Ultralytics YOLO26 대 YOLO11 대 YOLOv8: 어떤 모델을 선택해야 할까요?

흔히 합성곱 신경망(CNN)으로 구동되는 최첨단 컴퓨터 비전 시스템은 기계가 이미지와 영상의 시각 데이터를 분석하고 해석할 수 있게 해주며, 현재 다양한 환경에서 배포되고 있습니다.

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

실제 사용 환경에서 이러한 모델을 배포하는 것이 항상 간단하지만은 않습니다. 제한된 컴퓨팅 자원으로 실행하고, 엄격한 지연 시간(latency) 요구 사항을 충족하며, 비용을 크게 늘리지 않으면서 확장해야 하는 경우가 많습니다. 이러한 제약 조건으로 인해 성능은 단순히 정확도만의 문제가 아니라 다차원적인 문제가 됩니다.

정확도도 여전히 중요하지만, 모델이 프로덕션 환경에서 효율적으로 실행되는 것 또한 똑같이 중요합니다. 속도, 리소스 사용량, 확장성과 같은 요소들이 시간이 지남에 따라 시스템의 성능을 결정하는 데 큰 역할을 합니다.

Ultralytics YOLO 모델과 같은 컴퓨터 비전 모델들은 이러한 균형을 염두에 두고 발전해 왔습니다. 예를 들어, Ultralytics YOLOv8은 강력하고 다재다능한 기반을 마련했고, Ultralytics YOLO11은 속도와 정확도를 개선하여 한 단계 더 나아갔으며, Ultralytics YOLO26은 이전보다 더 가볍고 빠르며 효율적으로 설계되어 이러한 기반 위에서 발전했습니다.

그림 1. 이미지 내 객체를 감지하기 위해 Ultralytics YOLO26 사용 (출처)

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

Link to this sectionUltralytics YOLO 모델의 발전 과정 이해하기#

Ultralytics YOLO 모델의 각 버전은 실제 요구 사항을 더 잘 충족하고 컴퓨터 비전을 더 쉽게 접근할 수 있도록 개선되었습니다. 이러한 업데이트를 통해 모델은 더 빠르고 효율적이며 배포하기 쉬워졌으며, 비전 AI 생태계의 성장을 뒷받침하고 있습니다.

또한 이 모델들은 PyTorch 기반으로 구축되어 지능형 머신러닝 워크플로에 쉽게 학습시키고 사용자 정의하며 통합할 수 있습니다. Ultralytics YOLO 모델은 기본적으로 사전 학습된 모델로 제공되며, 종종 COCO 데이터셋과 같은 데이터셋으로 학습되어 팀이 빠르게 시작하고 특정 사용 사례에 맞게 파인튜닝할 수 있도록 지원합니다.

이뿐만 아니라 Ultralytics Python 패키지는 ONNX 및 TensorRT와 같은 형식으로 모델을 내보내는 기능을 기본적으로 지원하여 배포를 간소화합니다. 덕분에 엣지 디바이스부터 GPU 가속 시스템까지 다양한 하드웨어 플랫폼에 모델을 쉽게 통합할 수 있습니다.

Link to this sectionUltralytics YOLOv5에서 Ultralytics YOLO26까지#

최초의 Ultralytics YOLO 모델인 Ultralytics YOLOv5는 신뢰할 수 있는 객체 감지 기능으로 큰 인기를 얻었습니다. 원스테이지(one-stage) 감지 방식을 기반으로 하여 한 번의 패스로 빠르고 실시간 예측이 가능했기에 프로덕션 워크플로에 적합했습니다.

이후 업데이트에서는 미리 정의된 앵커 박스를 사용하는 대신 모델이 직접 객체 위치를 예측하는 앵커 프리(anchor-free) 변형 모델이 도입되어 감지가 더 유연해졌습니다. 하지만 초기 모델은 주로 객체 감지 작업에 초점을 맞추고 있었습니다.

이러한 기반 위에 YOLOv8은 모델 제품군의 범위를 확장했습니다. 객체 감지에만 머물지 않고 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 방향이 있는 바운딩 박스(OBB) 감지와 같은 여러 컴퓨터 비전 작업을 지원하기 시작했습니다. 또한 고급 백본 및 넥 설계를 포함한 아키텍처 개선을 통해 특징 추출과 전반적인 감지 성능을 향상했습니다.

그뿐만 아니라 YOLOv8n(Nano), YOLOv8s(Small), YOLOv8m(Medium), YOLOv8l(Large), YOLOv8x(Extra Large)와 같은 변형 모델을 통해 개발자들은 자신의 필요에 따라 속도, 정확도, 리소스 사용량 사이에서 유연하게 선택할 수 있게 되었습니다. 이러한 확장된 기능과 사용 편의성 덕분에 광범위한 비전 애플리케이션에서 선택하는 핵심 모델이 되었습니다.

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

이어서 YOLO11은 실제 워크플로에서의 성능 향상에 초점을 맞추어 더 빠른 추론 속도와 함께 더 높은 정확도를 제공했습니다. 더 가벼워진 아키텍처로 엣지와 클라우드 환경 모두에서 잘 작동하며 기존 YOLOv8 파이프라인과도 호환됩니다.

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

Link to this sectionYOLO26 대 YOLO11 대 YOLOv8 비교#

컴퓨터 비전 프로젝트를 수행할 때 다양한 Ultralytics 모델을 접하게 되며, 어떤 것이 프로젝트에 적합한지 고민하게 될 수 있습니다. YOLO26, YOLO11, YOLOv8이 실제 시나리오에서 어떻게 다른지 살펴보겠습니다.

