PP-YOLOE+ vs RTDETRv2

컴퓨터 비전은 최근 몇 년간 빠르게 발전했으며, 특히 실시간 객체 탐지 분야에서 두드러집니다. 배포에 적합한 아키텍처를 선택하는 것은 느리고 메모리를 많이 사용하는 애플리케이션과 최적화되고 반응성이 뛰어난 시스템을 가르는 요인이 될 수 있습니다. 이 기술 비교에서는 Baidu의 대표 모델 두 가지인 CNN 기반 PP-YOLOE+와 Transformer 기반 RTDETRv2를 살펴봅니다. 아키텍처, 성능 지표, 최적 활용 사례를 분석하고, Ultralytics YOLO26과의 비교도 살펴봅니다.

PP-YOLOE+: CNN 패러다임의 발전#

이전 모델을 발전시켜 개발된 PP-YOLOE+는 기존 합성곱 신경망(CNN)이 객체 탐지에서 얼마나 발전할 수 있는지를 보여줍니다. YOLO 시리즈의 기본 메커니즘을 바탕으로 특정 최적화를 더한 성능 높은 앵커 프리 검출기이며, PaddlePaddle 생태계에 맞춰 설계되었습니다.

모델 세부 정보:

아키텍처 및 방법론#

PP-YOLOE+는 CSPRepResNet 백본과 PAN 스타일의 특징 피라미드 네트워크를 사용해 멀티스케일 특징을 효과적으로 통합합니다. 앵커 프리 설계를 채택해 앵커 박스 생성에 보통 필요한 휴리스틱 튜닝을 없앱니다. 또한 학습 단계에서 예측 결과와 정답 박스를 더 잘 일치시키기 위해 레이블 할당에 태스크 정렬 학습(TAL)을 사용합니다.

강점 및 사용 사례#

PP-YOLOE+의 주요 강점은 표준 서버 하드웨어에서 안정적인 성능을 제공하고 Baidu 도구와 긴밀하게 통합된다는 점입니다. 하드웨어 제약이 지나치게 크지 않은 제조 환경에서 정적 결함 탐지를 수행하는 등 기존 산업 워크플로에 적합합니다.

PP-YOLOE+ 자세히 알아보기

생태계 고려 사항

PP-YOLOE+는 높은 정확도를 제공하지만, 기본 생태계 외부에 배포하려면 추가 변환 단계가 필요한 경우가 있습니다. 이는 최신 Ultralytics 파이프라인에서 기본적으로 제공되는 내보내기 형식과 다릅니다.

RTDETRv2: 실시간 탐지 Transformer#

순수 CNN에서 벗어난 RTDETRv2(실시간 탐지 Transformer 버전 2)는 실시간 탐지에 어텐션 메커니즘을 도입합니다. 실제 애플리케이션에 필요한 낮은 지연 시간과 Transformer의 전역 컨텍스트 이해 능력을 결합하는 것을 목표로 합니다.

모델 세부 정보:

아키텍처 및 방법론#

RTDETRv2는 특징 추출용 CNN 백본과 간소화된 Transformer 인코더-디코더를 결합한 하이브리드 아키텍처를 사용합니다. RTDETRv2의 주요 특징은 기존 비최대 억제(NMS) 후처리를 우회하는 기본 엔드투엔드 설계입니다. 또한 셀프 어텐션을 사용해 멀리 떨어진 객체 사이의 공간적 관계를 파악하며 멀티스케일 탐지와 복잡한 장면도 처리합니다.

강점 및 사용 사례#

Transformer 아키텍처 덕분에 RTDETRv2는 전역 컨텍스트 이해가 중요한 시나리오에서 매우 효과적입니다. 그러나 Transformer 모델은 일반적으로 경량 CNN보다 학습과 추론 모두에서 훨씬 더 많은 CUDA 메모리를 요구합니다. 강력한 GPU 서버에서 실행되는 클라우드 기반 비디오 분석과 같은 하드웨어 제약이 없는 환경에 가장 적합합니다.

RTDETRv2 자세히 알아보기

성능 및 지표 비교#

이 모델들을 평가할 때는 평균 정밀도(mAP)와 연산 비용(FLOPs 및 추론 지연 시간으로 측정) 간의 절충이 매우 중요합니다. 아래 표는 PP-YOLOE+와 RTDETRv2의 다양한 크기별 주요 지표를 정리합니다.

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
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

RTDETRv2는 더 많은 파라미터와 FLOPs를 대가로 높은 mAP를 보여 주지만, 제약이 있는 엣지 디바이스에 배포하려는 개발자는 Transformer 계층의 일반적인 높은 메모리 요구량으로 인해 병목 현상을 겪을 수 있습니다.

사용 사례 및 권장 사항#

PP-YOLOE+와 RT-DETR 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항과 배포 제약, 선호하는 생태계에 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.

RT-DETR을 선택해야 하는 경우#

다음과 같은 경우 RT-DETR을 권장합니다.

  • Transformer 기반 탐지 연구: NMS를 사용하지 않는 엔드투엔드 객체 탐지를 위해 어텐션 메커니즘과 Transformer 아키텍처를 연구하는 프로젝트입니다.
  • 지연 시간 제약이 유연한 고정확도 시나리오: 탐지 정확성이 최우선이며 추론 지연 시간이 약간 높아도 괜찮은 애플리케이션입니다.
  • 대형 객체 탐지: 주로 중대형 객체가 있는 장면으로, Transformer의 전역 어텐션 메커니즘이 자연스러운 이점을 제공하는 경우입니다.

