Ultralytics YOLO11과 이전 YOLO 모델 비교

일상적인 작업을 자동화하는 것부터 실시간으로 정보에 기반한 의사 결정을 지원하는 것까지, 인공지능(AI)은 다양한 산업의 미래를 재편하고 있습니다. AI에서 특히 매력적인 분야 중 하나는 비전 AI라고도 알려진 컴퓨터 비전입니다. 컴퓨터 비전은 기계가 사람처럼 시각 데이터를 분석하고 해석할 수 있도록 하는 데 중점을 둡니다.

특히 컴퓨터 비전 모델은 안전성과 효율성을 모두 향상하는 혁신을 이끌고 있습니다. 예를 들어 이러한 모델은 자율주행 차량에서 보행자를 감지하고, 보안 카메라에서 시설을 24시간 모니터링하는 데 사용됩니다.

가장 잘 알려진 컴퓨터 비전 모델로는 실시간 객체 감지 기능으로 유명한 YOLO(한 번만 보면 됩니다) 모델이 있습니다. 시간이 지나면서 YOLO 모델은 발전해 왔으며, 새로운 버전이 나올 때마다 더 나은 성능과 유연성을 제공하고 있습니다.

Ultralytics YOLO11과 같은 최신 버전은 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 다중 객체 추적 등 다양한 작업을 그 어느 때보다 뛰어난 정확도, 속도, 정밀도로 처리할 수 있습니다.

이 글에서는 모델이 어떻게 발전해 왔는지 더 잘 이해하기 위해 Ultralytics YOLOv8, YOLOv9, YOLOv10, Ultralytics YOLO11을 비교합니다. 주요 기능, 벤치마크 결과, 성능 차이를 분석합니다. 시작하겠습니다!

Ultralytics YOLOv8 개요#

2023년 1월 10일 Ultralytics가 출시한 YOLOv8은 이전 YOLO 모델과 비교해 크게 도약한 버전입니다. 검증된 접근 방식과 혁신적인 업데이트를 결합하여 더 나은 결과를 제공하며, 실시간 고정밀 감지에 최적화되어 있습니다.

객체 감지를 넘어 다음과 같은 컴퓨터 비전 작업도 지원합니다. 인스턴스 세그멘테이션, 포즈 추정, 방향성 바운딩 박스(OBB) 객체 감지, 이미지 분류가 이에 해당합니다. Ultralytics YOLOv8의 또 다른 중요한 특징은 Nano, Small, Medium, Large, X의 5가지 모델 변형으로 제공된다는 점입니다. 따라서 필요에 따라 속도와 정확도 사이의 적절한 균형을 선택할 수 있습니다.

Ultralytics YOLOv8은 다재다능하고 뛰어난 성능을 제공하므로 보안 시스템, 스마트 시티, 의료, 산업 자동화 등 다양한 실제 애플리케이션에 사용할 수 있습니다.

그림 1. YOLOv8을 활용한 스마트 시티 주차 관리.

Ultralytics YOLOv8의 주요 기능#

Ultralytics YOLOv8의 다른 주요 기능을 자세히 살펴보겠습니다.

• 향상된 감지 아키텍처: Ultralytics YOLOv8은 개선된 CSPDarknet 백본을 사용합니다. 이 백본은 모델이 정확하게 예측하는 데 도움이 되는 중요한 패턴이나 세부 정보를 입력 이미지에서 식별하고 추출하는 과정인 특징 추출에 최적화되어 있습니다.
• 감지 헤드: 앵커 프리 방식의 디커플드 설계를 사용합니다. 즉, 사전 설정된 바운딩 박스 형태(앵커)에 의존하지 않고 객체 위치를 직접 예측하도록 학습합니다. 디커플드 구조에서는 객체의 종류를 분류하는 작업과 객체의 위치를 예측하는 작업(회귀)을 별도로 처리하므로 정확도가 향상되고 학습 속도가 빨라집니다.
• 정확도와 속도의 균형: 이 모델은 빠른 추론 시간을 유지하면서도 뛰어난 정확도를 달성하므로 클라우드와 엣지 환경 모두에 적합합니다.
• 사용 편의성: YOLOv8은 쉽게 시작할 수 있도록 설계되었습니다. Ultralytics Python 패키지를 사용하면 몇 분 만에 예측을 시작하고 결과를 확인할 수 있습니다.

