YOLOv11: An Overview of the Key Architectural Enhancements

YOLOv11: An Overview of the Key Architectural Enhancements

 

Rahima Khanam, Muhammad Hussain

 

Abstract

이 연구는 YOLO (You Only Look Once) 객체 감지 모델 시리즈의 최신 버전인 YOLOv11의 아키텍처 분석을 제시합니다.

우리는 향상된 피쳐 추출과 같은 여러 방식으로 모델 성능을 개선하는 데 기여하는 C3k2 (Cross Stage Partial with kernel size 2) 블록, SPPF (Spatial Pyramid Pooling - Fast) 및 C2PSA (Convolutional block with Parallel Spatial Attention) 구성 요소의 도입을 포함한 모델 아키텍처 혁신을 검토합니다.

이 논문은 객체 감지, 인스턴스 세그멘테이션, 포즈 추정, oriented object detection (OBB)를 포함한 다양한 컴퓨터 비전 작업에서 YOLOv11의 확장된 기능을 탐구합니다.

우리는 파라미터 수와 정확도 사이의 균형에 초점을 맞춰 이전 모델에 비해 mean Average Precision (mAP) 및 계산 효율 측면에서 모델의 성능 개선을 검토합니다.

또한, 이 연구는 에지 장치에서 고성능 컴퓨팅 환경에 이르기까지 다양한 애플리케이션 요구를 충족하는 나노부터 초대형에 이르기까지 다양한 모델 크기에 걸쳐 YOLOv11의 다재다능함에 대해 논의합니다.

우리의 연구는 객체 감지의 광범위한 환경 내에서 YOLOv11의 위치와 실시간 컴퓨터 비전 애플리케이션에 미치는 잠재적 영향에 대한 인사이트를 제공합니다.

 

 

 

1   Introduction

빠르게 발전하는 분야인 컴퓨터 비전은 기계가 시각적 데이터를 해석하고 이해할 수 있게 해줍니다 [1].

이 영역의 중요한 측면은 이미지 또는 비디오 스트림 [3] 내에서 객체를 정확하게 식별하고 지역화하는 것과 관련된 객체 감지 [2]입니다.

최근 몇 년 동안 이 문제를 해결하기 위한 알고리즘 접근 방식에서 놀라운 진전이 있었습니다 [4].

 

물체 감지의 중추적인 혁신은 2015년 Redmon et al. [15]이 You Only Look Once (YOLO) 알고리즘을 도입하면서 이루어졌습니다.

이 혁신적인 접근 방식은 이름에서 알 수 있듯이 전체 이미지를 단일 패스로 처리하여 물체와 그 위치를 감지합니다.

YOLO의 방법론은 물체 감지를 회귀 문제로 프레이밍하여 기존의 2단계 감지 프로세스와 차별화됩니다 [5].

단일 컨볼루션 신경망을 사용하여 전체 이미지에서 바운딩 박스와 클래스 확률을 동시에 예측하여 [6] 더 복잡한 기존 방법에 비해 감지 파이프라인을 간소화합니다.

 

YOLOv11은 YOLOv1이 구축한 기반을 바탕으로 한 YOLO 시리즈의 최신 버전입니다.

YOLO Vision 2024 (YV24) 컨퍼런스에서 공개된 YOLOv11은 실시간 물체 감지 기술의 중요한 도약을 의미합니다.

이 새로운 버전은 아키텍처 및 학습 방법론 모두에서 상당한 개선을 도입하여 정확성, 속도 및 효율성의 경계를 허물고 있습니다.

 

YOLOv11의 혁신적인 디자인은 고급 피쳐 추출 기술을 통합하여 lean 파라미터 수를 유지하면서 보다 미묘한 세부 정보를 캡처할 수 있도록 합니다.

그 결과 물체 감지부터 분류에 이르기까지 다양한 컴퓨터 비전 (CV) 작업에서 정확도가 향상되었습니다.

또한 YOLOv11은 처리 속도에서 놀라운 향상을 달성하여 실시간 성능 기능을 크게 향상시킵니다.

