Ultralytics vs YOLO11 YOLOv8: 어떤 것을 사용해야 할까요?

대개 컨볼루션 신경망(CNN)을 기반으로 하는 최첨단 컴퓨터 비전 시스템은 기계가 이미지와 동영상에서 얻은 시각적 데이터를 분석하고 해석할 수 있게 해주며, 현재 다양한 환경에 도입되고 있다. 

농업에서 제조업, 소매업에 이르기까지, 이러한 시스템은 엣지 디바이스, 임베디드 하드웨어, 사물인터넷(IoT) 디바이스, 온디바이스 처리, 그리고 실시간 애플리케이션을 지원하는 대규모 클라우드 파이프라인을 포함한 다양한 배포 환경에서 운영됩니다.

실제 환경에서 이러한 모델을 배포하는 일은 항상 순조롭지만은 않습니다. 모델은 종종 제한된 컴퓨팅 자원 내에서 실행되어야 하고, 엄격한 지연 시간 요건을 충족해야 하며, 비용을 크게 늘리지 않고도 확장 가능해야 합니다. 이러한 제약 조건들 때문에 성능은 단순히 정확도만의 문제가 아니라 다차원적인 과제가 됩니다.

정확도 역시 중요하지만, 모델이 실제 운영 환경에서 효율적으로 구동되는 것 또한 그만큼 중요합니다. 속도, 리소스 사용량, 확장성 같은 요소들은 시스템이 시간이 지남에 따라 얼마나 잘 작동하는지에 큰 영향을 미칩니다.

Ultralytics YOLO 같은 컴퓨터 비전 모델들은 이러한 균형을 고려하여 발전해 왔습니다. 예를 들어, Ultralytics YOLOv8 는 강력하고 다재다능한 기반을 마련했으며, Ultralytics YOLO11 는 향상된 속도와 정확도로 한 단계 더 발전시켰으며, Ultralytics 이를 바탕으로 그 어느 때보다 가볍고, 빠르며, 효율적으로 설계되었습니다.

이 글에서는 컴퓨터 비전 프로젝트에 적합한 모델을 선택하는 데 도움을 드리기 YOLOv8 Ultralytics YOLO11 YOLOv8 비교해 보겠습니다. 그럼 시작해 볼까요!

Ultralytics YOLO 발전 과정 이해하기

Ultralytics YOLO 매번 업데이트될 때마다 실제 환경의 요구 사항을 더 잘 충족하고 컴퓨터 비전 기술을 보다 널리 보급하기 위한 개선 사항을 도입해 왔습니다. 이러한 업데이트를 통해 모델의 속도와 효율성이 향상되고 배포가 더욱 간편해졌으며, 이는 비전 AI 생태계의 성장을 뒷받침하고 있습니다. 

또한 이 모델들은 PyTorch 기반으로 구축되어 있어 훈련, 사용자 정의 및 지능형 머신러닝 워크플로우로의 통합이 용이합니다. Ultralytics YOLO COCO 같은 데이터셋을 기반으로 사전 훈련된 모델 형태로 제공되므로, 팀은 신속하게 작업을 시작하고 특정 사용 사례에 맞게 모델을 미세 조정할 수 있습니다.

또한, Ultralytics Python ONNX TensorRT 같은 형식으로 모델을 내보내는 기능을 기본적으로 지원함으로써 배포 과정을 간소화합니다. 이를 통해 엣지 디바이스부터 GPU 시스템에 이르기까지 다양한 하드웨어 플랫폼에 모델을 보다 쉽게 통합할 수 있습니다.

Ultralytics YOLOv5 에서 Ultralytics YOLOv5 전환하기

최초의 Ultralytics YOLO , Ultralytics YOLOv5는 신뢰할 수 있는 물체 탐지 기능으로 널리 인기를 얻었습니다. 1단계 탐지 방식을 기반으로 구축되어 단 한 번의 처리로 빠르고 실시간 예측이 가능했으며, 이로 인해 실제 운영 워크플로우에 매우 적합했습니다. 

이후 업데이트에서는 미리 정의된 앵커 박스를 사용하는 대신 모델이 물체의 위치를 직접 예측하는 앵커 프리(anchor-free) 변형이 도입되어, 탐지 작업의 유연성이 높아졌습니다. 하지만 원래 모델은 여전히 주로 물체 탐지 작업에 중점을 두었습니다.

이러한 기반을 바탕으로 YOLOv8 모델 제품군의 적용 범위를 YOLOv8 . 단순히 물체 탐지에만 집중하는 대신, 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB) 탐지 등 다양한 컴퓨터 비전 작업에 대한 지원을 추가했습니다. 또한, 향상된 백본 및 넥 설계를 포함한 아키텍처 개선을 통해 특징 추출 능력과 전반적인 탐지 성능을 높였습니다. 

