새로운 Ultralytics YOLO11 모델과 그 기능, 다양한 산업 분야의 실시간 애플리케이션에 대해 자세히 알아보세요. 알아야 할 모든 것을 안내해 드리겠습니다.
9월 30일(월), Ultralytics 이 공식적으로 출시되었습니다. Ultralytics YOLO11의 연례 하이브리드 이벤트인 YOLO '비전 2024(YV24), Ultralytics'에서 첫 선을 보인 후 컴퓨터 비전의 최신 발전인 ' 비전 2024'를 공식 출시했습니다. AI 커뮤니티는 이 모델의 기능을 살펴보기 위해 서두르면서 흥분으로 들썩이고 있습니다. 더 빠른 처리 속도, 더 높은 정확도, 엣지 디바이스와 클라우드 배포에 최적화된 모델을 갖춘 YOLO11 은 실시간 컴퓨터 비전 애플리케이션의 가능성을 재정의합니다.
Ultralytics 의 설립자 겸 CEO인 Glenn Jocher는 인터뷰에서"세계는 청정 에너지로 나아가고 있지만 그 속도가 충분하지는 않습니다. 저희는 더 적은 증강과 더 적은 데이터로 더 짧은 시간 내에 모델을 훈련할 수 있기를 바라며, 이를 위해 열심히 노력하고 있습니다. 가장 작은 물체 감지 모델인 YOLO11n은 매개변수가 260만 개에 불과하며, 이는 JPEG 크기와 비슷합니다. 가장 큰 물체 감지 모델인 YOLO11x는 약 5,600만 개의 파라미터를 가지고 있으며, 그마저도 다른 모델에 비해 엄청나게 작습니다. 5살짜리 Nvidia GPU 와 같은 저렴한 GPU 로도 약간의 흥분과 커피만 있으면 훈련시킬 수 있습니다."
이 글에서는 YOLO11 을 자세히 살펴보고 이 모델의 기능, 개선 사항, 성능 벤치마크, 실제 애플리케이션을 살펴봄으로써 이 모델의 기능을 이해하는 데 도움이 되도록 하겠습니다. 시작해 보겠습니다!
YOLO11 는 컴퓨터 비전 모델인 YOLO (You Only Look Once) 시리즈의 최신 버전으로, 이전 버전에 비해 크게 향상된 기능을 제공합니다. YOLOv5 및 YOLOv8. Ultralytics 팀은 커뮤니티 피드백과 최첨단 연구를 통합하여 YOLO11 을 더 빠르고 정확하며 효율적으로 만들었습니다. YOLO11 은 또한 물체 감지, 인스턴스 분할, 이미지 분류 등 YOLOv8 과 동일한 컴퓨터 비전 작업을 지원합니다. 실제로 사용자는 기존 워크플로를 변경할 필요 없이 YOLO11 로 쉽게 전환할 수 있습니다.
YOLO11 의 주요 특징 중 하나는 이전 버전에 비해 정확도와 속도 모두에서 뛰어난 성능을 제공한다는 점입니다. YOLOv8m 보다 22% 적은 수의 파라미터를 사용하는 YOLO11m은 COCO 데이터 세트에서 더 높은 평균 정밀도(mAP) 를 달성하여 물체를 더 정확하고 효율적으로 감지할 수 있습니다. 처리 속도 측면에서 YOLO11 는 이전 모델보다 성능이 뛰어나므로 빠른 감지 및 대응이 중요하고 밀리초 단위가 중요한 실시간 애플리케이션에 이상적입니다.
아래 벤치마킹 그래프는 YOLO11 이 이전 모델과 어떻게 다른지 보여줍니다. 가로축에는 물체 감지의 정확도를 측정하는 COCO Box 평균 정밀도(AP)가 표시되어 있습니다. 세로축은 NVIDIA T4 GPU 에서 TensorRT10 FP16을 사용한 지연 시간을 표시하여 모델이 데이터를 얼마나 빨리 처리하는지 보여줍니다.
Ultralytics YOLO11 , Ultralytics 는 산업 전반에서 증가하는 수요를 충족하기 위해 오픈소스 및 엔터프라이즈 모델을 모두 제공하여 YOLO 시리즈를 확장하고 있습니다.