YOLOv9은 계산 효율성에 중점을 둡니다#

YOLOv9은 2024년 2월 21일 대만 Academia Sinica 산하 Institute of Information Science의 Chien-Yao Wang과 Hong-Yuan Mark Liao가 발표했습니다. 객체 감지 및 인스턴스 세그멘테이션과 같은 작업을 지원합니다.

이 모델은 Ultralytics YOLOv5을 기반으로 하며, 두 가지 주요 혁신인 프로그래밍 가능한 그래디언트 정보(PGI)와 일반화된 효율적 레이어 집계 네트워크(GELAN)를 도입합니다.

PGI는 YOLOv9이 데이터를 레이어를 통해 처리할 때 중요한 정보를 유지하도록 하여 더 정확한 결과를 제공합니다. 한편 GELAN은 모델이 레이어를 사용하는 방식을 개선하여 성능과 계산 효율성을 높입니다. 이러한 개선 덕분에 YOLOv9은 컴퓨팅 리소스가 제한적인 경우가 많은 엣지 디바이스와 모바일 앱에서도 실시간 작업을 처리할 수 있습니다.

그림 2. GELAN이 YOLOv9의 정확도를 향상하는 방식 이해하기.

YOLOv9의 주요 기능#

YOLOv9의 다른 주요 기능을 간략히 살펴보겠습니다.

• 효율성을 갖춘 높은 정밀도: YOLOv9은 많은 컴퓨팅 성능을 소모하지 않고도 높은 감지 정확도를 제공하므로 리소스가 제한된 환경에 적합합니다.
• 경량 모델: YOLOv9의 경량 모델 변형은 엣지 및 모바일 배포에 최적화되어 있습니다.
• 간편한 사용: YOLOv9은 Ultralytics Python 패키지에서 지원되므로 코드나 명령줄을 사용하든 다양한 환경에서 쉽게 설정하고 실행할 수 있습니다.

YOLOv10은 NMS 없는 객체 감지를 지원합니다#

YOLOv10은 2024년 5월 23일 칭화대학교 연구진이 발표했으며 실시간 객체 감지에 중점을 둡니다. 이전 YOLO 버전의 한계를 해결하기 위해 중복 감지를 제거하는 후처리 단계인 비최대 억제(NMS)의 필요성을 없애고 전체 모델 설계를 개선했습니다. 그 결과 최첨단 수준의 정확도를 유지하면서 더 빠르고 효율적인 객체 감지가 가능합니다.

이를 가능하게 하는 핵심 요소는 일관된 이중 레이블 할당으로 알려진 학습 방식입니다. 이 방식은 하나의 객체에서 여러 예측이 학습하도록 하는 전략(일대다)과 가장 적합한 단일 예측을 선택하는 데 중점을 두는 전략(일대일)을 결합합니다. 두 전략이 동일한 매칭 규칙을 따르므로 모델은 스스로 중복을 방지하는 방법을 학습하며, 따라서 NMS가 필요하지 않습니다.

그림 3. YOLOv10은 NMS 없는 학습을 위해 일관된 이중 레이블 할당을 사용합니다.

YOLOv10의 아키텍처는 특징을 더 효과적으로 학습하기 위해 개선된 CSPNet 백본과 다양한 레이어의 정보를 결합하는 PAN(Path Aggregation Network) 넥을 사용합니다. 이를 통해 작은 객체와 큰 객체를 모두 더 잘 감지할 수 있습니다. 이러한 개선으로 YOLOv10은 제조, 소매, 자율주행 등 실제 애플리케이션에 사용할 수 있습니다.

YOLOv10의 주요 기능#

YOLOv10의 다른 주요 기능은 다음과 같습니다.

• 대형 커널 컨볼루션: 이 모델은 대형 커널 컨볼루션을 사용하여 이미지의 더 넓은 영역에서 많은 컨텍스트를 포착하고 전체 장면을 더 잘 이해합니다.

• 부분 셀프 어텐션 모듈: 이 모델은 부분 셀프 어텐션 모듈을 통합하여 많은 컴퓨팅 성능을 사용하지 않고 이미지에서 가장 중요한 부분에 집중하며, 성능을 효율적으로 향상합니다.