 

다음 섹션에서는 YOLOv11의 주요 구성 요소와 혁신을 탐구하는 YOLOv11의 아키텍처에 대한 포괄적인 분석을 제공할 것입니다.

우리는 YOLOv11의 개발을 주도하는 YOLO 모델의 진화를 검토할 것입니다.

이 연구는 물체 감지, 인스턴스 세그멘테이션, 포즈 추정, 방향성 물체 감지 등 다양한 CV 작업에서 모델의 확장된 기능을 탐구할 것입니다.

또한 이전 모델에 비해 정확도와 계산 효율성 측면에서 YOLOv11의 성능 개선 사항을 검토할 것이며, 특히 다양한 모델 크기에 걸친 다재다능함에 중점을 둘 것입니다.

마지막으로, 실시간 CV 애플리케이션에 대한 YOLOv11의 잠재적 영향과 물체 감지 기술의 광범위한 환경 내에서의 위치에 대해 논의할 것입니다.

 

 

표 1: YOLO: 모델의 진화

2   Evolution of YOLO models

표 1은 YOLO 모델의 시작부터 최신 버전까지의 진행 과정을 보여줍니다.

각 반복은 다양한 CV 작업을 처리하는 데 있어 객체 감지 기능, 계산 효율성 및 다재다능함에서 상당한 개선을 가져왔습니다.

 

이러한 진화는 각 버전이 새로운 기능을 도입하고 지원되는 작업의 범위를 확장하는 등 객체 감지 기술의 빠른 발전을 보여줍니다.

오리지널 YOLO의 획기적인 단일 단계 감지부터 YOLOv10의 NMS-free 학습에 이르기까지 이 시리즈는 실시간 객체 감지의 경계를 지속적으로 확장해 왔습니다.

 

최신 버전인 YOLO11은 이러한 유산을 기반으로 피쳐 추출, 효율성 및 멀티태스크 기능이 더욱 향상되었습니다.

후속 분석에서는 향상된 백본 및 넥 구조를 포함한 YOLO11의 아키텍처 혁신과 물체 감지, 인스턴스 세그멘테이션, 포즈 추정과 같은 다양한 컴퓨터 비전 작업 전반에 걸친 성능에 대해 자세히 살펴볼 것입니다.

 

 

 

3   What is YOLOv11?

YOLO 알고리즘의 진화는 실시간 물체 감지 기술의 상당한 발전을 나타내는 YOLOv11 [16]의 도입으로 새로운 차원에 도달했습니다.

이 최신 버전은 이전 버전의 강점을 기반으로 구축되는 동시에 다양한 CV 애플리케이션에 걸쳐 그 유용성을 확장하는 새로운 기능을 도입했습니다.

 

YOLOv11은 기존 물체 감지를 넘어 다양한 CV 작업을 지원하는 향상된 적응력을 통해 차별화됩니다.

이 중 주목할 만한 것은 포즈 추정 및 인스턴스 세그멘테이션으로, 다양한 영역에서 모델의 적용 가능성을 넓히는 것입니다.

YOLOv11의 설계는 다양한 산업 분야에서 특정 과제를 정확성과 효율성을 높여 해결하는 것을 목표로 하는 파워와 실용성의 균형에 중점을 둡니다.

 

이 최신 모델은 실시간 물체 감지 기술의 지속적인 진화를 보여주며 CV 애플리케이션에서 가능한 것의 경계를 허물고 있습니다.

이 모델의 다재다능함과 성능 개선은 YOLOv11을 이 분야에서 중요한 발전으로 자리매김하여 다양한 분야에 걸쳐 실제 구현을 위한 새로운 길을 열어줄 가능성이 있습니다.

 

 

 

4   Architectural footprint of Yolov11

YOLO 프레임워크는 바운딩 박스 회귀 및 객체 분류 작업을 동시에 처리하는 통합 신경망 아키텍처를 도입하여 객체 검출에 혁명을 일으켰습니다 [17].

이 통합 접근 방식은 완전히 미분 가능한 설계를 통해 종단 간 학습 기능을 제공하면서 기존의 2단계 탐지 방법에서 크게 벗어났습니다.

 

핵심에는 세 가지 기본 구성 요소로 구성되어 있습니다.

