Ultralytics YOLO26, YOLO11, YOLOv8 비교: 어떤 모델을 사용해야 할까요?

최첨단 컴퓨터 비전 시스템은 합성곱 신경망(CNN)을 기반으로 하는 경우가 많으며, 기계가 이미지와 동영상의 시각 데이터를 분석하고 해석할 수 있도록 합니다. 이러한 시스템은 이제 다양한 환경에 배포되고 있습니다.

농업부터 제조 및 리테일까지 이러한 시스템은 엣지 디바이스, 임베디드 하드웨어, 사물 인터넷(IoT) 디바이스, 온디바이스 처리, 실시간 애플리케이션을 지원하는 대규모 클라우드 파이프라인 등 다양한 배포 환경에서 작동합니다.

실제 환경에서 이러한 모델을 배포하는 일이 항상 간단한 것은 아닙니다. 제한된 컴퓨팅 리소스로 실행하고 엄격한 지연 시간 요구 사항을 충족하며 비용을 크게 늘리지 않고 확장해야 하는 경우가 많습니다. 이러한 제약으로 인해 성능은 정확도만의 문제가 아니라 다차원적인 문제가 됩니다.

정확도도 여전히 중요하지만, 모델이 프로덕션 환경에서 효율적으로 실행되는 것도 그만큼 중요합니다. 속도, 리소스 사용량, 확장성과 같은 요소는 시스템의 장기적인 성능에 큰 영향을 미칩니다.

Ultralytics YOLO 모델과 같은 컴퓨터 비전 모델은 이러한 균형을 고려해 발전해 왔습니다. 예를 들어, Ultralytics YOLOv8은 견고하고 다목적으로 활용할 수 있는 기반을 마련했고, Ultralytics YOLO11은 속도와 정확도를 개선해 이를 한 단계 발전시켰으며, Ultralytics YOLO26은 이를 바탕으로 그 어느 때보다 가볍고 빠르며 효율적인 모델을 제공합니다.

그림 1. Ultralytics YOLO26을 사용한 이미지 내 객체 탐지 (출처)

이 글에서는 컴퓨터 비전 프로젝트에 적합한 모델을 선택할 수 있도록 Ultralytics YOLO26, YOLO11, YOLOv8을 비교합니다. 시작해 보겠습니다!

Ultralytics YOLO 모델의 발전 과정 이해하기#

Ultralytics YOLO 모델은 각 버전에서 실제 요구 사항을 더 잘 충족하고 컴퓨터 비전에 대한 접근성을 높이기 위해 개선되었습니다. 이러한 업데이트로 모델은 더 빠르고 효율적이며 배포하기 쉬워졌고, 비전 AI 생태계의 성장을 뒷받침했습니다.

이 모델은 PyTorch를 기반으로 구축되어 지능형 머신러닝 워크플로에서 쉽게 학습하고 맞춤 설정하며 통합할 수 있습니다. Ultralytics YOLO 모델은 기본적으로 사전 학습된 모델로 제공되며, COCO 데이터셋과 같은 데이터셋으로 학습된 경우가 많아 팀에서 빠르게 시작하고 특정 사용 사례에 맞게 파인튜닝할 수 있습니다.

또한 Ultralytics Python 패키지는 ONNX 및 TensorRT와 같은 형식으로 모델을 내보내는 기능을 기본 제공해 배포를 간소화합니다. 따라서 엣지 디바이스부터 GPU 가속 시스템까지 다양한 하드웨어 플랫폼에 모델을 더 쉽게 통합할 수 있습니다.

Ultralytics YOLOv5에서 Ultralytics YOLO26까지#

최초의 Ultralytics YOLO 모델인 Ultralytics YOLOv5는 신뢰할 수 있는 객체 탐지 기능으로 널리 인기를 얻었습니다. 1단계 탐지 방식을 기반으로 구축되어 한 번의 처리 과정으로 빠른 실시간 예측을 수행하므로 프로덕션 워크플로에 적합했습니다.

이후 업데이트에서는 앵커 프리 변형 모델을 도입했습니다. 이 모델은 사전 정의된 앵커 박스를 사용하는 대신 객체 위치를 직접 예측해 탐지의 유연성을 높였습니다. 하지만 기존 모델은 주로 객체 탐지 작업에 초점을 맞췄습니다.

이 기반을 바탕으로 Ultralytics YOLOv8은 모델 제품군의 범위를 확장했습니다. 객체 탐지에만 집중하는 대신 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 방향 바운딩 박스(OBB) 탐지와 같은 여러 컴퓨터 비전 작업을 지원하도록 확장했습니다. 또한 고급 백본 및 넥 설계를 포함한 아키텍처 개선을 적용해 특징 추출과 전반적인 탐지 성능을 향상했습니다.