이 외에도 YOLOv8n Nano), YOLOv8s Small), YOLOv8m Medium), YOLOv8l Large), YOLOv8x Extra Large)와 같은 변형 모델들은 개발자들이 필요에 따라 속도, 정확도, 리소스 사용량 간의 균형을 유연하게 조정할 수 있도록 해주었습니다. 이러한 폭넓은 기능과 사용 편의성이 결합되어, 이 모델은 다양한 비전 애플리케이션 분야에서 가장 선호되는 선택지가 되었습니다.

이후 YOLO11 실제 워크플로우에서의 성능 향상에 YOLO11 , 더 높은 정확도와 더 빠른 추론 속도를 제공하게 되었습니다. 더 간소화된 아키텍처를 통해 엣지 및 클라우드 환경 모두에서 원활하게 작동하며, 기존 YOLOv8 호환됩니다.

Ultralytics YOLO 제품군의 최신 버전인 YOLO26은 엣지 우선 비전 AI의 새로운 기준을 제시하는 최첨단 모델로, 실제 환경에 더 가볍고 빠르며 효율적인 배포 방식을 제공합니다. 이 모델은 CPU 및 임베디드 시스템에서 효율적으로 구동되도록 설계되었으며, 다양한 애플리케이션 전반에 걸쳐 배포 과정을 간소화하고 실시간 성능을 향상시킵니다.

YOLO26, YOLO11 YOLOv8 비교

컴퓨터 비전 프로젝트를 진행하다 보면 다양한 Ultralytics 접하게 되며, 어떤 모델이 자신의 프로젝트에 적합한지 고민하게 될 수 있습니다. 이제 실제 상황에서 YOLO26 YOLO11 YOLOv8 어떻게 YOLOv8 함께 살펴보겠습니다.

YOLOv8 2023년에 YOLOv8 이후 컴퓨터 비전 커뮤니티에서 널리 사용되어 왔습니다. 탄탄한 커뮤니티 지원과 사용 편의성 덕분에 과거 많은 팀들이 가장 먼저 선택하는 모델이 되었습니다. 다양한 튜토리얼, 가이드, 커뮤니티 자료가 잘 갖춰진 모델을 찾고 계신다면, YOLOv8 훌륭한 출발점이 YOLOv8 .

2024년, 성능과 효율성 모두 개선된 YOLO11 . 이 모델은 YOLOv8 비해 더 뛰어난 속도와 정확도를 제공하면서도, 더 작고 최적화된 아키텍처를 유지합니다. 또한 리소스 사용량을 크게 늘리지 않으면서도 실제 운영 환경에서 안정적으로 작동하는, 보다 균형 잡힌 모델입니다. 

올해, 대규모 환경에서의 효율적인 배포에 중점을 둔 최신 버전인 YOLO26이 출시되었습니다. 이 버전은 더 빠른 CPU 성능과 향상된 리소스 활용도를 제공하여, 팀들이 동일한 하드웨어에서 더 많은 워크로드를 실행할 수 있도록 지원합니다. 

예를 들어, YOLO26 나노 모델은 중앙 처리 장치(CPU) YOLO11 최대 43% 더 빠른 추론 성능을 보여주므로, 엣지 환경이나 리소스가 제한된 환경에서 훌륭한 선택지가 됩니다. 기존 시스템은 대개 그래픽 처리 장치(GPU)에 크게 의존하는 경우가 많은데, GPU는 비용이 많이 들고 확장하기 어려울 수 있으므로 이는 특히 중요한 장점입니다. 

전반적으로 YOLO26은 성능, 비용, 확장성 간의 균형을 최적화하고자 하는 팀과 개인에게 훌륭한 선택지입니다.

Ultralytics 자세히 살펴보기

YOLO26은 정확도만큼이나 효율성, 속도, 확장성이 중요한 실제 환경에 배포하기 위해 설계된 최첨단 모델입니다. 이 모델은 벤치마크 성능 향상에만 집중하기보다는, 다양한 하드웨어 환경에서 모델을 더 쉽게 실행하고, 더 빠르게 배포하며, 더 안정적으로 운영할 수 있도록 아키텍처와 훈련 방식을 개선했습니다.

이러한 개선 사항은 제한된 연산 능력, 지연 시간 제약, 비용 문제가 중요한 역할을 하는 엣지 및 생산 시스템에서 특히 중요합니다. YOLO26은 추론 과정을 간소화하고 성능을 최적화함으로써, AI 애호가들이 비전 애플리케이션을 보다 효율적으로 구축하고 확장할 수 있도록 지원합니다.