첫째, 백본은 컨볼루션 신경망을 활용하여 raw 이미지 데이터를 멀티 스케일 피처 맵으로 변환하는 기본 피처 추출기 역할을 합니다.

둘째, 넥 구성 요소는 중간 처리 단계로 작용하여 다양한 스케일에서 피처 표현을 집계하고 향상시킵니다.

셋째, 헤드 구성 요소는 예측 메커니즘으로 기능하여 정제된 피처 맵을 기반으로 객체 지역화 및 분류를 위한 최종 출력을 생성합니다.

그림 1: YOLO11의 주요 아키텍처 모듈

이러한 확립된 아키텍처를 기반으로 YOLO11은 YOLOv8의 기반을 확장하고 강화하여 그림 1과 같이 우수한 탐지 성능을 달성하기 위한 아키텍처 혁신과 파라미터 최적화를 도입합니다.

다음 섹션에서는 YOLO11에 구현된 주요 아키텍처 수정 사항을 자세히 설명합니다:

 

4.1 Backbone

백본은 입력 이미지에서 다양한 스케일의 피쳐를 추출하는 역할을 하는 YOLO 아키텍처의 중요한 구성 요소입니다.

이 프로세스에는 컨볼루션 레이어와 특수 블록을 쌓아 다양한 해상도의 피쳐 맵을 생성하는 것이 포함됩니다.

 

4.1.1 Convolutional Layers

YOLOv11은 이미지를 다운샘플링하기 위해 초기 컨볼루션 레이어를 활용하여 이전 버전과 유사한 구조를 유지합니다.

이러한 레이어는 피쳐 추출 프로세스의 기초를 형성하며, 공간 차원을 점진적으로 줄이면서 채널 수를 늘립니다.

YOLO11의 큰 개선 사항은 이전 버전 [18]에서 사용된 C2f 블록을 대체하는 C3k2 블록의 도입입니다.

C3k2 블록은 Cross Stage Partial (CSP) 병목 현상의 계산 효율적인 구현입니다.

YOLOv8 [13]에서 볼 수 있듯이 하나의 대형 컨볼루션 대신 두 개의 작은 컨볼루션을 사용합니다.

C3k2의 "k2"는 커널 크기가 작다는 것을 나타내며, 이는 성능을 유지하면서 더 빠른 처리에 기여합니다.

 

4.1.2 SPPF and C2PSA

YOLO11은 이전 버전의 Spatial Pyramid Pooling - Fast (SPPF) 블록을 유지하지만 [18] 이후에 Cross Stage Partial with Spatial Attention (C2PSA) 블록을 새로 도입했습니다.

C2PSA 블록은 피처 맵에서 공간 어텐션을 향상시키는 주목할 만한 추가 기능입니다.

이 공간 어텐션 메커니즘을 통해 모델은 이미지 내의 중요한 영역에 더 효과적으로 집중할 수 있습니다.

공간적으로 피처를 풀링함으로써 C2PSA 블록은 YOLO11이 특정 관심 영역에 집중할 수 있게 하여 다양한 크기와 위치의 오브젝트에 대한 감지 정확도를 향상시킬 수 있습니다.

 

4.2 Neck

넥은 다양한 스케일의 피처를 결합하여 헤드로 전송하여 예측합니다.

이 프로세스는 일반적으로 다양한 레벨의 피처 맵을 업샘플링하고 연결하여 모델이 멀티 스케일 정보를 효과적으로 캡처할 수 있도록 합니다.

 

4.2.1 C3k2 Block

YOLO11은 넥의 C2f 블록을 C3k2 블록으로 대체함으로써 상당한 변화를 가져왔습니다.

C3k2 블록은 더 빠르고 효율적으로 설계되어 피쳐 집계 프로세스의 전반적인 성능을 향상시킵니다.

업샘플링 및 concatenation 후 YOLO11의 넥은 이 개선된 블록을 통합하여 향상된 속도와 성능을 제공합니다 [18].

 

4.2.2 Attention Mechanism

YOLO11에 추가된 주목할 만한 기능은 C2PSA 모듈을 통해 공간 어텐션에 대한 집중도가 높아졌다는 점입니다.