이 밖에도 YOLOv8n(Nano), YOLOv8s(Small), YOLOv8m(Medium), YOLOv8l(Large), YOLOv8x(Extra Large)와 같은 변형 모델을 제공해 개발자가 요구 사항에 따라 속도, 정확도, 리소스 사용량의 균형을 맞출 수 있도록 했습니다. 폭넓은 기능과 사용 편의성이 결합되어 다양한 비전 애플리케이션에서 가장 많이 선택되는 모델 중 하나가 되었습니다.

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

이후 Ultralytics YOLO11은 실제 워크플로의 성능 향상에 초점을 맞춰 더 높은 정확도와 더 빠른 추론 속도를 제공했습니다. 더 가벼운 아키텍처를 갖춘 YOLO11은 엣지와 클라우드 환경 모두에서 효과적으로 작동하며 기존 YOLOv8 파이프라인과도 호환됩니다.

Ultralytics YOLO 모델 제품군의 최신 모델인 YOLO26은 엣지 우선 비전 AI의 새로운 기준을 제시하는 최첨단 모델로, 실제 배포를 위한 더 가볍고 빠르며 효율적인 방식을 제공합니다. CPU와 임베디드 시스템에서 효율적으로 실행되도록 설계되었으며, 다양한 애플리케이션에서 배포를 간소화하고 실시간 성능을 향상합니다.

YOLO26, YOLO11, YOLOv8 비교#

컴퓨터 비전 프로젝트를 진행하다 보면 다양한 Ultralytics 모델을 접하고 어떤 모델이 프로젝트에 적합한지 고민할 수 있습니다. 실제 시나리오에서 YOLO26, YOLO11, YOLOv8이 어떻게 비교되는지 살펴보겠습니다.

Ultralytics YOLOv8은 2023년에 출시된 이후 컴퓨터 비전 커뮤니티에서 널리 사용되어 왔습니다. 강력한 커뮤니티 지원과 사용 편의성 덕분에 많은 팀이 선호하는 모델이 되었습니다. 문서가 잘 갖춰져 있고 다양한 튜토리얼, 가이드, 커뮤니티 리소스를 제공하는 모델을 찾고 있다면 YOLOv8이 좋은 출발점입니다.

2024년에는 성능과 효율성이 모두 개선된 Ultralytics YOLO11이 출시되었습니다. YOLOv8보다 빠르고 정확하면서도 더 작고 최적화된 아키텍처를 유지합니다. 리소스 사용량을 크게 늘리지 않고 프로덕션 환경에서 안정적으로 작동하는 균형 잡힌 모델입니다.

올해는 효율적인 대규모 배포에 초점을 맞춘 최신 버전 Ultralytics YOLO26이 출시되었습니다. 더 빠른 CPU 추론과 향상된 리소스 활용률을 제공해 팀에서 동일한 하드웨어로 더 많은 워크로드를 실행할 수 있습니다.

예를 들어, Ultralytics YOLO26 nano 모델은 중앙 처리 장치(CPU)에서 YOLO11보다 최대 43% 빠른 추론 속도를 달성할 수 있어 엣지 및 리소스 제약 환경에 적합합니다. 기존 시스템은 그래픽 처리 장치(GPUs)에 크게 의존하는 경우가 많으며, 이러한 장치는 비용이 높고 확장하기 어렵기 때문에 이는 특히 중요합니다.

그림 3. CPU에서 YOLO26의 성능 벤치마킹 (출처)

전반적으로 Ultralytics YOLO26은 성능, 비용, 확장성 간의 균형을 최적화하려는 팀과 개인에게 적합한 선택입니다.

Ultralytics YOLO26 자세히 살펴보기#

Ultralytics YOLO26은 정확도만큼이나 효율성, 속도, 확장성이 중요한 실제 배포 환경을 위해 설계된 최첨단 모델입니다. 벤치마크 성능 향상에만 초점을 맞추는 대신, 모델을 더 쉽게 실행하고 더 빠르게 배포하며 다양한 하드웨어 환경에서 더욱 안정적으로 작동하도록 아키텍처와 학습 방식을 개선했습니다.

이러한 개선 사항은 컴퓨팅 리소스가 제한적이고 지연 시간 제약과 비용 고려 사항이 중요한 엣지 및 프로덕션 시스템에서 특히 중요합니다. Ultralytics YOLO26은 추론을 간소화하고 성능을 최적화하여 AI 애호가가 비전 애플리케이션을 더욱 효율적으로 구축하고 확장할 수 있도록 지원합니다.

Ultralytics YOLO26의 주요 기능을 자세히 살펴보겠습니다.

