PP-YOLOE+와 EfficientDet 비교#
견고한 컴퓨터 비전 애플리케이션을 구축할 때 적절한 아키텍처를 선택하는 것은 매우 중요합니다. 이 기술 가이드에서는 잘 알려진 두 객체 탐지 모델인 PP-YOLOE+와 EfficientDet의 장단점을 살펴봅니다. 두 모델의 아키텍처를 분석하고 성능 지표를 살펴본 뒤, 각 모델에 적합한 배포 시나리오를 알아봅니다.
두 모델 모두 이 분야에 크게 기여했지만, Ultralytics YOLO26과 같은 최신 대안은 훨씬 뛰어난 메모리 효율성, 빠른 추론 속도, 간소화된 개발자 경험을 제공한다는 점도 살펴보겠습니다.
아키텍처 개요: PP-YOLOE+#
PP-YOLOE+는 기존 PP-YOLO를 발전시킨 모델로, PaddlePaddle 에코시스템에서 서버 측 GPU 성능을 최적화하도록 특별히 개발되었습니다. 앵커 프리 패러다임에 중점을 두고 기본 아키텍처를 여러 측면에서 개선했습니다.
- 저자: PaddlePaddle 저자
- 기관: Baidu
- 날짜: 2022-04-02
- Arxiv: 2203.16250
- 문서: PaddleDetection README
PP-YOLOE+는 CSPRepResNet 백본과 효율적인 태스크 정렬 헤드(ET-head)를 특징으로 하며, 분류에는 배리포컬 손실을, 바운딩 박스 회귀에는 분포 초점 손실을 주로 사용합니다. 앵커 프리 검출기 설계로 전환하면서 후처리 파이프라인을 간소화하여 출시 당시 매우 경쟁력 있는 모델로 자리 잡았습니다.
Baidu의 PaddlePaddle 프레임워크를 이미 적극적으로 사용하는 팀은 인스턴스 세그멘테이션과 같은 작업에 PP-YOLOE+를 도입하기가 더 쉽다고 느끼는 경우가 많습니다. 다만 최신 도구에서 제공하는 폭넓은 멀티 프레임워크 지원은 부족합니다.
아키텍처 개요: EfficientDet#
EfficientDet은 객체 탐지에 매우 다른 접근 방식을 적용하며, 신경 아키텍처 탐색과 복합 스케일링 원칙을 적극적으로 활용합니다.
- 저자: Mingxing Tan, Ruoming Pang, Quoc V. Le
- 조직: Google
- 날짜: 2019-11-20
- Arxiv: 1911.09070
- 문서: Brain AutoML README
EfficientDet의 핵심은 양방향 특징 피라미드 네트워크(BiFPN)입니다. 기존 FPN과 달리 BiFPN은 학습 가능한 가중치를 도입해 다양한 입력 특징의 중요도를 학습하므로, 멀티스케일 특징을 쉽고 빠르게 융합할 수 있습니다. EfficientNet 백본과 결합된 EfficientDet은 네트워크의 너비, 깊이, 해상도를 동시에 체계적으로 확장합니다.
이론적으로 FLOPs 측면에서 매우 효율적이지만, EfficientDet 모델은 복잡한 메모리 액세스 패턴 때문에 이론상의 효율성을 엣지 기기에서 실제 속도로 구현하는 데 어려움을 겪기도 합니다. 이는 YOLO 기반 모델의 낮은 메모리 요구량과 크게 대조됩니다.
성능 분석 및 벤치마크#
아래 표에서는 표준 COCO와 같은 데이터셋에서의 주요 지표를 비교합니다. 평균 정밀도(mAP)와 추론 속도를 비교하면 파레토 프런티어를 명확하게 파악할 수 있습니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
표에서 볼 수 있듯이 PP-YOLOE+는 고성능 GPU에서 순수 mAP를 더 잘 높이는 반면, EfficientDet은 파라미터 수를 최소화하는 데 초점을 둡니다. 하지만 두 모델 모두 최첨단 엣지 AI에 필요한 최신 실시간 성능에는 미치지 못합니다.
사용 사례 및 권장 사항#
PP-YOLOE+와 EfficientDet 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 에코시스템 선호도에 따라 달라집니다.
PP-YOLOE+를 선택할 경우#
PP-YOLOE+는 다음과 같은 경우에 적합합니다.
- PaddlePaddle 생태계 통합: Baidu의 PaddlePaddle 프레임워크와 도구를 기반으로 기존 인프라를 구축한 조직.