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 장치에서는 YOLO26이 최대 43% 더 빠른 CPU 추론 속도(YOLO26n과 YOLO11n 비교)를 제공하므로 확실한 이점을 얻을 수 있습니다.
  • 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.

Ultralytics의 강점: YOLO26 소개#

PP-YOLOE+와 RTDETRv2는 모두 중요한 이정표이지만, 최신 개발자에게는 높은 성능과 간편한 사용성을 균형 있게 제공하는 생태계가 필요합니다. Ultralytics Platform과 YOLO26 모델은 바로 이러한 요구를 충족하도록 설계되었습니다.

2026년 1월에 출시된 YOLO26은 엣지 우선 비전 AI를 위해 설계되었습니다. 기존 아키텍처의 배포 장애 요소를 해결하는 동시에 속도와 정확도를 모두 개선합니다.

아키텍처 혁신#

YOLO26은 기존 CNN 및 대형 Transformer보다 다음과 같은 여러 개선 사항을 제공합니다:

  • 엔드투엔드 NMS-Free 설계: RTDETRv2와 마찬가지로 YOLO26은 기본 엔드투엔드 추론을 지원합니다. 선택적 one-to-one 헤드(nms=False)로 NMS 후처리를 생략해 지연 시간 지터를 줄이고 더 빠르고 간편한 배포를 지원하므로, 실시간 로보틱스 및 자율 시스템에 적합합니다.
  • 최대 43% 빠른 CPU 추론: 아키텍처 최적화를 통해 YOLO26은 외장 GPU가 없는 엣지 디바이스에서 경쟁 모델보다 훨씬 높은 성능을 발휘합니다. YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르므로 IoT 및 스마트 시티 애플리케이션에 적합합니다.
  • MuSGD 옵티마이저: LLM 학습 혁신에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드를 적용합니다. 이를 통해 학습 안정성과 수렴 속도를 높이고 GPU 학습 시간을 크게 줄입니다.
  • ProgLoss + STAL: 점진적 손실과 작은 객체 인식형 레이블 할당으로 작은 객체 인식 성능을 크게 개선합니다. 이는 PP-YOLOE+와 같은 모델이 기존에 어려움을 겪던 분야로, 항공 이미지 및 드론 애플리케이션에 매우 중요합니다.
  • DFL 제거: 분포 초점 손실을 제거해 내보내기 과정이 간소화되고 다양한 엣지 및 저전력 디바이스와의 호환성이 향상됩니다.
작업별 다재다능함

특화된 객체 검출기와 달리 YOLO26은 활용 범위가 넓어 인스턴스 세그멘테이션, 분류, 자세 추정, 방향 경계 상자(OBB)를 지원합니다. 자세 추정을 위한 RLE와 OBB를 위한 전용 각도 손실 등의 맞춤형 개선 사항도 포함합니다.

사용 편의성#

RTDETRv2와 같은 복잡한 아키텍처를 도입할 때 가장 큰 단점 중 하나는 가파른 학습 곡선과 단절된 통합 과정입니다. Ultralytics 생태계는 직관적인 Python API와 웹 기반 Ultralytics Platform을 통해 이러한 복잡성을 추상화합니다.

커스텀 데이터셋으로 학습하든 빠른 추론을 실행하든, 과정은 간단합니다:

from ultralytics import RTDETR, YOLO

# YOLO26 모델 초기화
model_yolo = YOLO("yolo26n.pt")

# 또는 동일한 간단한 API를 통해 RT-DETR 모델 초기화
model_rtdetr = RTDETR("rtdetr-l.pt")

# 실시간 추론 실행
results = model_yolo("https://ultralytics.com/images/zidane.jpg")
results[0].show()

# 한 줄로 엣지 배포용 내보내기
model_yolo.export(format="engine", quantize=16)

Ultralytics YOLO 모델은 메모리 요구량이 낮아 Transformer 기반 모델보다 더 빠르게 학습하고 저렴한 하드웨어에 배포할 수 있습니다. 지속적인 개발과 상세한 문서화는 프로덕션 파이프라인의 안정성을 유지하는 데도 도움이 됩니다.

대안을 검토하는 팀에게는 생태계 내에서 폭넓게 지원되고 성능도 우수한 이전 모델 YOLO11이 기존 하드웨어 통합을 위한 견고한 기준 모델이 될 수 있습니다. YOLO11과 RT-DETR 비교도 유용할 수 있습니다.

요약#

PP-YOLOE+와 RTDETRv2는 각각 고급 CNN 파이프라인과 실시간 Transformer의 실현 가능성을 보여주며 컴퓨터 비전 발전에 크게 기여했습니다. 그러나 2026년에 견고하고 다목적이며 최적화된 컴퓨터 비전 애플리케이션을 배포하려는 조직에는 Ultralytics YOLO26을 권장합니다. 선택적 NMS-free 추론, 훨씬 빠른 CPU 추론, 간소화된 생태계를 통해 개발자는 아이디어에서 확장 가능한 프로덕션까지 빠르게 나아갈 수 있습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.