• 종단 간 NMS 없는 추론: 중요한 변화 중 하나는 후처리의 필요성을 없애는 비최대 억제(NMS) 없는 설계입니다. 쉽게 말해 모델이 최종 예측 결과를 직접 생성합니다. 그 결과 지연 시간을 더 예측하기 쉬워지고 배포도 간편해집니다.
• DFL 제거: Ultralytics YOLO26은 Distribution Focal Loss(DFL) 모듈 대신 더 단순한 바운딩 박스 예측 방식을 채택했습니다. 이러한 변화는 종단 간 NMS 없는 설계와 부합하며, 파이프라인의 복잡성을 낮추고 배포의 일관성을 높입니다.
• MuSGD 옵티마이저: 최신 Ultralytics YOLO 모델에는 확률적 경사 하강법(SGD)과 Muon에서 영감을 받은 업데이트를 결합한 하이브리드 옵티마이저인 MuSGD가 도입되었습니다. 이를 통해 학습 안정성과 수렴 성능이 향상되어 최적화가 더 원활해지고 모델 크기가 달라도 동작이 더욱 일관됩니다.
• ProgLoss 및 STAL: 이러한 학습 혁신인 Progressive Loss Balancing(ProgLoss)과 Small-Target-Aware Label Assignment(STAL)은 모델의 안정성과 신뢰성을 높입니다. ProgLoss는 모델이 시간의 흐름에 따라 단계적으로 데이터셋을 학습하도록 지원하며, STAL은 학습 중 작은 객체가 무시되지 않도록 하여 복잡한 장면에서의 탐지 성능을 개선합니다.

정확도와 효율성: 벤치마크를 넘어 실제 성능으로#

YOLO26, YOLO11, YOLOv8의 차이를 맥락에 맞게 살펴보기 위해, 실제 환경에서 모델 성능을 좌우하는 요소를 자세히 알아보겠습니다.

평균 정밀도(mAP)와 같은 성능 지표로 측정되는 정확도는 오랫동안 컴퓨터 비전 모델을 평가하는 중요한 기준이었습니다. 정확도는 표준화된 조건에서 모델이 얼마나 잘 작동하는지 보여주며, 서로 다른 버전을 비교할 때 유용합니다.

하지만 모델을 테스트에서 실제 배포 환경으로 옮기면 정확도만으로는 충분하지 않습니다. 프로덕션 성능은 모델 크기, 추론 시간 또는 지연 시간, 컴퓨팅 사용량, 그리고 시스템이 다양한 환경에서 얼마나 잘 확장되는지와 같은 요소에 따라 달라집니다.

통제된 벤치마크와 달리 실제 환경은 예측하기 어려운 경우가 많습니다. 조명 조건이 바뀌고 객체가 부분적으로만 보일 수 있으며, 입력 데이터가 모델 학습에 사용된 데이터와 크게 달라질 수도 있습니다. 이러한 변화는 실제 환경에서 모델이 일관되게 작동하는 데 영향을 줄 수 있습니다.

그림 4. 건설 현장처럼 예측하기 어려운 환경에서 Ultralytics YOLO26을 사용하는 예시입니다.

스마트 시티, 소매점 또는 창고에서 수백 대의 카메라를 사용하는 환경을 예로 들어 보겠습니다. 각 스트림을 실시간으로 처리해야 하며, 지연이나 프레임 누락을 방지하려면 일정한 프레임 속도(초당 프레임 수, FPS)를 유지해야 하는 경우가 많습니다.

효율성이 낮은 모델은 특정 시스템에서 동시에 처리할 수 있는 스트림 수가 적으므로, 일반적으로 확장하려면 하드웨어를 추가해야 하고 인프라 비용도 증가합니다.

Ultralytics YOLO26과 같은 효율적인 모델은 동일한 하드웨어에서 더 많은 스트림을 처리하여 가용 리소스를 더 효과적으로 활용할 수 있습니다. 이를 통해 전체 시스템 효율성이 향상되고 시간이 지나도 배포를 더 쉽게 확장할 수 있습니다.

YOLO26, YOLO11, YOLOv8을 자세히 비교하려면 Ultralytics 공식 문서를 확인하세요.

핵심 요점#

Ultralytics YOLO 모델 시리즈는 실제 배포 요구 사항에 더 잘 부합하도록 발전해 왔습니다. 각 버전은 이전 버전을 바탕으로 효율성, 확장성, 배포 편의성에 더욱 중점을 둡니다. 즉, 대규모 환경에서도 안정적으로 실행되어야 하는 실시간 탐지 애플리케이션을 구축한다면 Ultralytics YOLO26이 적합한 선택입니다.

비전 AI를 운영에 도입하고 싶으신가요? 라이선스 옵션을 확인해 보세요. 솔루션 페이지에서 제조 분야의 AI가 공장을 어떻게 변화시키고 로보틱스 분야의 비전 AI가 미래를 어떻게 바꾸고 있는지 살펴볼 수도 있습니다. 성장 중인 커뮤니티에 참여하고 AI 리소스를 살펴보려면 GitHub 리포지토리를 방문하세요.