YOLO26의 주요 기능을 자세히 살펴보겠습니다:

• 엔드투엔드 NMS 추론: 가장 중요한 변화 중 하나는 비최대 억제(NMS) 방식의 설계로, 이를 통해 후처리 과정이 필요 없어졌습니다. 간단히 말해, 모델이 최종 예측 결과를 직접 산출합니다. 그 결과, 지연 시간을 더 정확하게 예측할 수 있게 되었으며 배포도 훨씬 수월해졌습니다.
• ‍DFL 제거: YOLO26은 분포 초점 손실(DFL) 모듈을 버리고 더 단순한 바운딩 박스 예측 방식을 채택했습니다. 이러한 변화는 엔드투엔드(end-to-end) 방식이자 NMS 필요 없는 설계와 부합하며, 파이프라인의 복잡성을 줄이고 배포 일관성을 높여줍니다.
• ‍MuSGD 최적화기: 최신 Ultralytics YOLO 확률적 경사 하강법(SGD)과 뮤온(Muon)에서 영감을 받은 업데이트 방식을 결합한 하이브리드 최적화기인 MuSGD가 도입되었습니다. 이를 통해 훈련 안정성과 수렴성이 향상되어, 다양한 모델 규모에서 더 원활한 최적화와 일관된 성능을 보여줍니다.
• ‍ProgLoss와 STAL: 이러한 훈련 기법인 점진적 손실 균형(ProgLoss)과 소형 대상 인식 라벨 할당(STAL)은 모델의 안정성과 신뢰성을 높여줍니다. ProgLoss는 모델이 시간의 흐름에 따라 단계적으로 데이터셋으로부터 학습할 수 있도록 돕는 반면, STAL은 훈련 과정에서 작은 물체가 간과되지 않도록 하여 복잡한 장면에서의 탐지 성능을 향상시킵니다.

정확도 대 효율성: 벤치마크를 넘어 실제 성능으로

YOLO26, YOLO11, YOLOv8 간의 차이점을 제대로 YOLOv8 , 실제 사용 환경에서 모델 성능을 좌우하는 요인들을 먼저 살펴보겠습니다.

오랫동안 정확도는 평균 정밀도(mAP)와 같은 성능 지표로 측정되어 왔으며, 컴퓨터 비전 모델을 평가하는 중요한 기준이 되어 왔습니다. 이는 표준화된 조건에서 모델이 얼마나 잘 작동하는지를 보여주며, 서로 다른 버전을 비교할 때 유용합니다.

하지만 모델이 테스트 단계에서 실제 운영 환경으로 넘어가면, 정확도만으로는 부족합니다. 실제 운영 성능은 모델 크기, 추론 시간 또는 지연 시간, 컴퓨팅 자원 사용량, 그리고 시스템이 다양한 환경에서 얼마나 잘 확장되는지와 같은 요인에 따라 달라집니다.

통제된 벤치마크와 달리, 실제 환경은 종종 예측하기 어렵습니다. 조명 조건이 변할 수 있고, 물체가 부분적으로만 보일 수 있으며, 입력 데이터가 모델이 학습된 데이터와 크게 다를 수 있습니다. 이러한 변동 요인들은 실제 상황에서 모델의 성능이 얼마나 일관되게 발휘되는지에 영향을 미칠 수 있습니다.

예를 들어, 스마트 시티, 소매점 또는 창고에 수백 대의 카메라가 설치된 환경을 생각해 보자. 각 영상 스트림은 실시간으로 처리되어야 하며, 지연이나 프레임 누락을 방지하기 위해 일관된 프레임 속도(초당 프레임 수, FPS)가 필요한 경우가 많다. 

효율성이 낮은 모델은 특정 시스템에서 처리할 수 있는 동시 스트림 수가 적기 때문에, 일반적으로 확장하려면 추가 하드웨어가 필요하며 인프라 비용이 증가하게 됩니다.

YOLO26과 같은 더 효율적인 모델은 동일한 하드웨어에서 더 많은 스트림을 처리할 수 있어, 사용 가능한 자원을 더 효과적으로 활용할 수 있습니다. 이는 전반적인 시스템 효율성을 높여주고, 시간이 지남에 따라 배포 규모를 확장하는 것을 더 용이하게 만듭니다.

YOLO26, YOLO11 YOLOv8 차이점을 더 자세히 알아보려면 Ultralytics 공식 Ultralytics 확인해 보세요.

주요 내용 

Ultralytics YOLO 시리즈는 실제 배포 환경에 더 잘 부합하도록 지속적으로 발전해 왔습니다. 각 버전은 이전 버전을 기반으로 하며, 효율성, 확장성, 그리고 배포 편의성에 점점 더 중점을 두고 있습니다. 즉, 대규모 환경에서 안정적으로 실행되어야 하는 실시간 탐지 애플리케이션을 구축하고 있다면, Ultralytics 최적의 선택입니다.

비주얼 AI를 현장에 도입하고 싶으신가요? 당사의 라이선스 옵션을 확인해 보세요. 또한 솔루션 페이지를 방문하여 제조업 분야의 AI가 공장을 어떻게 변화시키고 있는지, 로봇 공학 분야의 비주얼 AI가 미래를 어떻게 만들어가고 있는지 살펴보실 수 있습니다. 성장하는 커뮤니티에 참여하고 GitHub 저장소에서 AI 관련 자료를 확인해 보세요.