이러한 어텐션 메커니즘을 통해 모델은 이미지 내의 주요 영역에 집중할 수 있으며, 특히 더 작거나 부분적으로 가려진 물체에 대해 더 정확한 감지를 할 수 있습니다.

C2PSA의 포함으로 인해 YOLO11은 이러한 특정 어텐션 메커니즘이 없는 이전 모델인 YOLOv8과 차별화됩니다 [18].

 

4.3 Head

YOLOv11의 헤드는 객체 감지 및 분류 측면에서 최종 예측을 생성하는 역할을 합니다.

넥에서 전달된 피쳐 맵을 처리하여 궁극적으로 이미지 내 객체에 대한 바운딩 박스와 클래스 레이블을 출력합니다.

 

4.3.1 C3k2 Block

헤드 섹션에서 YOLOv11은 여러 개의 C3k2 블록을 활용하여 피처 맵을 효율적으로 처리하고 개선합니다.

C3k2 블록은 헤드 내의 여러 경로에 배치되어 서로 다른 뎁스에서 멀티 스케일 피처를 처리하는 기능을 합니다.

C3k2 블록은 c3k 매개 변수의 값에 따라 유연성을 나타냅니다:
 • c3k = False일 때 C3k2 모듈은 표준 병목 구조를 활용하여 C2f 블록과 유사하게 동작합니다.
 • c3k = True일 때 병목 구조는 C3 모듈로 대체되어 더 깊고 복잡한 피쳐를 추출할 수 있습니다.

 

C3k2 블록의 주요 특징:
 • 더 빠른 처리: 두 개의 작은 컨볼루션을 사용하면 단일 큰 컨볼루션에 비해 계산 오버헤드가 줄어들어 더 빠른 피쳐 추출이 가능합니다.
 • 파라미터 효율성: C3k2는 CSP 병목 현상의 더 컴팩트한 버전으로, 학습 가능한 파라미터의 수 측면에서 아키텍처를 더 효율적으로 만듭니다.

 

또 다른 주목할 만한 추가 기능은 커스터마이징 커널 크기를 허용하여 향상된 유연성을 제공하는 C3k 블록입니다.

C3k의 적응력은 특히 이미지에서 더 자세한 피쳐를 추출하는 데 유용하여 탐지 정확도 향상에 기여합니다.

 

4.3.2 CBS Blocks

YOLOv11의 헤드에는 C3k2 블록 다음에 여러 개의 CBS (Convolution-BatchNorm-Silu) [19] 레이어가 포함되어 있습니다.

이 레이어는 피처 맵을 더욱 세분화합니다:
 • 정확한 객체 감지를 위해 관련 피쳐를 추출합니다.
 • 배치 정규화를 통해 데이터 플로우를 안정화하고 정규화합니다.
 • 비선형성을 위해 Sigmoid Linear Unit (SiLU) 활성화 함수를 활용하면 모델 성능이 향상됩니다.

 

CBS 블록은 피챠 추출과 탐지 프로세스 모두에서 기본 구성 요소 역할을 하며, 바운딩 박스 및 분류 예측을 위해 정제된 피쳐 맵이 후속 레이어에 전달되도록 합니다.

 

4.3.3 Final Convolutional Layers and Detect Layer

각 탐지 브랜치는 일련의 Conv2D 레이어로 종료되며, 이 레이어는 바운딩 박스 좌표 및 클래스 예측에 필요한 출력으로 피쳐를 줄입니다.

최종 탐지 레이어는 이러한 예측을 통합하며, 여기에는 다음이 포함됩니다:
 • 이미지에서 객체의 위치를 파악하기 위한 바운딩 박스 좌표입니다.
 • 객체의 존재를 나타내는 객체성 점수입니다.
 • 탐지된 개체의 클래스를 결정하기 위한 클래스 점수입니다.

 

 

 

5   Key Computer Vision Tasks Supported by YOLO11

YOLO11은 다양한 CV 작업을 지원하며 다양한 애플리케이션에서 다재다능함과 강력한 성능을 보여줍니다.