YOLO11 는 나노, 스몰, 미디엄, 라지, 엑스의 다섯 가지 모델 크기로 제공되며, 사용자는 컴퓨터 비전 애플리케이션의 특정 요구 사항에 따라 가장 적합한 모델을 선택할 수 있습니다. 5가지 크기는 이미지 분류, 물체 감지, 인스턴스 분할, 추적, 포즈 추정, OBB(방향성 경계 상자) 물체 감지와 같은 작업에 유연성을 제공합니다. 각 크기마다 각 작업에 사용할 수 있는 모델이 있어 총 25개의 오픈 소스 모델이 Ultralytics' 제품의 핵심을 구성합니다. 이 모델들은 YOLO11n 모델이 뛰어난 효율성을 제공하는 엣지 디바이스의 가벼운 작업부터 YOLO11l 및 YOLO11x 모델이 필요한 대규모 애플리케이션에 이르기까지 다양한 애플리케이션에 이상적입니다.
Ultralytics 에서 처음으로 기업용 모델을 도입하여 제품 제공의 중요한 이정표를 세우며, 이러한 새로운 혁신을 사용자들과 공유하게 되어 기쁩니다. YOLO11 에서 상업적 사용 사례를 위해 특별히 설계된 5가지 독점 모델을 소개합니다. 다음 달에 출시될 이 엔터프라이즈 모델은 백만 개 이상의 이미지로 구성된 Ultralytics의 새로운 독점 데이터 세트를 기반으로 학습되어 더욱 강력한 사전 학습 모델을 제공합니다. 이 모델은 정밀한 물체 감지가 중요한 의료 이미지 분석 및 위성 이미지 처리와 같은 까다로운 실제 애플리케이션을 위해 설계되었습니다.
이제 YOLO11 의 기능에 대해 설명했으니 YOLO11 의 특별한 점을 살펴보겠습니다.
YOLO11 개발의 핵심 과제 중 하나는 모델을 더 작고, 더 빠르고, 더 정확하게 만드는 등 상충되는 우선순위 사이에서 적절한 균형을 찾는 것이었습니다. Ultralytics 의 창립자이자 CEO인 Glenn Jocher는 " YOLO 연구 개발 작업은 모델을 더 작게 만들고 싶고, 더 정확하게 만들고 싶고, CPU 및 GPU 과 같은 다른 플랫폼에서 더 빠르게 만들고 싶다는 세 가지 방향으로 나아가고자 하기 때문에 정말 어려운작업입니다."라고 설명합니다. 이 모든 것이 서로 상충하는 이해관계이기 때문에 타협하고 변경할 부분을 선택해야 합니다." 이러한 어려움에도 불구하고 YOLO11 은 인상적인 균형을 달성하여 YOLOv8 과 같은 이전 버전보다 속도와 정확성이 모두 향상되었습니다.
YOLO11 는 새롭게 설계된 백본 및 넥 아키텍처를 통해 향상된 특징 추출과 같은 상당한 개선 사항을 제공하여 더욱 정밀한 물체 감지를 가능하게 합니다. 또한 속도와 효율성에 최적화되어 높은 정확도를 유지하면서 처리 시간을 단축할 수 있습니다. 이러한 이점 외에도 YOLO11 은 다양한 환경에서 적응력이 뛰어나며, 엣지 디바이스, 클라우드 플랫폼, NVIDIA GPU를 사용하는 시스템에서 원활하게 작동합니다. 이러한 적응성 덕분에 모바일 디바이스에서 대규모 서버에 이르기까지 다양한 하드웨어 설정에서 유연한 배포 옵션이 필요한 사용자에게 이상적인 선택이 될 수 있습니다.