• 고유한 모델 변형: 일반적인 YOLOv10 크기인 Nano, Small, Medium, Large, X와 함께 YOLOv10b(Balanced)라는 특수 버전도 제공됩니다. 이 모델은 더 넓은 모델로, 각 레이어에서 더 많은 특징을 처리하므로 속도와 크기의 균형을 유지하면서 정확도를 향상할 수 있습니다.

• 사용 편의성: YOLOv10은 Ultralytics Python 패키지와 호환되므로 쉽게 사용할 수 있습니다.

Ultralytics YOLO11: 향상된 속도와 정확도#

올해 9월 30일, Ultralytics는 연례 하이브리드 이벤트인 YOLO Vision 2024(YV24)에서 YOLO 시리즈의 최신 모델 중 하나인 YOLO11을 공식 출시했습니다.

이번 릴리스에서는 이전 버전에 비해 크게 개선되었습니다. Ultralytics YOLO11은 더 빠르고 정확하며 효율성이 뛰어납니다. 객체 감지, 인스턴스 세그멘테이션, 이미지 분류를 포함하여 YOLOv8 사용자가 익숙한 모든 컴퓨터 비전 작업을 지원합니다. 또한 YOLOv8 워크플로와의 호환성을 유지하므로 사용자가 새 버전으로 원활하게 전환할 수 있습니다.

또한 Ultralytics YOLO11은 경량 엣지 디바이스부터 강력한 클라우드 시스템까지 폭넓은 컴퓨팅 요구 사항을 충족하도록 설계되었습니다. 이 모델은 오픈 소스 버전과 엔터프라이즈 버전으로 모두 제공되므로 다양한 사용 사례에 맞게 적용할 수 있습니다.

의료 영상 및 위성 감지와 같은 정밀 작업은 물론 자율주행 차량, 농업, 의료 분야의 광범위한 애플리케이션에도 적합합니다.

그림 4. Ultralytics YOLO11을 사용한 교통량 감지, 계수 및 추적.

Ultralytics YOLO11의 주요 기능#

Ultralytics YOLO11의 다른 고유한 기능은 다음과 같습니다.

• 빠르고 효율적인 감지: Ultralytics YOLO11은 지연 시간을 최소화하도록 설계된 감지 헤드를 사용하며, 성능 저하 없이 최종 예측 레이어의 속도에 중점을 둡니다.
• 향상된 특징 추출: 최적화된 백본 및 넥 아키텍처가 특징 추출을 향상하여 더욱 정밀한 예측을 제공합니다.
• 플랫폼 전반에서 원활한 배포: Ultralytics YOLO11은 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU에서 효율적으로 실행되도록 최적화되어 다양한 환경에 유연하게 적용할 수 있습니다.

COCO 데이터셋에서 YOLO 모델 벤치마킹#

서로 다른 모델을 살펴볼 때 기능만 보고 모델을 비교하는 것은 항상 쉽지 않습니다. 이때 벤치마킹이 필요합니다. 모든 모델을 동일한 데이터셋에서 실행하면 성능을 객관적으로 측정하고 비교할 수 있습니다. 각 모델이 COCO 데이터셋에서 어떤 성능을 보이는지 살펴보겠습니다.

YOLO 모델을 비교하면 새로운 버전이 나올 때마다 정확도, 속도, 유연성 측면에서 눈에 띄는 개선이 이루어집니다. 특히 YOLO11m은 YOLOv8m보다 파라미터 수가 22% 적어 더 가볍고 빠르게 실행됩니다. 또한 크기가 더 작음에도 COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성합니다. 이 지표는 모델이 객체를 얼마나 잘 감지하고 위치를 찾는지 측정하므로 mAP가 높을수록 예측이 더 정확합니다.

그림 5. COCO 데이터셋에서 YOLO11 및 다른 YOLO 모델 벤치마킹.

동영상에서 YOLO 모델 테스트 및 비교#

이러한 모델이 실제 상황에서 어떤 성능을 보이는지 살펴보겠습니다.