주요 작업에 대한 개요는 다음과 같습니다:
 1. 객체 감지: YOLO11은 이미지 또는 비디오 프레임 내에서 객체를 식별하고 지역화하는 데 탁월하여 감지된 각 항목에 대한 바운딩 박스를 제공합니다 [20]. 이 기능은 정확한 객체 식별이 중요한 감시 시스템, 자율 주행 차량 및 소매 분석 분야에서 응용 프로그램을 찾습니다 [21].
 2. 인스턴스 세그멘테이션: YOLO11은 단순한 감지를 넘어 픽셀 레벨까지 이미지 내에서 개별 물체를 식별하고 분리할 수 있습니다 [20]. 이 세분화된 세그멘테이션은 정밀한 장기 또는 종양 묘사를 위한 의료 영상과 상세한 결함 감지를 위한 제조에서 특히 유용합니다 [21].
 3. 이미지 분류: YOLOv11은 전체 이미지를 미리 정해진 범주로 분류할 수 있으므로 이커머스 플랫폼의 제품 분류 또는 생태학 연구의 야생동물 모니터링과 같은 애플리케이션에 이상적입니다 [21].
 4. 포즈 추정: 이 모델은 이미지 또는 비디오 프레임 내에서 특정 키포인트를 감지하여 움직임이나 자세를 추적할 수 있습니다. 이 기능은 피트니스 추적 애플리케이션, 스포츠 경기력 분석 및 동작 평가가 필요한 다양한 의료 애플리케이션에 유용합니다 [21].
 5. Oriented Object Detection (OBB): YOLO11은 방향 각도로 물체를 감지하는 기능을 도입하여 회전된 물체의 보다 정확한 위치를 파악할 수 있도록 지원합니다. 이 기능은 물체 방향이 중요한 항공 이미지 분석, 로봇 공학 및 창고 자동화 작업에서 특히 유용합니다 [21].
 6. 객체 추적: 이미지 또는 비디오 프레임 시퀀스에서 객체의 경로를 식별하고 추적합니다 [21]. 이 실시간 추적 기능은 교통 모니터링, 스포츠 분석 및 보안 시스템과 같은 애플리케이션에 필수적입니다.

표 2: YOLOv11 모델 변형 및 작업

표 2는 YOLOv11 모델 변형과 해당 작업의 개요를 설명합니다.

각 변형은 물체 감지부터 포즈 추정에 이르기까지 특정 사용 사례를 위해 설계되었습니다.

또한 모든 변형은 추론, 검증, 학습 및 내보내기와 같은 핵심 기능을 지원하므로 YOLOv11은 다양한 CV 애플리케이션을 위한 다용도 도구가 될 수 있습니다.

 

 

 

6   Advancements and Key Features of YOLOv11

YOLOv11은 2024년 초에 도입된 이전 모델인 YOLOv9 및 YOLOv10의 기반을 바탕으로 물체 감지 기술의 상당한 발전을 의미합니다.

Ultralytics의 이번 최신 버전에서는 향상된 아키텍처 설계, 더욱 정교한 피쳐 추출 기술 및 정제된 학습 방법론을 선보입니다.

YOLOv11의 빠른 처리, 높은 정확도 및 계산 효율성의 시너지는 현재까지 Ultralytics 포트폴리오에서 가장 강력한 모델 중 하나로 자리매김하고 있습니다 [22].

YOLOv11의 핵심 강점은 까다로운 시나리오에서도 미묘한 세부 사항을 쉽게 감지할 수 있는 정제된 아키텍처에 있습니다.

모델의 향상된 피쳐 추출 기능을 통해 이미지 내에서 더 광범위한 패턴과 복잡한 요소를 식별하고 처리할 수 있습니다.

