와 응답이 중요하고 매 밀리초가 중요한 실시간 애플리케이션에 이상적입니다.

아래 벤치마크 그래프는 YOLO11이 이전 모델과 어떻게 차별화되는지 보여 줍니다. 가로축에는 객체 감지 정확도를 측정하는 COCO Box 평균 정밀도(AP)가 표시되어 있습니다. 세로축에는 NVIDIA T4 GPU에서 TensorRT10 FP16을 사용해 측정한 지연 시간이 표시되어 있으며, 이는 모델이 데이터를 얼마나 빠르게 처리하는지를 나타냅니다.

그림 1. Ultralytics YOLO11은 최신 실시간 객체 감지 기능을 제공합니다.

Ultralytics YOLO11 모델 출시: 오픈 소스 및 엔터프라이즈 옵션#

Ultralytics YOLO11 출시를 통해 Ultralytics는 산업 전반에서 증가하는 수요를 충족하기 위해 오픈 소스 모델과 엔터프라이즈 모델을 모두 제공하며 YOLO 시리즈를 확장하고 있습니다.

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

YOLO11은 Nano, Small, Medium, Large, X의 다섯 가지 모델 크기를 제공합니다. 사용자는 컴퓨터 비전 애플리케이션의 구체적인 요구 사항에 따라 가장 적합한 모델을 선택할 수 있습니다. 다섯 가지 크기는 이미지 분류, 객체 감지, 인스턴스 세그멘테이션, 트래킹, 포즈 추정, 방향성 바운딩 박스(OBB) 객체 감지와 같은 작업 전반에 유연성을 제공합니다. 각 크기마다 각 작업에 사용할 수 있는 모델이 하나씩 있어 총 25개의 오픈 소스 모델을 구성하며, 이는 Ultralytics 제품군의 핵심을 이룹니다. 이러한 모델은 다양한 애플리케이션에 적합합니다. YOLO11n 모델이 뛰어난 효율성을 제공하는 엣지 디바이스의 경량 작업부터 YOLO11l 및 YOLO11x 모델이 필요한 대규모 애플리케이션까지 폭넓게 활용할 수 있습니다.

Ultralytics는 처음으로 엔터프라이즈 모델을 선보이며 제품 제공에 있어 중요한 이정표를 세웠고, 이러한 새로운 혁신을 사용자와 공유하게 되어 기쁘게 생각합니다. YOLO11은 상업적 사용 사례를 위해 특별히 설계된 5개의 독점 모델을 소개합니다. 다음 달에 제공될 이 엔터프라이즈 모델은 100만 개가 넘는 이미지로 구성된 Ultralytics의 새로운 독점 데이터셋으로 학습되어 더욱 강력한 사전 학습 모델을 제공합니다. 또한 정확한 객체 감지가 중요한 의료 이미지 분석 및 위성 이미지 처리와 같은 까다로운 실제 애플리케이션을 위해 설계되었습니다.

차세대 Ultralytics YOLO11 기능 살펴보기#

Ultralytics YOLO11이 제공하는 기능을 살펴보았으니, 이제 YOLO11을 특별하게 만드는 요소를 알아보겠습니다.

YOLO11을 개발할 때의 주요 과제 중 하나는 서로 상충하는 우선순위 사이에서 적절한 균형을 찾는 것이었습니다. 즉, 모델을 더 작고 빠르며 정확하게 만드는 일이었습니다. Ultralytics의 창립자이자 CEO인 Glenn Jocher는 다음과 같이 설명했습니다. “YOLO 연구 및 개발 작업은 정말 어렵습니다. 모델을 더 작게 만들고, 더 정확하게 만들며, 동시에 CPU와 GPU 같은 다양한 플랫폼에서 더 빠르게 실행되도록 하는 세 가지 방향을 추구해야 하기 때문입니다. 이 모든 요소는 서로 상충하므로 타협하고 어디를 변경할지 선택해야 합니다.” 이러한 어려움에도 불구하고 YOLO11은 인상적인 균형을 달성하여 YOLOv8과 같은 이전 버전에 비해 속도와 정확도를 모두 개선했습니다.

그림 3. Ultralytics YOLO11을 객체 감지에 사용하는 예시입니다.

