EfficientDet 대 PP-YOLOE+#
컴퓨터 비전 분야는 객체 탐지 모델의 지속적인 발전으로 크게 변화해 왔습니다. 이 여정에서 중요한 두 가지 이정표는 Google의 EfficientDet과 Baidu의 PP-YOLOE+입니다. 두 아키텍처 모두 계산 효율성과 탐지 정확도 사이의 미묘한 균형을 맞추도록 설계되었지만, 이 과제에 접근하는 설계 철학은 근본적으로 다릅니다.
본 종합 가이드에서는 아키텍처, 학습 방법론 및 실제 배포 시나리오를 분석하여 다음 computer vision application에 가장 적합한 신경망을 선택할 수 있도록 돕습니다.
아키텍처 혁신 및 설계 철학#
엣지 디바이스든 클라우드 서버든 프로덕션 환경에 이 모델들을 효과적으로 배포하려면 이들의 기초 아키텍처를 이해하는 것이 중요합니다.
EfficientDet: 복합 스케일링의 힘#
Google Research에서 개발한 EfficientDet은 모델 스케일링을 임시 방편적인 과정이 아닌 수학적으로 원칙을 지키는 복합 스케일링 방법으로 다룸으로써 패러다임의 변화를 가져왔습니다.
- 저자: Mingxing Tan, Ruoming Pang, Quoc V. Le
- 조직: Google Research
- 날짜: 2019-11-20
- Arxiv: 1911.09070
- GitHub: google/automl
- 문서: EfficientDet Documentation
EfficientDet의 핵심 혁신은 **Bi-directional Feature Pyramid Network (BiFPN)**에 있습니다. 상향식(top-down)으로만 특징을 합산하는 기존 FPN과 달리, BiFPN은 학습 가능한 가중치를 도입하여 상향식 및 하향식 모두에서 교차 스케일 특징 융합을 수행합니다. 이를 통해 네트워크는 다양한 입력 특징의 중요성을 직관적으로 파악할 수 있습니다. EfficientNet backbone과 결합된 EfficientDet은 해상도, 깊이, 너비를 동시에 확장하여 다양한 연산 예산에 맞춘 모델 제품군(d0부터 d7까지)을 제공합니다.
EfficientDet을 배포할 때는 타겟 하드웨어를 신중하게 고려하십시오. d0는 모바일 디바이스에 적합하지만, d7까지 스케일링하려면 상당한 GPU 메모리와 연산 능력이 필요합니다.
PP-YOLOE+: PaddlePaddle의 한계를 넘어서#
이전 모델들의 성공을 바탕으로 개발된 PP-YOLOE+는 Baidu의 PaddlePaddle 팀이 고처리량 서버 배포에 최적화된 최첨단 성능을 제공하기 위해 엔지니어링했습니다.
- 저자: PaddlePaddle 저자진
- 조직: Baidu
- 날짜: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- 문서: PP-YOLOE+ Configuration
PP-YOLOE+는 Cross Stage Partial 네트워크와 재매개변수화 기법을 결합하여 추론 지연 시간 증가 없이 피처 추출을 강화하는 CSPRepResNet 백본을 특징으로 합니다. **ET-head(Efficient Task-aligned head)**는 분류 및 로컬라이제이션 작업 간의 정렬을 크게 개선합니다. 또한 앵커 프리(anchor-free) 설계와 동적 레이블 할당(TAL)을 결합하여 학습 과정을 간소화하고 다양한 데이터셋에 대한 일반화 성능을 향상시킵니다.
성능 지표 및 벤치마크#
real-time inference용 모델을 선택할 때, mean Average Precision (mAP)과 연산 속도 간의 균형을 평가하는 것이 가장 중요합니다. 아래 표에는 두 모델 제품군의 주요 성능 지표가 요약되어 있습니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
살펴본 바와 같이, PP-YOLOE+는 동일한 파라미터 수에서 일반적으로 더 높은 정확도 피크를 달성하며, 특히 더 큰 변형(l 및 x)에서 두드러집니다. 이 모델은 GPU 처리량에 최적화되어 있어 batch processing server deployments에 매우 적합한 후보입니다. 반면, 더 작은 EfficientDet 모델은 매우 효율적인 파라미터 대 FLOP 비율을 제공하므로 메모리가 극도로 제한된 환경에서 유리할 수 있습니다.
이상적인 사용 사례 및 배포 전략#
이 아키텍처들 사이에서 선택하는 것은 기존 기술 스택과 배포 하드웨어에 크게 좌우되는 경우가 많습니다.
EfficientDet을 선택해야 할 때:
- AutoML 워크플로우: Google 생태계에 깊이 투자되어 있고 자동화된 아키텍처 탐색 기능에 의존하는 경우.