이전 버전과 비교하여 YOLOv11은 몇 가지 주목할 만한 개선 사항을 소개합니다:

 1. 복잡성 감소로 향상된 정밀도: YOLOv11m 변형은 COCO 데이터 세트에서 우수한 mean Average Precision(mAP) 점수를 달성하는 동시에 YOLOv8m보다 22% 적은 매개변수를 활용하여 정확도 저하 없이 향상된 계산 효율성을 입증합니다 [23].
 2. CV 작업의 다재다능함: YOLOv11은 포즈 추정, 물체 인식, 이미지 분류, 인스턴스 세그멘테이션, oriented bounding box (OBB) 감지 등 다양한 CV 애플리케이션에서 숙련도를 보여줍니다 [23].
 3. 최적화된 속도와 성능: YOLOv11은 정교한 아키텍처 설계와 간소화된 학습 파이프라인을 통해 정확도와 계산 효율성 사이의 균형을 유지하면서 더 빠른 처리 속도를 달성합니다 [23].
 4. 간소화된 파라미터 수: 파라미터의 감소는 YOLOv11 [22]의 전반적인 정확도에 큰 영향을 미치지 않으면서도 더 빠른 모델 성능에 기여합니다.
 5. 고급 피쳐 추출: YOLOv11은 백본 및 넥 아키텍처의 개선 사항을 모두 통합하여 향상된 피쳐 추출 기능과 결과적으로 더 정확한 물체 감지 기능을 제공합니다 [23].
 6. 컨텍스트 적응성: YOLOv11은 클라우드 플랫폼, 엣지 디바이스, NVIDIA GPU에 최적화된 시스템 등 다양한 배포 시나리오에서 다재다능함을 보여줍니다 [23].

 

YOLOv11 모델은 이전 모델과 비교하여 추론 속도와 정확도 모두에서 상당한 발전을 보여줍니다.

벤치마크 분석에서 YOLOv11은 YOLOv5 [24]와 같은 변형을 포함한 여러 이전 모델과 YOLOv10과 같은 최신 변형과 비교되었습니다.

그림 2에 제시된 바와 같이, YOLOv11은 이러한 모델을 지속적으로 능가하여 COCO 데이터 세트에서 우수한 mAP를 달성하는 동시에 더 빠른 추론 속도 [25]를 유지합니다.

그림 2: 이전 버전과 비교한 YOLOv11 벤치마킹 [23]

그림 2에 묘사된 성능 비교 그래프는 몇 가지 주요 인사이트에 걸쳐 있습니다.

YOLOv11 변형 (11n, 11s, 11m, 11x)은 서로 다른 성능 프론티어를 형성하며, 각 모델은 각 지연 시간 지점에서 더 높은 COCO mAP50-95 점수를 달성합니다.

특히 YOLOv11x는 13ms 지연 시간에서 약 54.5%의 mAP^50-95를 달성하여 이전의 모든 YOLO 반복을 능가합니다.

중간 변형, 특히 YOLOv11m은 이전 세대의 대형 모델과 비슷한 정확도를 달성하는 동시에 처리 시간을 훨씬 적게 요구함으로써 탁월한 효율성을 입증합니다.

 

특히 주목할 만한 관찰은 이전에는 훨씬 덜 정확한 모델과 관련된 속도로 작동하면서 높은 정확도 (약 47% mAP^50-95)를 유지하는 저지연 체제 (2~6ms)의 성능 도약입니다.

이는 속도와 정확도가 모두 중요한 실시간 애플리케이션에서 중요한 발전을 의미합니다.

또한 YOLOv11의 개선 곡선은 모델 변형 전반에 걸쳐 더 나은 확장 특성을 보여 이전 세대에 비해 추가 계산 리소스를 더 효율적으로 활용할 수 있음을 시사합니다.

 

 

 

7   Discussion

YOLO11은 이전 모델을 기반으로 혁신적인 개선 사항을 도입하는 동시에 물체 감지 기술의 중요한 도약을 의미합니다.

이 최신 버전은 다양한 CV 작업에서 놀라운 다재다능함과 효율성을 보여줍니다.

