PP-YOLOE+와 EfficientDet#
강력한 컴퓨터 비전 애플리케이션을 구축할 때 적합한 아키텍처를 선택하는 것은 중요한 단계입니다. 이 기술 가이드에서는 잘 알려진 두 객체 감지 모델인 **PP-YOLOE+**와 EfficientDet 간의 트레이드오프를 살펴봅니다. 두 모델의 아키텍처를 분석하고 성능 지표를 검토하며, 각 모델에 적합한 배포 시나리오를 살펴봅니다.
두 모델 모두 이 분야에 크게 기여했지만, Ultralytics YOLO26과 같은 최신 대안이 훨씬 뛰어난 메모리 효율성, 더 빠른 추론 속도, 고도로 간소화된 개발자 경험을 제공하는 방식도 함께 살펴봅니다.
아키텍처 개요: PP-YOLOE+#
PP-YOLOE+는 기존 PP-YOLO를 발전시킨 버전으로, PaddlePaddle 생태계 내 서버 측 GPU에서 성능을 최적화하도록 특별히 설계되었습니다. 이 모델은 앵커 프리 패러다임에 중점을 두고 기본 아키텍처를 여러 가지로 개선했습니다.
- 저자: PaddlePaddle Authors
- 조직: Baidu
- 날짜: 2022-04-02
- Arxiv: 2203.16250
- 문서: PaddleDetection README
PP-YOLOE+는 CSPRepResNet 백본과 Efficient Task-aligned 헤드(ET-head)를 사용하며, 분류에는 varifocal loss를, 바운딩 박스 회귀에는 distribution focal loss를 주로 활용합니다. 앵커 프리 디텍터 설계로 전환하면서 후처리 파이프라인을 간소화했으며, 출시 당시 높은 경쟁력을 갖추었습니다.
Baidu의 PaddlePaddle 프레임워크에 이미 깊이 투자한 팀은 인스턴스 세그멘테이션과 같은 작업에 PP-YOLOE+를 더 쉽게 도입할 수 있다고 느끼는 경우가 많지만, 최신 도구에서 볼 수 있는 폭넓은 멀티 프레임워크 지원은 부족합니다.
아키텍처 개요: EfficientDet#
EfficientDet은 객체 감지에 근본적으로 다른 접근 방식을 취하며, 신경망 아키텍처 탐색과 복합 스케일링 원칙에 크게 의존합니다.
- 저자: Mingxing Tan, Ruoming Pang, Quoc V. Le
- 조직: Google
- 날짜: 2019-11-20
- Arxiv: 1911.09070
- 문서: Brain AutoML README
EfficientDet의 핵심은 양방향 피처 피라미드 네트워크(BiFPN)입니다. 기존 FPN과 달리 BiFPN은 다양한 입력 피처의 중요도를 학습할 수 있도록 학습 가능한 가중치를 도입하여, 멀티 스케일 피처를 쉽고 빠르게 융합합니다. EfficientNet 백본과 결합된 EfficientDet은 네트워크의 너비, 깊이, 해상도를 동시에 체계적으로 확장합니다.
이론적으로 FLOPs 측면에서 매우 효율적이지만, EfficientDet 모델은 복잡한 메모리 액세스 패턴으로 인해 이론적 효율성을 엣지 디바이스의 실제 속도로 구현하는 데 어려움을 겪는 경우가 있습니다. 이는 YOLO 기반 모델의 더 낮은 메모리 요구 사항과 뚜렷한 대조를 이룹니다.
성능 분석 및 벤치마크#
아래 표에서는 표준 COCO와 같은 데이터셋의 주요 지표를 비교합니다. 평균 정밀도(mAP)와 추론 속도를 비교하면 파레토 프런티어를 명확하게 파악할 수 있습니다.
| 모델 | 크기 (픽셀) | mAPval 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 확인할 수 있듯이 PP-YOLOE+는 일반적으로 고성능 GPU에서 원시 mAP를 더 잘 확장하는 반면, EfficientDet은 파라미터 수를 최소화하려고 합니다. 그러나 두 모델 모두 최첨단 엣지 AI에 필요한 최신 실시간 성능에는 미치지 못합니다.
사용 사례 및 권장 사항#
PP-YOLOE+와 EfficientDet 중 어느 것을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
PP-YOLOE+를 선택해야 하는 경우#
다음과 같은 경우 PP-YOLOE+가 적합합니다:
- PaddlePaddle 생태계 통합: 기존 인프라가 Baidu의 PaddlePaddle 프레임워크와 도구를 기반으로 구축된 조직입니다.