YOLOv8은 2023년에 출시된 이후 컴퓨터 비전 커뮤니티에서 널리 사용되어 왔습니다. 강력한 커뮤니티 지원과 사용 편의성 덕분에 과거 많은 팀이 선택한 주요 모델이었습니다. 풍부한 튜토리얼, 가이드, 커뮤니티 리소스를 갖춘 잘 문서화된 모델을 찾으신다면 YOLOv8이 훌륭한 시작점이 될 것입니다.

2024년에는 성능과 효율성이 모두 향상된 YOLO11이 도입되었습니다. YOLO11은 YOLOv8보다 더 작고 최적화된 아키텍처를 유지하면서도 더 나은 속도와 정확도를 제공합니다. 리소스 사용량을 크게 늘리지 않으면서 프로덕션에서 안정적으로 작동하는 더 균형 잡힌 모델입니다.

올해는 대규모 배포의 효율성에 중점을 둔 최신 버전인 YOLO26이 출시되었습니다. 더 빠른 CPU 추론과 개선된 리소스 활용도를 제공하여 팀이 동일한 하드웨어에서 더 많은 워크로드를 실행할 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 적합한 훌륭한 옵션입니다. 이는 전통적인 설정이 비용이 많이 들고 확장하기 어려운 그래픽 처리 장치(GPU)에 크게 의존하는 경우가 많다는 점에서 특히 중요합니다.

그림 3. YOLO26의 CPU 성능 벤치마킹 (출처)

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

Link to this sectionUltralytics YOLO26 상세 살펴보기#

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

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

YOLO26의 주요 특징을 더 자세히 살펴보겠습니다:

• 종단간 NMS-free 추론: 중요한 변경 사항 중 하나는 후처리가 필요 없는 NMS-free(Non-Maximum Suppression-free) 설계입니다. 간단히 말해, 모델이 최종 예측값을 직접 생성합니다. 결과적으로 지연 시간이 더 예측 가능해지고 배포가 더 쉬워집니다.
• DFL 제거: YOLO26은 Distribution Focal Loss (DFL) 모듈에서 벗어나 더 간단한 바운딩 박스 예측 방식으로 전환했습니다. 이 변경 사항은 종단간 NMS-free 설계와 일치하며, 파이프라인 복잡성을 줄이고 배포 일관성을 향상합니다.
• MuSGD 옵티마이저: 최신 Ultralytics YOLO 모델은 확률적 경사 하강법(SGD)과 Muon에서 영감을 받은 업데이트를 결합한 하이브리드 옵티마이저인 MuSGD를 도입했습니다. 이는 학습 안정성과 수렴을 향상시켜 더 부드러운 최적화와 다양한 모델 크기에 걸쳐 더 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 데이터셋을 단계적으로 학습하도록 돕고, STAL은 학습 중에 작은 객체가 무시되지 않도록 보장하여 복잡한 장면에서의 감지 성능을 향상합니다.

Link to this section정확도 대 효율성: 벤치마크를 넘어 실세계 성능으로#

YOLO26, YOLO11, YOLOv8 간의 차이를 이해하기 위해 실제 사용 환경에서 모델 성능을 좌우하는 요소들을 더 자세히 알아보겠습니다.

평균 정밀도(mAP)와 같은 성능 지표로 측정되는 정확도는 오랫동안 컴퓨터 비전 모델을 평가하는 중요한 방법이었습니다. 이는 표준화된 조건에서 모델이 얼마나 잘 수행되는지를 보여주며 다른 버전들을 비교할 때 유용합니다.

하지만 모델이 테스트를 거쳐 실제 배포 단계로 넘어가면 정확도만으로는 부족합니다. 프로덕션 성능은 모델 크기, 추론 시간 또는 지연 시간, 컴퓨팅 사용량, 그리고 시스템이 다양한 환경에 얼마나 잘 확장될 수 있는지와 같은 요소에 따라 달라집니다.

통제된 벤치마크와 달리 실제 환경은 종종 예측할 수 없습니다. 조명 상태가 변할 수 있고, 객체가 부분적으로 보일 수 있으며, 입력 데이터가 모델이 학습된 것과 크게 다를 수 있습니다. 이러한 변형은 실제 환경에서 모델의 성능 일관성에 영향을 줄 수 있습니다.

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

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

효율성이 낮은 모델은 특정 시스템에서 더 적은 수의 동시 스트림을 처리할 수 있으므로, 일반적으로 확장을 위해 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 전체 시스템 효율성을 향상하고 시간이 지남에 따라 배포를 쉽게 확장할 수 있게 해줍니다.

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

Link to this section핵심 요약#

Ultralytics YOLO 모델 시리즈는 실제 배포 요구 사항에 더 잘 맞도록 발전해 왔습니다. 각 버전은 이전 버전을 기반으로 구축되며 효율성, 확장성, 배포 용이성에 점점 더 많은 중점을 두고 있습니다. 즉, 확장성 있게 신뢰할 수 있는 실시간 감지 애플리케이션을 구축하고 있다면 Ultralytics YOLO26이 완벽한 선택입니다.

비전 AI를 운영에 도입하고 싶으십니까? 라이선스 옵션을 확인해 보십시오. 또한 제조업의 AI가 어떻게 공장을 변화시키고 있는지, 로봇 공학의 비전 AI가 미래를 어떻게 설계하고 있는지 솔루션 페이지에서 확인할 수 있습니다. 점점 커지고 있는 당사의 커뮤니티에 참여하고 AI 리소스를 위해 GitHub 리포지토리를 살펴보십시오.