YOLO11의 다재다능한 기능 덕분에 특히 복잡한 사용 사례를 다룰 때 많은 산업 분야에서 신뢰할 수 있는 도구로 활용되고 있습니다. 예를 들어, 엣지 디바이스에서 원활하게 작동하며 컴퓨팅 성능이 제한된 환경에서 실시간 분석이 필요한 애플리케이션에 사용할 수 있습니다. 예를 들어, 차량이 모든 사람의 안전을 지키기 위해 순식간에 결정을 내려야 하는 자율 주행이 이에 해당합니다. YOLO11 은 조도가 낮거나 사물이 부분적으로 가려진 경우와 같은 열악한 조건에서도 보행자나 다른 차량과 같은 도로상의 물체를 감지하고 분석하여 도움을 줍니다. 빠르고 정확한 감지는 사고를 예방하고 자율 주행 차량이 안전하게 주행할 수 있도록 도와줍니다.
YOLO11의 또 다른 흥미로운 예는 방향성 바운딩 박스(OBB)를 처리하는 기능입니다. 이 기능은 완벽하게 정렬되지 않은 물체를 감지하는 데 필수적입니다. OBB 물체 감지는 항공 또는 위성 이미지에 농작물이나 건물과 같이 회전된 물체가 자주 포함되는 농업, 매핑, 감시와 같은 산업에서 특히 유용한 기능입니다. 기존 모델과 달리 YOLO11 는 어떤 각도에서든 물체를 식별할 수 있으며 정밀도가 필요한 작업에 훨씬 더 정확한 결과를 제공합니다.
코딩을 선호하든 코드가 필요 없는 옵션을 선호하든 YOLO11 로 시작하는 것은 간단하고 쉽습니다. 코드를 통해 YOLO11 로 작업하려면 Ultralytics Python 패키지를 사용하여 모델을 쉽게 훈련하고 배포할 수 있습니다. 코드 없는 접근 방식을 선호하는 경우 Ultralytics HUB에서 몇 번의 클릭만으로 YOLO11 을 사용해 볼 수 있습니다.
YOLO11 를 Python 과 함께 사용하려면 먼저 Ultralytics 패키지를 설치해야 합니다. 기본 설정에 따라 pip, conda 또는 Docker를 사용하여 이 작업을 수행할 수 있습니다. 설치 프로세스와 관련된 자세한 지침 및 모범 사례는 Ultralytics 설치 가이드를 참조하세요. YOLO11 에 필요한 패키지를 설치하는 동안 문제가 발생하면 일반적인 문제 가이드를 참조하여 해결 방법과 팁을 확인하세요.
Ultralytics 패키지를 설치한 후 YOLO11 을 사용하는 것은 간단합니다. 다음 코드 스니펫은 모델을 로드하고, 학습시키고, 성능을 테스트하고, ONNX 형식으로 내보내는 과정을 안내합니다. 더 자세한 예제와 고급 사용법은 공식 Ultralytics 문서에서 YOLO11 을 최대한 활용하기 위한 자세한 가이드와 모범 사례를 확인할 수 있습니다.
코드 없는 접근 방식을 선호하는 사용자를 위해 Ultralytics HUB는 몇 번의 클릭만으로 YOLO11 모델을 쉽게 훈련하고 배포할 수 있는 방법을 제공합니다. HUB를 시작하려면 Ultralytics HUB 플랫폼에서 계정을 생성하기만 하면 직관적인 인터페이스를 통해 모델을 훈련하고 관리할 수 있습니다.
AI 커뮤니티는 실제 애플리케이션을 위한 더 빠르고 정확한 모델을 개발하기 위해 노력함으로써 컴퓨터 비전 분야를 지속적으로 발전시키고 있습니다. Ultralytics YOLO11 은 이러한 노력의 주요 이정표로서 속도, 정확성 및 유연성을 향상시킵니다. 실시간 및 엣지 애플리케이션을 위해 설계되어 의료 및 자율 주행과 같은 산업에 이상적입니다. Ultralytics Python 패키지를 사용하든, 코드가 필요 없는 Ultralytics 허브( YOLO11 )를 사용하든, 복잡한 비전 AI 작업을 간소화합니다. 강력한 컴퓨터 비전 기능을 제공하므로 개발자와 기업에게 훌륭한 선택이 될 것입니다.
GitHub 리포지토리를 확인하고 활발한 커뮤니티에 참여하여 AI에 대해 자세히 알아보세요. 비전 AI가 의료 및 농업과 같은 분야에서 어떻게 혁신을 주도하고 있는지 살펴보세요.
