EfficientDet과 PP-YOLOE+ 비교

컴퓨터 비전은 객체 탐지 모델의 꾸준한 발전을 통해 형성되어 왔습니다. 중요한 이정표로는 Google의 EfficientDet과 Baidu의 PP-YOLOE+가 있습니다. 두 아키텍처 모두 계산 효율성과 탐지 정확도의 균형을 추구하지만, 근본적으로 다른 설계 철학으로 이 과제에 접근합니다.

이 가이드에서는 다음 컴퓨터 비전 애플리케이션에 적합한 신경망을 선택할 수 있도록 두 모델의 아키텍처, 학습 방법, 실제 배포 시나리오를 살펴봅니다.

아키텍처 혁신과 설계 철학#

엣지 디바이스나 클라우드 서버 등 프로덕션 환경에서 모델을 효과적으로 배포하려면 모델의 기반 아키텍처를 이해하는 것이 중요합니다.

EfficientDet: 복합 스케일링의 강점#

Google Research가 개발한 EfficientDet은 임의적인 스케일링을 체계적인 복합 스케일링 방식으로 대체해 탐지기의 확장 방식을 바꾸었습니다.

EfficientDet에 대해 자세히 알아보기

EfficientDet의 핵심 혁신은 양방향 특징 피라미드 네트워크(BiFPN)입니다. 특징을 하향식으로만 합산하는 기존 FPN과 달리 BiFPN은 학습 가능한 가중치를 도입해 하향식 및 상향식 양방향으로 교차 스케일 특징을 융합합니다. 이를 통해 네트워크는 다양한 입력 특징의 중요도를 학습할 수 있습니다. EfficientNet 백본과 결합된 EfficientDet은 해상도, 깊이, 너비를 동시에 확장해 서로 다른 계산 예산에 맞는 모델 제품군(d0~d7)을 구성합니다.

EfficientDet 스케일링

EfficientDet을 배포할 때는 대상 하드웨어를 신중하게 고려해야 합니다. d0는 모바일 디바이스에 적합하지만, d7로 스케일을 높이려면 상당한 GPU 메모리와 연산 성능이 필요합니다.

PP-YOLOE+: PaddlePaddle의 한계를 넓히다#

PP-YOLOE+는 이전 모델의 성과를 바탕으로 Baidu의 PaddlePaddle 팀이 개발했으며, 높은 처리량의 서버 배포에 최적화된 높은 정확도를 제공합니다.

PP-YOLOE+ 자세히 알아보기

PP-YOLOE+는 CSPRepResNet 백본을 사용합니다. 이 백본은 Cross Stage Partial 네트워크와 재매개변수화 기법을 결합해 추론 지연 시간을 늘리지 않으면서 특징 추출을 향상합니다. ET-head(효율적인 작업 정렬 헤드)는 분류와 위치 추정 작업 간의 정렬을 크게 개선합니다. 또한 동적 레이블 할당(TAL)과 결합된 앵커 프리 설계를 사용해 학습 과정을 간소화하고 다양한 데이터 세트에서 일반화 성능을 향상합니다.

성능 지표 및 벤치마크#

실시간 추론 모델을 선택할 때는 평균 정밀도(mAP)와 연산 속도의 균형을 평가하는 것이 무엇보다 중요합니다. 아래 표에는 두 모델 제품군의 주요 성능 지표가 정리되어 있습니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

앞서 살펴본 것처럼 PP-YOLOE+는 일반적으로 동일한 파라미터 수에서 더 높은 정확도 최고치를 달성하며, 특히 대형 변형 모델(l 및 x)에서 그렇습니다. GPU 처리량에 최적화되어 배치 처리 서버 배포에 적합한 후보입니다. 반면 소형 EfficientDet 모델은 파라미터와 FLOPs 수가 매우 적어 메모리가 극도로 제한된 환경에서 유리할 수 있습니다.

적합한 사용 사례 및 배포 전략#

이러한 아키텍처 중 하나를 선택할 때는 기존 기술 스택과 배포 하드웨어가 중요한 기준이 되는 경우가 많습니다.

EfficientDet을 선택할 경우:

  • AutoML 워크플로: Google 생태계에 크게 의존하며 자동 아키텍처 탐색 기능을 활용하는 경우입니다.
  • 리소스 제약이 있는 엣지 환경: 하위 모델(d0, d1)은 파라미터 수가 적어(3.9M 및 6.6M) 모델 크기가 엄격한 제약 조건인 디바이스에 적합합니다.