YOLOv8, YOLOv9, YOLOv10, YOLO11을 비교하기 위해 네 모델을 모두 동일한 교통 동영상에서 실행했습니다. 공정한 평가를 위해 신뢰도 점수 0.3(모델이 객체를 올바르게 식별했다고 확신하는 정도가 최소 30%일 때만 감지를 표시)과 이미지 크기 640을 사용했습니다. 객체 감지 및 추적 결과에서 감지 정확도, 속도, 정밀도의 주요 차이가 드러났습니다.

첫 번째 프레임부터 YOLO11은 YOLOv10이 놓친 트럭과 같은 대형 차량을 감지했습니다. YOLOv8과 YOLOv9은 준수한 성능을 보였지만 조명 조건과 객체 크기에 따라 결과가 달라졌습니다. 작고 멀리 있는 차량은 모든 모델에서 여전히 어려운 대상이었지만, YOLO11은 이러한 감지에서도 눈에 띄는 개선을 보였습니다.

그림 6. YOLOv8, YOLOv9, YOLOv10, YOLO11 비교.

속도 측면에서 모든 모델은 프레임당 10~20밀리초 사이로 동작했으며, 50 FPS를 초과하는 실시간 작업을 처리하기에 충분히 빨랐습니다. 한편 Ultralytics YOLOv8과 YOLOv9은 동영상 전체에서 안정적이고 신뢰할 수 있는 감지를 제공했습니다. 흥미롭게도 더 낮은 지연 시간을 목표로 설계된 YOLOv10은 더 빨랐지만 특정 객체 유형을 감지하는 데 일부 일관성이 부족했습니다.

반면 Ultralytics YOLO11은 정밀도에서 두각을 나타내며 속도와 정확도 사이에서 뛰어난 균형을 제공했습니다. 모든 프레임에서 완벽하게 작동한 모델은 없었지만, 나란히 비교한 결과 YOLO11이 전반적으로 가장 우수한 성능을 제공한다는 점이 분명하게 드러났습니다.

컴퓨터 비전 작업에 가장 적합한 YOLO 모델은 무엇인가요?#

프로젝트에 사용할 모델을 선택할 때는 구체적인 요구 사항을 고려해야 합니다. 예를 들어 일부 애플리케이션은 속도를 우선시하는 반면, 다른 애플리케이션은 더 높은 정확도를 요구하거나 배포 제약 조건의 영향을 받을 수 있습니다.

또 다른 중요한 요소는 해결해야 하는 컴퓨터 비전 작업의 유형입니다. 다양한 작업에서 폭넓은 유연성을 원한다면 YOLOv8과 YOLO11이 좋은 선택입니다.

YOLOv8과 YOLO11 중 어느 것을 선택할지는 실제 요구 사항에 따라 달라집니다. 컴퓨터 비전이 처음이고 더 큰 커뮤니티, 더 많은 튜토리얼, 폭넓은 서드파티 통합을 중시한다면 YOLOv8이 안정적인 선택입니다.

반면 더 높은 정확도와 속도를 갖춘 최첨단 성능을 원한다면 Ultralytics YOLO11이 더 나은 선택입니다. 다만 최신 릴리스이므로 커뮤니티가 더 작고 통합 기능이 적다는 점을 고려해야 합니다.

핵심 요점#

Ultralytics YOLOv8에서 Ultralytics YOLO11에 이르기까지 YOLO 모델 시리즈의 발전은 더욱 지능적인 컴퓨터 비전 모델을 향한 꾸준한 발전을 보여줍니다. YOLO의 각 버전은 속도, 정확도, 정밀도 측면에서 의미 있는 개선을 제공합니다.

컴퓨터 비전이 계속 발전함에 따라 이러한 모델은 객체 감지부터 자율 시스템까지 실제 문제에 대한 신뢰할 수 있는 솔루션을 제공합니다. YOLO 모델의 지속적인 개발은 이 분야가 얼마나 발전했는지, 그리고 앞으로 얼마나 더 발전할 수 있는지를 보여줍니다.

AI에 대해 자세히 알아보려면 GitHub 저장소를 방문하고 커뮤니티에 참여해 보세요. 제조 분야의 비전 AI부터 의료 분야의 컴퓨터 비전까지 다양한 산업의 발전을 살펴보세요. 지금 바로 비전 AI 프로젝트를 시작하려면 라이선스 옵션을 확인하세요.