Ultralytics YOLO11은 백본 및 넥 아키텍처를 재설계하여 특징 추출을 개선하는 등 상당한 향상을 제공합니다. 이를 통해 더욱 정밀한 객체 감지가 가능합니다. 또한 높은 정확도를 유지하면서 더 빠른 처리 시간을 제공하도록 속도와 효율성이 최적화되었습니다. 이러한 이점과 더불어 YOLO11은 다양한 환경에 높은 적응성을 갖추고 있습니다. 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU를 사용하는 시스템에서 원활하게 작동합니다. 이러한 적응성 덕분에 모바일 디바이스부터 대규모 서버까지 다양한 하드웨어 구성에서 유연한 배포 옵션이 필요한 사용자에게 이상적인 선택입니다.

실시간 Ultralytics YOLO11 애플리케이션#

Ultralytics YOLO11은 다재다능하므로 특히 복잡한 사용 사례를 다루는 다양한 산업에서 신뢰할 수 있는 도구로 활용됩니다. 예를 들어 엣지 디바이스에서 원활하게 작동하며, 컴퓨팅 성능이 제한된 환경에서 실시간 분석이 필요한 애플리케이션에 사용할 수 있습니다. 대표적인 예가 자율주행입니다. 자율주행 차량은 모든 사람의 안전을 위해 찰나의 순간에 결정을 내려야 합니다. YOLO11은 어두운 환경이나 물체가 일부 가려진 상황에서도 보행자나 다른 차량과 같은 도로 위 객체를 감지하고 분석하여 이를 지원합니다. 빠르고 정확한 감지는 사고를 예방하고 자율주행 차량이 안전하게 주행할 수 있도록 합니다.

그림 4. YV24 무대에서 Ultralytics YOLO11 애플리케이션에 대해 이야기하는 Glenn Jocher입니다.

Ultralytics YOLO11의 활용 범위를 보여 주는 또 다른 흥미로운 예는 방향성 바운딩 박스(OBB)를 처리하는 기능입니다. 이는 완벽하게 정렬되지 않은 객체를 감지하는 데 필수적입니다. OBB 객체 감지는 농업, 매핑, 감시와 같은 산업에서 특히 유용합니다. 이러한 분야의 이미지에는 작물이나 건물처럼 회전된 객체가 포함되는 경우가 많기 때문입니다. 기존 모델과 달리 YOLO11은 모든 각도의 객체를 식별할 수 있어 정밀도가 필요한 작업에서 훨씬 더 정확한 결과를 제공합니다.

AI 개발자를 위한 Ultralytics YOLO11: 직접 사용해 보기#

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

Ultralytics YOLO11 코드 둘러보기#

Python에서 YOLO11을 사용하려면 먼저 Ultralytics 패키지를 설치해야 합니다. 선호하는 방식에 따라 pip, conda 또는 Docker를 사용하여 설치할 수 있습니다. 설치 과정과 관련된 자세한 지침 및 모범 사례는 Ultralytics 설치 가이드를 확인하시기 바랍니다. YOLO11에 필요한 패키지를 설치하는 동안 문제가 발생하면 일반적인 문제 가이드에서 해결 방법과 팁을 확인하시기 바랍니다.

Ultralytics 패키지를 설치했다면 YOLO11을 간단하게 사용할 수 있습니다. 다음 코드 스니펫에서는 모델 로드, 학습, 성능 테스트, 내보내기 및 ONNX 형식으로의 변환 과정을 안내합니다. 더 심층적인 예시와 고급 사용법은 공식 Ultralytics 문서를 참조하시기 바랍니다. 여기에서 자세한 가이드와 YOLO11을 최대한 활용하기 위한 모범 사례를 확인할 수 있습니다.

그림 5. Ultralytics 패키지를 통해 YOLO11을 사용합니다.

노코드 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 만들어 가다#

AI 커뮤니티는 실제 애플리케이션을 위해 더 빠르고 정확한 모델을 개발하고자 노력하며 컴퓨터 비전 분야를 지속적으로 발전시키고 있습니다. Ultralytics YOLO11은 속도, 정확도 및 유연성을 개선하며 이러한 노력에서 중요한 이정표가 되었습니다. 실시간 및 엣지 애플리케이션을 위해 설계되어 의료 및 자율주행과 같은 산업에 이상적입니다. Ultralytics Python 패키지를 사용하든 노코드 방식의 Ultralytics Platform을 사용하든 YOLO11은 복잡한 비전 AI 작업을 간소화합니다. 강력한 컴퓨터 비전 기능을 제공하므로 개발자와 기업에 매우 적합한 선택입니다.

AI에 대해 자세히 알아보려면 GitHub 저장소를 확인하고 활발한 커뮤니티에 참여하세요. vision AI가 의료 및 농업과 같은 분야에서 혁신을 이끄는 방식을 살펴보세요.