PP-YOLOE+를 선택할 경우:

  • 고성능 GPU 서버: 스마트 시티 감시를 위해 수백 개의 동시 비디오 스트림을 처리하는 등 NVIDIA 하드웨어에서 최대 처리량이 필요한 시나리오입니다.
  • PaddlePaddle 생태계: 개발 팀이 이미 Baidu의 딥러닝 프레임워크를 사용한다면 PP-YOLOE+를 간편하게 통합할 수 있습니다.

Ultralytics의 강점: YOLO26 소개#

EfficientDet과 PP-YOLOE+는 성능이 뛰어난 모델이지만, 최신 프로젝트에는 높은 성능과 사용 편의성을 모두 갖춘 솔루션이 필요합니다. 이러한 점에서 Ultralytics YOLO26은 최신 컴퓨터 비전 애플리케이션에 권장되는 선택지로 두각을 나타냅니다.

2026년 1월에 출시된 YOLO26은 기본 End-to-End NMS-Free Design을 도입했습니다. 이전 모델의 지속적인 병목 현상이었던 비최대 억제(NMS) 후처리를 선택적으로 생략하여(nms=False), YOLO26은 배포를 간소화하고 추론 지연 시간의 변동을 줄입니다.

YOLO26은 엣지 배포에도 최적화되어 있습니다. 분포 초점 손실(DFL)을 제거해 ONNX 및 TensorRT와 같은 형식으로 내보내는 과정이 간소화되며, YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠릅니다. 따라서 배터리로 구동되는 IoT 장치에 적합합니다.

MuSGD를 통한 안정적인 학습

YOLO26에는 SGD와 Muon을 결합한 하이브리드 옵티마이저인 MuSGD Optimizer가 적용되었습니다. LLM 학습의 발전에서 영감을 얻은 이 옵티마이저는 안정적인 학습과 빠른 수렴을 제공하여 GPU 연산 시간을 절약합니다.

또한 개발자는 YOLO26의 점진적 손실과 소형 객체 인식형 레이블 할당(ProgLoss + STAL)의 이점을 얻을 수 있습니다. 이는 항공 이미지와 정밀 농업 애플리케이션의 핵심 요구사항인 소형 객체 인식 성능을 높입니다.

Ultralytics를 사용한 배포#

Ultralytics의 가장 큰 강점은 통합 생태계입니다. 복잡한 맞춤형 학습 스크립트가 필요한 모델과 달리, YOLO26은 간소화된 API를 제공합니다. 사용자 지정 데이터셋으로 모델을 학습하는 데는 Python 코드 몇 줄이면 충분합니다.

from ultralytics import YOLO

# 사전 학습된 YOLO26 모델을 불러옵니다
model = YOLO("yolo26n.pt")

# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 새 이미지에서 추론을 실행합니다
predictions = model("https://ultralytics.com/images/bus.jpg")

# 배포를 위해 ONNX 형식으로 내보냅니다
model.export(format="onnx")

일반적인 탐지부터 인스턴스 분할 및 자세 추정과 같은 특수 작업까지, YOLO26은 다중 스케일 프로토타입과 잔차 로그 우도 추정(RLE)을 활용해 사용하기 쉬운 동일한 프레임워크에서 이러한 작업을 기본적으로 지원합니다.

그 밖의 주목할 만한 모델 살펴보기#

특정 엔터프라이즈 요구사항에 적합한 아키텍처를 평가하는 경우, 안정적이고 프로덕션 환경에서 검증된 모델인 이전 세대 Ultralytics YOLO11도 고려해 볼 만합니다. Transformer 기반 아키텍처가 필요한 애플리케이션에는 RT-DETR이 흥미로운 대안이지만, 학습 시 일반적으로 더 효율적인 YOLO 변형 모델보다 많은 CUDA 메모리를 요구합니다.

결론적으로 EfficientDet은 원리에 기반한 스케일링을 제공하고 PP-YOLOE+는 자체 프레임워크 내에서 뛰어난 GPU 처리량을 제공하지만, Ultralytics YOLO26은 현재 가장 균형 잡히고 다재다능하며 개발자 친화적인 솔루션입니다. 기본 엔드투엔드 아키텍처와 폭넓은 통합 기능 덕분에 차세대 비전 AI를 위한 권장 기반으로 활용할 수 있습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.