PP-YOLOE+와 EfficientDet 비교

적합한 아키텍처를 선택하는 것은 견고한 컴퓨터 비전 애플리케이션을 구축하는 데 매우 중요한 단계입니다. 이 기술 가이드에서는 잘 알려진 객체 탐지 모델인 PP-YOLOE+와 EfficientDet의 절충점을 살펴봅니다. 아키텍처를 분석하고 성능 지표를 살펴보며 가장 적합한 배포 시나리오를 설명합니다.

두 모델 모두 해당 분야에 크게 기여했지만, 이 가이드에서는 Ultralytics YOLO26과 같은 최신 대안이 더 높은 메모리 효율, 빠른 추론, 간소화된 개발자 경험을 제공하는 방식도 살펴봅니다.

아키텍처 개요: PP-YOLOE+#

PP-YOLOE+는 PP-YOLO 시리즈의 발전형인 PP-YOLOE를 개선한 모델로, PaddlePaddle 생태계 내 서버 GPU 성능 최적화를 위해 개발되었습니다. 앵커 프리 방식을 중심으로 기본 아키텍처에 여러 개선 사항을 도입했습니다.

PP-YOLOE+ 자세히 알아보기

PP-YOLOE+는 CSPRepResNet 백본과 효율적인 태스크 정렬 헤드(ET-head)를 갖추고 있으며, 분류에는 배리포컬 손실을, 경계 상자 회귀에는 분포 초점 손실을 적극적으로 사용합니다. 앵커 프리 검출기 설계로 전환하면서 후처리 파이프라인이 간소화되어 출시 당시 경쟁력이 매우 높았습니다.

통합의 이점

Baidu의 PaddlePaddle 프레임워크에 이미 깊이 투자한 팀은 기존 파이프라인에 PP-YOLOE+를 더 쉽게 도입할 수 있는 경우가 많지만, 최신 도구에서 볼 수 있는 폭넓은 멀티프레임워크 지원은 부족합니다.

아키텍처 개요: EfficientDet#

EfficientDet은 신경망 아키텍처 탐색으로 찾은 백본을 바탕으로 복합 스케일링 원리를 적용하여 객체 탐지에 다른 접근 방식을 취합니다.

EfficientDet에 대해 자세히 알아보기

EfficientDet의 핵심은 양방향 특징 피라미드 네트워크(BiFPN)입니다. 기존 FPN과 달리 BiFPN은 학습 가능한 가중치를 도입해 각 입력 특징의 중요도를 학습함으로써 빠른 멀티스케일 특징 융합을 구현합니다. EfficientNet 백본과 결합하여 네트워크의 너비, 깊이, 해상도를 체계적으로 동시에 확장합니다.

FLOPs 측면에서 매우 효율적이지만, EfficientDet 모델은 복잡한 메모리 액세스 패턴 때문에 이론적 효율성을 실제 엣지 디바이스 속도로 구현하는 데 어려움을 겪을 수 있습니다. 이는 YOLO 기반 모델의 낮은 메모리 요구량과 대조됩니다.

성능 분석 및 벤치마크#

아래 표는 표준 COCO와 같은 데이터셋에서 주요 지표를 비교합니다. 평균 정밀도(mAP)와 추론 속도를 비교하면 각 모델이 속도-정확도 파레토 프런티어에서 어느 위치에 있는지 알 수 있습니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
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
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

표에서 볼 수 있듯이 PP-YOLOE+는 일반적으로 고성능 GPU에서 순수 mAP 기준으로 더 잘 확장되는 반면, EfficientDet은 파라미터 최소화를 추구합니다. 그러나 두 모델 모두 최신 엣지 AI 애플리케이션에 필요한 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: EfficientDet의 참조 구현이 TPU 학습을 지원하는 Google Cloud TPU 인프라에서 TensorFlow 기반 시스템을 사용하는 경우입니다.
  • 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 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

  • NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서는 YOLO26n이 YOLO11n보다 CPU 추론 속도가 최대 43% 빨라 확실한 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 이정표이지만, 높은 정확도와 낮은 메모리 사용량, 간소화된 사용자 경험을 원하는 개발자는 Ultralytics YOLO26을 고려해야 합니다.

YOLO26은 객체 탐지의 중요한 혁신을 여럿 도입하며 큰 발전을 이루었습니다:

  • 엔드투엔드 NMS-Free 설계: YOLOv10을 기반으로 한 YOLO26의 선택적 엔드투엔드 헤드(nms=False)는 추론 중 비최대 억제(NMS)를 제거합니다. 그 결과 지연 시간이 크게 줄어들고 복잡한 후처리 병목 현상이 제거됩니다.
  • MuSGD 옵티마이저: LLM 학습 혁신에서 영감을 얻은 YOLO26은 학습 안정성을 높이고 수렴 시간을 줄이는 하이브리드 SGD 및 Muon 옵티마이저를 사용합니다.
  • 더 빠른 CPU 추론: YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠르므로, 배터리 구동 또는 CPU 전용 엣지 디바이스에 적합합니다.
  • 고급 학습 기법: ProgLoss와 STAL은 작은 객체 인식 성능을 크게 향상하며, 이는 드론 분석 및 로보틱스와 같은 작업에 필수적입니다.
멀티태스크 활용성

탐지에만 집중하는 EfficientDet과 달리 YOLO26은 잘 유지 관리되는 동일한 생태계 내에서 인스턴스 세그멘테이션, 이미지 분류, 자세 추정, 방향 경계 상자(OBB)를 기본 지원합니다.

사용 편의성 및 에코시스템 통합#

EfficientDet과 같은 레거시 모델의 가장 큰 단점 중 하나는 학습 파이프라인과 자동화된 머신러닝 설정의 복잡성입니다. 반면 Ultralytics Platform은 간소화된 개발자 경험을 제공합니다.

Ultralytics에서는 기존 프레임워크에 필요한 장황한 설정과 달리 몇 줄의 코드만으로 모델을 학습하고 실행할 수 있습니다.

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 살펴보는 경우 RT-DETR이나 이전 모델인 YOLOv8과 같은 아키텍처도 Ultralytics 생태계에서 사용할 수 있어 모델을 쉽게 교체하고 테스트할 수 있습니다.

결론#

PP-YOLOE+는 Paddle 생태계 내 특정 서버 배포에 여전히 적합하며, EfficientDet은 자동화된 아키텍처 설계의 흥미로운 사례로 남아 있습니다. 그러나 실시간 추론, 간편한 배포, 최소한의 메모리 요구량이 필요한 최신 애플리케이션에는 Ultralytics YOLO26이 가장 매력적인 성능 균형을 제공합니다. 선택적 NMS-free 설계와 빠른 CPU 성능 덕분에 최신 AI 인프라에 권장되는 선택입니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.