- Paddle Lite 엣지 배포: Paddle Lite 또는 Paddle 추론 엔진에 특화된 고도로 최적화된 추론 커널을 갖춘 하드웨어에 배포하는 경우입니다.
- 고정밀 서버 측 감지: 프레임워크 종속성이 문제가 되지 않는 강력한 GPU 서버에서 최고 수준의 감지 정확도를 우선시하는 시나리오입니다.
EfficientDet을 선택해야 하는 경우#
다음과 같은 경우 EfficientDet을 권장합니다:
- Google Cloud 및 TPU 파이프라인: EfficientDet의 네이티브 최적화를 활용할 수 있는 Google Cloud Vision API 또는 TPU 인프라와 긴밀하게 통합된 시스템입니다.
- 복합 스케일링 연구: 균형 잡힌 네트워크 깊이, 너비 및 해상도 스케일링의 영향을 연구하는 데 중점을 둔 학술적 벤치마킹입니다.
- TFLite를 통한 모바일 배포: Android 또는 임베디드 Linux 디바이스에 TensorFlow Lite 형식으로 내보내야 하는 프로젝트입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
- 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.
최신 대안: Ultralytics YOLO26#
PP-YOLOE+와 EfficientDet은 중요한 역사적 이정표이지만, 최첨단 정확도와 더 낮은 메모리 사용량, 간소화된 사용자 경험을 원하는 개발자는 Ultralytics YOLO26을 고려해야 합니다.
YOLO26은 객체 감지 분야에서 크게 도약했으며, 다음과 같은 몇 가지 핵심 혁신을 도입합니다.
- 엔드 투 엔드 NMS 프리 설계: YOLOv10의 획기적인 발전을 기반으로 하는 YOLO26은 추론 중 비최대 억제(NMS)를 네이티브로 제거합니다. 그 결과 지연 시간이 크게 줄어들고 복잡한 후처리 병목이 사라집니다.
- MuSGD 옵티마이저: LLM 학습 혁신에서 영감을 받은 YOLO26은 SGD와 Muon을 결합한 하이브리드 옵티마이저를 사용합니다. 이를 통해 학습 안정성이 크게 향상되고 수렴 시간이 단축됩니다.
- 극한의 속도: YOLO26은 YOLO11과 같은 이전 세대보다 CPU 추론 속도가 최대 43% 빠르며, 배터리로 작동하거나 CPU만 사용하는 엣지 디바이스에 가장 적합한 선택입니다.
- 고급 손실 함수: ProgLoss와 STAL을 통합하여 소형 객체 인식 성능을 크게 향상하며, 이는 드론 분석 및 로보틱스와 같은 작업에 필수적입니다.
감지만을 중점적으로 다루는 EfficientDet과 달리 YOLO26은 동일하게 잘 유지 관리되는 생태계 내에서 포즈 추정, 이미지 분류, 방향성 바운딩 박스(OBB)를 모두 네이티브로 처리합니다.
사용 편의성 및 생태계 통합#
EfficientDet과 같은 레거시 모델의 가장 큰 단점 중 하나는 학습 파이프라인과 자동화된 머신 러닝 설정이 복잡하다는 점입니다. 반면 Ultralytics Platform은 비교할 수 없을 만큼 뛰어난 개발자 경험을 제공합니다.
Ultralytics를 사용하면 몇 줄의 코드만으로 모델을 배포할 수 있어, 이전 프레임워크에 필요한 장황한 구성과 뚜렷한 대조를 이룹니다.
from ultralytics import YOLO
# Load a pretrained YOLO26 model
model = YOLO("yolo26s.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100)
# Run inference on a test image natively without NMS overhead
predictions = model("https://ultralytics.com/images/bus.jpg")다른 대안을 찾는 경우 RT-DETR과 같은 아키텍처나 레거시 YOLOv8도 Ultralytics 생태계에서 사용할 수 있으므로 원활하게 교체하고 테스트할 수 있습니다.
결론#
PP-YOLOE+는 Paddle 생태계 내 특정 서버 배포에서 여전히 강력한 선택이며, EfficientDet은 자동화된 아키텍처 설계의 흥미로운 연구 사례로 계속 활용되고 있습니다. 그러나 실시간 추론, 간편한 배포, 최소한의 메모리 요구 사항이 필요한 최신 애플리케이션에서는 Ultralytics YOLO26이 가장 매력적인 성능 균형을 제공합니다. 네이티브 NMS 프리 설계와 매우 빠른 CPU 성능 덕분에 AI 인프라의 미래 경쟁력을 확보하기 위한 확실한 선택입니다.