Ultralytics YOLO26 vs YOLO11 vs YOLOv8: 무엇을 사용해야 할까요?

합성곱 신경망(CNN)을 기반으로 하는 최첨단 컴퓨터 비전 시스템은 기계가 이미지와 영상의 시각적 데이터를 분석하고 해석할 수 있도록 하며, 현재 다양한 환경에 배포되고 있습니다.

농업에서 제조업, 소매업에 이르기까지 이러한 시스템은 엣지 디바이스, 임베디드 하드웨어, 사물인터넷(IoT) 장치, 온디바이스 처리 및 실시간 애플리케이션을 지원하는 대규모 클라우드 파이프라인 등 다양한 배포 환경에서 작동합니다.

실제 환경에서 이러한 모델을 배포하는 것은 항상 간단하지만은 않습니다. 종종 제한된 컴퓨팅 자원으로 실행되어야 하고, 엄격한 지연 시간 요구 사항을 충족해야 하며, 비용을 크게 늘리지 않고 확장해야 합니다. 이러한 제약 조건들로 인해 성능은 단순히 정확도만이 아닌 다차원적인 문제가 됩니다.

정확도도 여전히 중요하지만, 모델이 프로덕션 환경에서 효율적으로 실행되는 것 또한 똑같이 중요합니다. 속도, 리소스 사용량, 확장성과 같은 요소들은 시스템이 시간이 지남에 따라 얼마나 잘 작동하는지에 큰 역할을 합니다.

컴퓨터 비전 모델인 Ultralytics YOLO 모델은 이러한 균형을 고려하여 진화해 왔습니다. 예를 들어, Ultralytics YOLOv8은 강력하고 다재다능한 기반을 구축했고, Ultralytics YOLO11은 속도와 정확도를 향상시켜 한 단계 더 발전시켰으며, Ultralytics YOLO26은 그보다 더 가볍고 빠르며 효율적으로 설계되어 이전 모델들을 기반으로 발전했습니다.

그림 1. Ultralytics YOLO26을 사용하여 이미지 내 객체를 감지하는 모습 (출처)

본 게시물에서는 컴퓨터 비전 프로젝트에 적합한 모델을 선택할 수 있도록 Ultralytics YOLO26, YOLO11, YOLOv8을 비교해 보겠습니다. 시작해 볼까요!

Link to this sectionUltralytics YOLO 모델의 진화 과정 이해하기#

Ultralytics YOLO 모델은 각 버전을 거칠 때마다 실제 요구 사항을 더 잘 충족하고 컴퓨터 비전 접근성을 높이기 위해 개선되어 왔습니다. 이러한 업데이트를 통해 모델은 더 빠르고 효율적이며 배포하기 쉬워졌으며, 비전 AI 생태계의 성장을 지원하고 있습니다.

또한 이 모델들은 PyTorch를 기반으로 구축되어 학습, 커스터마이징, 지능형 머신러닝 워크플로우에 통합하기 쉽습니다. Ultralytics YOLO 모델은 기본적으로 사전 학습된 모델로 제공되며, 흔히 COCO 데이터셋과 같은 데이터로 학습되어 팀이 빠르게 시작하고 특정 사례에 맞게 파인튜닝할 수 있습니다.

이뿐만 아니라 Ultralytics Python 패키지는 ONNX 및 TensorRT와 같은 형식으로 모델을 내보내는 기능을 내장하여 배포를 간소화합니다. 이를 통해 엣지 디바이스부터 GPU 가속 시스템까지 다양한 하드웨어 플랫폼 전반에 걸쳐 모델을 쉽게 통합할 수 있습니다.

Link to this sectionUltralytics YOLOv5에서 Ultralytics YOLO26으로의 변화#

최초의 Ultralytics YOLO 모델인 Ultralytics YOLOv5는 신뢰할 수 있는 객체 감지 기능으로 널리 알려졌습니다. 원스테이지(one-stage) 감지 방식을 기반으로 하여 단일 패스에서 빠른 실시간 예측을 가능하게 했으며, 이는 프로덕션 워크플로우에 매우 적합했습니다.

이후 업데이트에서는 미리 정의된 앵커 박스를 사용하는 대신 모델이 객체 위치를 직접 예측하는 앵커 프리(anchor-free) 변형 모델이 도입되어 감지 작업의 유연성이 향상되었습니다. 그러나 초기 모델은 주로 객체 감지 작업에 집중되었습니다.

이러한 기반 위에 구축된 YOLOv8은 모델 제품군의 범위를 확장했습니다. 객체 감지만을 집중적으로 다루는 대신 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정 및 방향이 있는 바운딩 박스(OBB) 감지와 같은 여러 컴퓨터 비전 작업에 대한 지원을 추가했습니다. 또한 향상된 백본 및 넥 설계를 포함한 아키텍처 개선이 이루어져 특징 추출 및 전체적인 감지 성능이 강화되었습니다.

