Meet YOLO26: next-gen vision AI.

Link to this section실시간 객체 탐지 심층 분석: PP-YOLOE+ vs YOLO11#

컴퓨터 비전 분야는 더 빠르고 정확하며 효율적인 모델에 대한 요구로 끊임없이 발전하고 있습니다. 객체 탐지 작업을 수행하는 개발자와 연구자에게 올바른 아키텍처를 선택하는 것은 매우 중요합니다. 본 종합 비교에서는 두 가지 주요 모델인 **PP-YOLOE+**와 Ultralytics YOLO11의 차이점을 살펴보겠습니다.

각 모델의 아키텍처, 성능 지표, 이상적인 사용 사례를 분석하여 귀하의 다음 머신 러닝 배포를 위한 정보에 입각한 결정을 내릴 수 있도록 돕는 것이 본 가이드의 목적입니다.

Link to this section모델 기원 및 기술 개요#

두 모델 모두 엄격한 학술 연구와 광범위한 엔지니어링을 바탕으로 하지만, 완전히 다른 생태계에서 탄생했습니다. 각 모델의 기초적인 세부 사항을 살펴보겠습니다.

Link to this sectionPP-YOLOE+ 개요#

Baidu의 연구진이 개발한 PP-YOLOE+는 이전 버전인 PP-YOLOE의 반복 개선 버전으로, PaddlePaddle 생태계 내에서 실시간 탐지의 한계를 돌파하도록 설계되었습니다.

PP-YOLOE+에 대해 더 알아보기

Link to this sectionYOLO11 개요#

Ultralytics에서 제작한 YOLO11은 사용 편의성과 정확성 측면에서 획기적인 도약을 보여줍니다. 매우 성공적인 아키텍처의 유산을 계승하며 원활한 개발자 경험과 다중 작업의 범용성에 최적화되어 있습니다.

YOLO11에 대해 더 알아보기

알고 계셨나요?

Ultralytics YOLO11은 객체 탐지 이상의 기능을 지원합니다. 별도의 설정 없이 동일한 API를 사용하여 인스턴스 세그멘테이션, 포즈 추정 및 회전형 바운딩 박스(OBB) 탐지를 수행할 수 있습니다.

Link to this section아키텍처 및 성능 비교#

두 탐지기를 비교할 때는 단순히 수치뿐만 아니라, 아키텍처 선택이 실제 모델 배포에 어떤 영향을 미치는지 이해해야 합니다.

Link to this sectionPP-YOLOE+ 아키텍처#

PP-YOLOE+는 PaddlePaddle 프레임워크에 크게 의존합니다. 강력한 앵커 프리(anchor-free) 패러다임을 도입하고, RepResNet 백본과 수정된 PAN(Path Aggregation Network)을 활용합니다. "+" 변형 모델은 Objects365와 같은 대규모 데이터셋 사전 학습과 향상된 TaskAlignedAssigner를 통합하여 이전 모델을 개선했습니다. 높은 mAP(mean Average Precision)을 달성하지만, PaddlePaddle에 대한 강한 의존성은 PyTorch나 TensorFlow 환경에 익숙한 팀에게 걸림돌이 될 수 있습니다.

Link to this sectionYOLO11 아키텍처#

Ultralytics YOLO11은 현대 딥러닝의 업계 표준인 PyTorch를 기반으로 설계되었습니다. 아키텍처는 성능 균형에 중점을 두어 다양한 실제 배포 시나리오에 적합한 속도와 정확성 간의 이상적인 절충안을 달성합니다. YOLO11은 더 나은 그래디언트 흐름을 위한 최적화된 C3k2 모듈과 분류 및 회귀 작업을 효율적으로 개별 처리하는 디커플드 헤드(decoupled head)를 갖추고 있습니다. 또한, RT-DETR과 같은 복잡한 Transformer 모델과 비교하여 학습 및 추론 중 메모리 사용량이 훨씬 적도록 설계되었습니다.

Link to this section성능 지표 표#

다음 표는 다양한 모델 규모에 따른 성능 차이를 보여줍니다. YOLO11은 매개변수와 FLOPs 수를 크게 줄이면서도 대등하거나 더 뛰어난 mAP를 달성하는 경우가 많습니다.

모델크기
(픽셀)		mAPval
50-95		속도
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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9

Link to this section활용 사례 및 권장 사항#

PP-YOLOE+와 YOLO11 중 선택하는 것은 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.

Link to this sectionPP-YOLOE+를 선택해야 하는 경우#

PP-YOLOE+는 다음과 같은 경우 강력한 선택지입니다:

  • PaddlePaddle 생태계 통합: Baidu의 PaddlePaddle 프레임워크 및 도구로 구축된 기존 인프라를 보유한 조직.
  • Paddle Lite 엣지 배포: Paddle Lite 또는 Paddle 추론 엔진에 최적화된 추론 커널을 사용하는 하드웨어에 배포하는 경우.
  • 고정밀 서버 측 탐지: 프레임워크 종속성이 문제가 되지 않는 강력한 GPU 서버에서 최대 탐지 정확도를 우선시하는 시나리오.

Link to this sectionYOLO11을 선택해야 할 때#

YOLO11은 다음 경우에 권장됩니다:

  • 프로덕션 엣지 배포: 신뢰성과 활발한 유지 관리가 가장 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서의 상업용 애플리케이션.
  • 다중 작업 비전 애플리케이션: 단일 통합 프레임워크 내에서 detection, segmentation, pose estimation 및 OBB가 필요한 프로젝트.
  • 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집에서 프로덕션 단계까지 빠르게 이동해야 하는 팀.