- Paddle Lite 엣지 배포: Paddle Lite 또는 Paddle 추론 엔진에 맞춰 특별히 최적화된 추론 커널을 갖춘 하드웨어에 배포하는 경우.
- 높은 정확도의 서버 측 감지: 프레임워크 종속성이 문제가 되지 않는 고성능 GPU 서버에서 최대 감지 정확도를 우선시하는 시나리오.
EfficientDet을 선택해야 하는 경우#
다음과 같은 경우 EfficientDet을 권장합니다.
- Google Cloud 및 TPU 파이프라인: EfficientDet이 기본 최적화된 Google Cloud Vision API 또는 TPU 인프라와 긴밀하게 통합된 시스템입니다.
- 복합 스케일링 연구: 네트워크 깊이, 너비, 해상도를 균형 있게 조정하는 효과를 연구하는 데 중점을 둔 학술 벤치마킹입니다.
- LiteRT를 통한 모바일 배포: Android 또는 임베디드 Linux 장치용으로 LiteRT(구 TensorFlow Lite) 내보내기가 필요한 프로젝트입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
최신 대안: Ultralytics YOLO26#
PP-YOLOE+와 EfficientDet은 중요한 역사적 이정표이지만, 최첨단 정확도와 낮은 메모리 사용량, 간소화된 사용자 경험을 원하는 개발자라면 Ultralytics YOLO26을 고려해야 합니다.
YOLO26은 객체 탐지 분야를 크게 발전시키며 몇 가지 핵심 혁신을 도입했습니다:
- 엔드투엔드 NMS 프리 설계: YOLOv10의 혁신을 바탕으로 개발된 YOLO26의 선택형 엔드투엔드 헤드(
nms=False)는 추론 중 비최대 억제(NMS)를 수행하지 않습니다. 따라서 지연 시간이 크게 줄어들고 복잡한 후처리 병목 현상이 사라집니다. - MuSGD 옵티마이저: LLM 학습 혁신에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드 옵티마이저를 사용합니다. 이를 통해 학습 안정성이 크게 향상되고 수렴 시간이 단축됩니다.
- 탁월한 속도: YOLO26은 YOLO11과 같은 이전 세대 모델보다 CPU 추론 속도가 최대 43% 빠르므로, 배터리 구동 엣지 기기나 CPU 전용 엣지 기기에 가장 적합합니다.
- 고급 손실 함수: ProgLoss와 STAL을 통합하여 소형 객체 인식 성능을 크게 높였습니다. 이는 드론 분석 및 로보틱스와 같은 작업에 필수적입니다.
탐지에만 집중하는 EfficientDet과 달리 YOLO26은 잘 유지 관리되는 동일한 에코시스템에서 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB)를 모두 기본 지원합니다.
사용 편의성 및 에코시스템 통합#
EfficientDet과 같은 레거시 모델의 가장 큰 단점 중 하나는 학습 파이프라인과 자동화된 머신러닝 설정이 복잡하다는 점입니다. 이에 비해 Ultralytics Platform은 탁월한 개발자 경험을 제공합니다.
Ultralytics를 사용하면 몇 줄의 코드만으로 모델을 배포할 수 있어, 이전 프레임워크에서 요구하는 장황한 구성 과정과 큰 차이를 보입니다.
from ultralytics import YOLO
# 사전 학습된 YOLO26 모델 로드
model = YOLO("yolo26s.pt")
# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100)
# 엔드투엔드 헤드를 사용해 테스트 이미지에서 NMS 프리 추론을 실행합니다
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)다른 대안을 알아보는 경우, RT-DETR이나 레거시 모델인 YOLOv8과 같은 아키텍처도 Ultralytics 에코시스템에서 사용할 수 있으므로 모델을 원활하게 바꾸고 테스트할 수 있습니다.
결론#
PP-YOLOE+는 Paddle 에코시스템을 활용하는 특정 서버 배포에 여전히 적합하며, EfficientDet은 자동화된 아키텍처 설계 측면에서 흥미로운 연구 대상입니다. 그러나 실시간 추론, 간편한 배포, 최소한의 메모리 요구량이 필요한 최신 애플리케이션에는 Ultralytics YOLO26이 가장 균형 잡힌 성능을 제공합니다. 선택형 NMS 프리 설계와 매우 빠른 CPU 성능 덕분에 AI 인프라의 미래 경쟁력을 확보하는 데 최적의 선택입니다.