그뿐만 아니라 YOLOv8n(Nano), YOLOv8s(Small), YOLOv8m(Medium), YOLOv8l(Large), YOLOv8x(Extra Large)과 같은 변형 모델을 통해 개발자는 필요에 따라 속도, 정확도, 리소스 사용량 사이에서 균형을 맞출 수 있는 유연성을 확보했습니다. 이러한 폭넓은 기능과 사용 편의성 덕분에 다양한 비전 애플리케이션을 위한 주력 모델이 되었습니다.

그림 2. YOLOv8, YOLO11, YOLO26과 같은 YOLO 모델은 다양한 비전 작업을 지원합니다.

이어 출시된 YOLO11은 실제 워크플로우에서의 성능 향상에 집중하여 더 빠른 추론 속도와 함께 더 높은 정확도를 제공했습니다. 더 가벼워진 아키텍처 덕분에 엣지 환경과 클라우드 환경 모두에서 잘 작동하며 기존 YOLOv8 파이프라인과도 호환됩니다.

Ultralytics YOLO 모델 제품군의 최신 버전인 YOLO26은 엣지 우선 비전 AI의 새로운 표준을 제시하는 최첨단 모델로, 실제 배포에 대해 더 가볍고 빠르며 효율적인 접근 방식을 제공합니다. CPU와 임베디드 시스템에서 효율적으로 실행되도록 설계되었으며, 광범위한 애플리케이션에서 배포를 간소화하고 실시간 성능을 향상시킵니다.

Link to this sectionYOLO26 vs YOLO11 vs YOLOv8 비교#

컴퓨터 비전 프로젝트를 진행하다 보면 다양한 Ultralytics 모델을 접하게 되며, 어떤 모델이 프로젝트에 적합할지 고민하게 될 것입니다. 실제 상황에서 YOLO26, YOLO11, YOLOv8이 어떻게 비교되는지 살펴보겠습니다.

YOLOv8은 2023년에 출시된 이후 컴퓨터 비전 커뮤니티에서 널리 사용되어 왔습니다. 강력한 커뮤니티 지원과 사용 편의성 덕분에 과거 많은 팀들이 애용하는 모델이 되었습니다. 다양한 튜토리얼, 가이드, 커뮤니티 리소스가 잘 갖춰진 모델을 찾으신다면 YOLOv8이 훌륭한 시작점이 될 것입니다.

2024년에는 성능과 효율성이 향상된 YOLO11이 도입되었습니다. 더 작고 최적화된 아키텍처를 유지하면서 YOLOv8 대비 더 나은 속도와 정확도를 제공합니다. 프로덕션 환경에서 리소스 사용량을 크게 늘리지 않으면서도 안정적으로 성능을 발휘하는 더 균형 잡힌 모델입니다.

올해는 대규모 효율적 배포에 초점을 맞춘 최신 버전인 YOLO26이 출시되었습니다. 더 빠른 CPU 추론과 개선된 리소스 활용을 제공하여 팀이 동일한 하드웨어에서 더 많은 워크로드를 처리할 수 있게 합니다.

예를 들어, YOLO26 nano 모델은 중앙 처리 장치(CPU)에서 YOLO11보다 최대 43% 더 빠른 추론 성능을 달성할 수 있어, 엣지 및 리소스가 제한된 환경에 탁월한 선택지입니다. 전통적인 설정은 종종 비용이 많이 들고 확장하기 어려운 그래픽 처리 장치(GPU)에 크게 의존하기 때문에 이는 매우 중요합니다.

그림 3. CPU에서 YOLO26 성능 벤치마킹 (출처)

전반적으로 YOLO26은 성능, 비용, 확장성 간의 균형을 최적화하려는 팀과 개인에게 탄탄한 선택지입니다.

Link to this sectionUltralytics YOLO26에 대한 자세한 살펴보기#

YOLO26은 정확도만큼이나 효율성, 속도, 확장성이 중요한 실제 배포를 위해 설계된 최첨단 모델입니다. 벤치마크 성능 향상에만 집중하는 대신, 모델을 더 쉽게 실행하고, 더 빠르게 배포하며, 다양한 하드웨어 환경에서 더 신뢰할 수 있게 만드는 아키텍처 및 학습 변경 사항을 도입했습니다.

이러한 개선 사항은 제한된 컴퓨팅 자원, 지연 시간 제약, 비용 고려 사항이 핵심적인 역할을 하는 엣지 및 프로덕션 시스템에서 특히 중요합니다. 추론을 간소화하고 성능을 최적화함으로써 YOLO26은 AI 애호가들이 비전 애플리케이션을 더 효율적으로 구축하고 확장할 수 있도록 합니다.