 1. 효율성 및 확장성: YOLO11은 nano부터 extra-large에 이르기까지 다양한 모델 크기를 도입하여 다양한 애플리케이션 요구 사항을 충족합니다. 이러한 확장성을 통해 리소스가 제한된 에지 장치부터 고성능 컴퓨팅 환경에 이르기까지 다양한 시나리오에 배포할 수 있습니다. 특히 nano 변형은 이전 모델에 비해 인상적인 속도와 효율성 개선을 보여주어 실시간 애플리케이션에 이상적입니다.
 2. 아키텍처 혁신: 이 모델은 피쳐 추출 및 처리 기능을 향상시키는 새로운 아키텍처 요소를 통합합니다. C3k2 블록, SPPF, C2PSA와 같은 새로운 요소의 통합은 보다 효과적인 피쳐 추출 및 처리에 기여합니다. 이러한 개선 사항을 통해 모델은 복잡한 시각 정보를 더 잘 분석하고 해석하여 다양한 시나리오에서 감지 정확도를 향상시킬 수 있습니다.
 3. 멀티태스킹 숙련도: YOLO11의 다재다능함은 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 방향성 있는 객체 감지와 같은 작업을 포괄하여 객체 감지를 넘어 확장됩니다. 이 다각적인 접근 방식은 다양한 CV 문제를 위한 포괄적인 솔루션으로 YOLO11을 포지셔닝합니다.
 4. 향상된 어텐션 메커니즘: YOLO11의 핵심 발전은 정교한 공간 어텐션 메커니즘, 특히 C2PSA 구성 요소의 통합입니다. 이 기능을 통해 모델은 이미지 내의 중요한 영역에 더 효과적으로 집중하여 물체를 감지하고 분석하는 기능을 향상시킬 수 있습니다. 향상된 어텐션 기능은 특히 복잡한 또는 부분적으로 가려진 물체를 식별하여 물체 감지 작업에서 흔히 발생하는 문제를 해결하는 데 유용합니다. 이러한 공간 인식 개선은 특히 어려운 시각 환경에서 YOLO11의 전반적인 성능 개선에 기여합니다.
 5. 성능 벤치마크: 비교 분석 결과, 특히 더 작은 변형에서 YOLO11의 우수한 성능이 입증되었습니다. nano 모델은 파라미터가 약간 증가했음에도 불구하고 이전 모델에 비해 향상된 추론 속도와 초당 프레임 수 (FPS)를 보여줍니다. 이러한 개선은 YOLO11이 계산 효율성과 탐지 정확도 사이에서 유리한 균형을 달성했음을 시사합니다.
 6. 실제 애플리케이션에 대한 시사점: YOLO11의 발전은 다양한 산업에 중요한 영향을 미칩니다. 향상된 효율성과 멀티태스킹 기능으로 인해 자율주행차, 감시 시스템 및 산업 자동화 분야의 애플리케이션에 특히 적합합니다. 다양한 스케일에서 우수한 성능을 발휘할 수 있는 이 모델의 기능은 또한 성능 저하 없이 리소스가 제한된 환경에서 배포할 수 있는 새로운 가능성을 열어줍니다.

 

 

 

8   Conclusion

YOLOv11은 향상된 성능과 다재다능함의 매력적인 조합을 제공하는 CV 분야에서 상당한 발전을 이루었습니다.

이 최신 버전의 YOLO 아키텍처는 정확도와 처리 속도를 현저하게 개선하는 동시에 필요한 파라미터의 수를 줄였습니다.

이러한 최적화를 통해 YOLOv11은 에지 컴퓨팅부터 클라우드 기반 분석에 이르기까지 광범위한 애플리케이션에 특히 적합합니다.

 

객체 감지, 인스턴스 세그멘테이션, 포즈 추정 등 다양한 작업에 걸쳐 모델을 적응시킬 수 있어 감정 감지 [26], 헬스케어 [27] 및 기타 다양한 산업 [17]과 같은 다양한 산업에 유용한 도구로 자리매김하고 있습니다.

원활한 통합 기능과 향상된 효율성으로 인해 CV 시스템을 구현하거나 업그레이드하려는 기업에게 매력적인 옵션이 될 수 있습니다.

요약하면, YOLOv11은 향상된 피쳐 추출, 최적화된 성능, 광범위한 작업 지원을 결합하여 연구 및 실제 응용 분야에서 복잡한 시각 인식 문제를 해결할 수 있는 강력한 솔루션으로 자리매김하고 있습니다.