- 자원 제약이 있는 엣지: 하위 모델(d0, d1)은 파라미터 풋프린트가 엄격한 제약 사항인 모바일 CPU에서 예측 가능한 성능을 제공합니다.
PP-YOLOE+를 선택해야 할 때:
- 고성능 GPU 서버: smart city surveillance를 위해 수백 개의 동영상 스트림을 동시에 처리하는 등 NVIDIA 하드웨어에서 최대 처리량을 요구하는 시나리오.
- PaddlePaddle 생태계: 개발 팀이 이미 Baidu의 딥러닝 프레임워크를 사용 중이라면 PP-YOLOE+ 통합은 매우 원활합니다.
Ultralytics의 강점: YOLO26 소개#
EfficientDet과 PP-YOLOE+는 훌륭한 모델이지만, 급변하는 AI 혁신 속도는 최첨단 성능과 뛰어난 사용 편의성을 모두 제공하는 솔루션을 요구합니다. 바로 이 점에서 Ultralytics YOLO26이 탁월하며, 현대 컴퓨터 비전 애플리케이션을 위한 최고의 선택으로 자리 잡았습니다.
2026년에 출시된 YOLO26은 네이티브 End-to-End NMS-Free Design을 도입하여 실시간 객체 탐지를 완전히 재정의합니다. 이전 모델들에서 고질적인 병목 현상이었던 NMS(Non-Maximum Suppression) 후처리를 제거함으로써, YOLO26은 배포를 획기적으로 단순화하고 추론 지연 시간 지터를 감소시킵니다.
또한 YOLO26은 에지 배포에 최적화되어 있습니다. DFL(Distribution Focal Loss)을 제거하여 ONNX 및 TensorRT 같은 포맷으로의 내보내기 프로세스가 단순화되었으며, 이전 세대에 비해 CPU 추론 속도가 최대 43% 향상되었습니다. 덕분에 battery-powered IoT devices에 강력한 성능을 제공합니다.
YOLO26은 SGD와 Muon의 하이브리드인 혁신적인 MuSGD 옵티마이저를 통합했습니다. LLM 학습의 발전에 영감을 받은 이 옵티마이저는 고도로 안정적인 학습과 빠른 수렴을 보장하여 귀중한 GPU 연산 시간을 절약해 줍니다.
개발자는 ProgLoss + STAL을 포함한 YOLO26의 고급 손실 함수를 활용할 수 있으며, 이는 항공 이미지 및 precision agriculture applications의 핵심 요구사항인 소형 객체 인식에서 놀라운 성능 향상을 보여줍니다.
Ultralytics를 통한 원활한 배포#
Ultralytics의 진정한 힘은 통합된 생태계에 있습니다. 복잡하고 맞춤화된 학습 스크립트가 필요한 모델들과 달리, YOLO26은 놀라울 정도로 간소화된 API를 제공합니다. 커스텀 데이터셋에서 모델을 학습시키는 데는 단 몇 줄의 Python 코드면 충분합니다:
from ultralytics import YOLO
# Load a pre-trained YOLO26 model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run an inference on a new image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Export to ONNX format for deployment
model.export(format="onnx")표준 감지가 필요하든 인스턴스 세분화 및 pose estimation 같은 특화된 작업이 필요하든, YOLO26은 동일한 사용자 친화적 프레임워크 내에서 멀티 스케일 프로토타입과 RLE(Residual Log-Likelihood Estimation)를 통해 이를 기본적으로 지원합니다.
다른 주목할 만한 모델 살펴보기#
특정 엔터프라이즈 요구사항에 맞춰 아키텍처를 평가하는 경우, 검증된 프로덕션용 워크호스로 남겨진 이전 세대 Ultralytics YOLO11을 고려해 보는 것도 좋습니다. 트랜스포머 기반 아키텍처가 선호되는 애플리케이션의 경우 RT-DETR이 흥미로운 대안을 제공하지만, 매우 효율적인 YOLO 변형에 비해 학습 중 더 높은 CUDA 메모리 오버헤드가 요구되는 경향이 있습니다.
결론적으로 EfficientDet은 원칙적인 스케일링을 제공하고 PP-YOLOE+는 특정 프레임워크 내에서 뛰어난 GPU 처리량을 제공하지만, Ultralytics YOLO26은 오늘날 사용할 수 있는 가장 균형 잡히고 다재다능하며 개발자 친화적인 솔루션을 제공합니다. 네이티브한 종단간(End-to-End) 아키텍처와 광범위한 통합 기능 덕분에 차세대 비전 AI의 기반으로 추천되는 모델입니다.