YOLO26의 주요 기능 중 일부를 자세히 살펴보겠습니다:

• 엔드투엔드 NMS 프리 추론: 핵심적인 변경 사항 중 하나는 후처리가 필요 없는 NMS(Non-Maximum Suppression) 프리 설계입니다. 간단히 말해, 모델이 최종 예측을 직접 생성합니다. 결과적으로 지연 시간이 더 예측 가능해지고 배포가 쉬워집니다.
• DFL 제거: YOLO26은 Distribution Focal Loss(DFL) 모듈에서 더 간단한 바운딩 박스 예측 방식으로 전환했습니다. 이 변경 사항은 엔드투엔드 NMS 프리 설계와 일치하며 파이프라인 복잡성을 줄이고 배포 일관성을 향상시킵니다.
• MuSGD 옵티마이저: 최신 Ultralytics YOLO 모델은 확률적 경사 하강법(SGD)과 Muon에서 영감을 받은 업데이트를 결합한 하이브리드 옵티마이저인 MuSGD를 도입했습니다. 이는 학습 안정성과 수렴 속도를 향상시켜 더 원활한 최적화와 다양한 모델 크기 전반에 걸친 일관된 동작을 유도합니다.
• ProgLoss 및 STAL: 이러한 학습 혁신 기술인 Progressive Loss Balancing(ProgLoss)과 Small-Target-Aware Label Assignment(STAL)는 모델을 더 안정적이고 신뢰할 수 있게 만듭니다. ProgLoss는 모델이 시간이 지남에 따라 단계별로 데이터셋을 학습하도록 돕고, STAL은 학습 중 작은 객체가 무시되지 않도록 하여 복잡한 장면에서의 감지 성능을 향상시킵니다.

Link to this section정확도 vs 효율성: 벤치마크를 넘어 실제 성능으로#

YOLO26, YOLO11, YOLOv8 간의 차이를 맥락 안에서 이해하기 위해 실제 사용 환경에서 모델 성능을 좌우하는 요인들을 더 잘 파악해 보겠습니다.

mAP(mean average precision)와 같은 성능 지표로 측정되는 정확도는 오랫동안 컴퓨터 비전 모델을 평가하는 중요한 방법이었습니다. 이는 표준화된 조건에서 모델이 얼마나 잘 작동하는지 보여주며 다양한 버전을 비교할 때 유용합니다.

그러나 모델이 테스트를 거쳐 실제 배포 단계로 넘어가면 정확도만으로는 충분하지 않습니다. 프로덕션 성능은 모델 크기, 추론 시간 또는 지연 시간, 컴퓨팅 사용량, 시스템이 다양한 환경에서 얼마나 잘 확장될 수 있는지와 같은 요소에 달려 있습니다.

통제된 벤치마크와 달리 실제 환경은 종종 예측할 수 없습니다. 조명 상태가 변할 수 있고, 객체가 부분적으로 가려질 수 있으며, 입력 데이터가 모델 학습에 사용된 데이터와 크게 다를 수 있습니다. 이러한 변수들은 실제 환경에서 모델이 얼마나 일관되게 작동하는지에 영향을 줄 수 있습니다.

그림 4. 건설 현장과 같이 예측 불가능한 환경에서 사용되는 YOLO26의 예시.

예를 들어 스마트 시티, 소매점, 창고에 수백 대의 카메라가 설치된 시스템을 생각해 보십시오. 각 스트림은 실시간으로 처리되어야 하며, 종종 지연이나 프레임 손실을 방지하기 위해 일정한 프레임 속도(초당 프레임 수, FPS)를 유지해야 합니다.

효율성이 낮은 모델은 주어진 시스템에서 더 적은 수의 동시 스트림을 처리할 수 있으므로, 확장을 위해서는 일반적으로 추가 하드웨어가 필요하고 인프라 비용이 증가합니다.

YOLO26과 같이 더 효율적인 모델은 동일한 하드웨어에서 더 많은 스트림을 처리할 수 있어 가용 자원을 더 잘 활용합니다. 이는 전반적인 시스템 효율성을 높이고 시간이 지남에 따라 배포를 더 쉽게 확장할 수 있도록 합니다.

YOLO26, YOLO11, YOLOv8에 대해 더 자세히 알아보려면 공식 Ultralytics 문서를 확인하십시오.

Link to this section핵심 요약#

Ultralytics YOLO 모델 시리즈는 실제 배포 요구 사항에 더 잘 맞게 진화해 왔습니다. 각 버전은 이전 버전을 기반으로 구축되며 효율성, 확장성, 배포 용이성에 대한 초점이 커지고 있습니다. 즉, 대규모 환경에서 안정적으로 실행되어야 하는 실시간 감지 애플리케이션을 구축하고 있다면 Ultralytics YOLO26이 완벽한 선택입니다.

운영에 비전 AI를 도입하고 싶으신가요? 저희 라이선스 옵션을 확인해 보시기 바랍니다. 또한 솔루션 페이지를 방문하여 제조 분야의 AI가 어떻게 공장을 변화시키고 있는지, 그리고 로봇 공학의 비전 AI가 미래를 어떻게 형성하고 있는지 확인해 보십시오. 성장하고 있는 저희 커뮤니티에 참여하시고, AI 리소스를 위해 GitHub 저장소도 탐색해 보시기 바랍니다.