Link to this sectionUltralytics (YOLO26)를 선택해야 할 때#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최상의 조합을 제공합니다:

  • NMS 미사용 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
  • CPU 전용 환경: 전용 GPU 가속이 없는 디바이스에서, 최대 43% 더 빠른 YOLO26의 CPU 추론 속도가 결정적인 이점을 제공합니다.
  • 소형 객체 탐지: aerial drone imagery 또는 IoT 센서 분석과 같이 ProgLoss와 STAL이 작은 객체에 대한 정확도를 크게 높여주는 어려운 시나리오.

Link to this sectionUltralytics의 장점#

학술 벤치마크도 중요하지만, AI 프로젝트의 장기적인 성공은 모델을 둘러싼 생태계에 크게 의존합니다. Ultralytics 플랫폼은 개발자와 기업 모두에게 독보적인 이점을 제공합니다.

  1. 사용 편의성: Ultralytics는 딥러닝의 복잡성을 추상화합니다. 간소화된 사용자 경험과 간단한 Python API를 통해 개발자는 단 몇 줄의 코드로 사용자 정의 모델을 학습할 수 있습니다. 이는 PP-YOLOE+에서 종종 요구되는 복잡한 구성 파일과 대조됩니다.
  2. 잘 관리된 생태계: 연구용 저장소와 달리 Ultralytics 생태계는 활발히 개발되고 있습니다. 강력한 커뮤니티 지원, 빈번한 업데이트, Weights & Biases 및 Comet ML과 같은 도구와의 폭넓은 통합 기능을 자랑합니다.
  3. 범용성: YOLO11은 다양한 컴퓨터 비전 작업을 위한 단일 통합 프레임워크를 제공하여 분류, 세그멘테이션, 객체 탐지를 위해 서로 다른 라이브러리를 배울 필요가 없습니다.
  4. 학습 효율성: YOLO 모델의 효율적인 학습 프로세스는 시간과 컴퓨팅 비용을 모두 절약합니다. COCO 데이터셋에서 사전 학습된 가중치를 활용함으로써 소비자용 하드웨어에서도 빠르게 수렴합니다.

Link to this section학습 코드 비교#

사용 편의성을 보여드리기 위해 최첨단 YOLO11 모델을 학습시키는 방법을 소개합니다. 데이터 증강, 로깅 및 하드웨어 오케스트레이션을 자동으로 처리합니다:

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on your custom dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run a quick inference test on a public image
inference_results = model("https://ultralytics.com/images/bus.jpg")
inference_results[0].show()

PaddleDetection에서 동일한 파이프라인을 설정하려면 복잡한 XML 구성을 수동으로 탐색하고 긴 명령줄 문자열을 실행해야 하므로, 민첩한 개발 주기가 늦어질 수 있습니다.

Link to this section앞으로의 전망: YOLO26의 등장#

YOLO11은 여전히 매우 강력한 도구이지만, AI 분야는 빠르게 움직입니다. 2026년 1월에 출시된 **YOLO26**은 Ultralytics 라인업의 절대적인 최첨단 모델이며 모든 신규 프로젝트에 권장되는 모델입니다.

YOLO26은 몇 가지 획기적인 혁신을 도입했습니다:

  • 엔드투엔드 NMS-Free 설계: YOLOv10에서 처음 개척된 개념을 기반으로 하는 YOLO26은 기본적으로 엔드투엔드 방식입니다. NMS(Non-Maximum Suppression) 후처리를 완전히 제거하여 배포를 훨씬 간편하게 만들고 대기 시간 변동성을 크게 줄였습니다.
  • 최대 43% 빠른 CPU 추론: DFL(Distribution Focal Loss)을 전략적으로 제거하여 모델이 훨씬 가벼워졌습니다. 이러한 최적화는 엣지 컴퓨팅 및 저전력 IoT 장치에 최고의 선택이 됩니다.
  • MuSGD 옵티마이저: YOLO26은 LLM 학습 혁신을 컴퓨터 비전으로 가져왔습니다. MuSGD 옵티마이저(SGD와 Muon의 하이브리드)를 사용하여 매우 안정적인 학습 역학과 더 빠른 수렴을 달성합니다.
  • ProgLoss + STAL: 이러한 고급 손실 함수는 드론 영상 및 항공 감시에서 중요한 기능인 소형 객체 인식 성능을 크게 향상합니다.

Link to this section결론 및 실제 적용 사례#

PP-YOLOE+와 YOLO11(또는 최신 YOLO26) 중 하나를 결정할 때는 배포 생태계가 핵심입니다.

**PP-YOLOE+**는 하드웨어가 Baidu 기술 스택 및 PaddlePaddle 라이브러리와 깊이 통합된 아시아 제조 허브와 같은 특정 산업 환경에서 빛을 발합니다. 최대 mAP만이 유일한 우선순위인 정적 이미지 분석에 탁월합니다.

반면 YOLO11과 YOLO26은 훨씬 더 범용적이고 개발자 친화적인 접근 방식을 제공합니다. 낮은 매개변수 수와 빠른 속도로 인해 다음 분야에 이상적입니다:

  • 스마트 리테일: 자동 결제 및 재고 관리를 위한 실시간 비디오 피드 처리.
  • 자율 로봇: 리소스가 제한된 임베디드 장치에서 고속 장애물 회피 구현.
  • 보안 및 감시: 단일 고효율 추론 패스로 강력한 다중 작업 분석(추적 및 포즈 추정 등) 제공.

신뢰성, 폭넓은 커뮤니티 지원, ONNX 및 TensorRT와 같은 형식으로의 직관적인 배포 파이프라인을 찾는 현대 AI 엔지니어에게 Ultralytics 생태계는 독보적인 선택지로 남아 있습니다.

기여자
GLglenn-jocher13ONonuralpszr1PDpderrenger1

댓글