PP-YOLOE+와 YOLO11#

더 빠르고 정확하며 효율적인 모델에 대한 요구에 따라 컴퓨터 비전 분야는 끊임없이 발전하고 있습니다. 객체 탐지 작업을 수행하는 개발자와 연구자에게 적합한 아키텍처를 선택하는 일은 매우 중요합니다. 이 종합 비교에서는 대표적인 두 모델인 PP-YOLOE+와 Ultralytics YOLO11의 차이를 살펴봅니다.

이 가이드는 아키텍처와 성능 지표, 적합한 사용 사례를 분석해 다음 머신러닝 배포를 위한 정보에 기반한 결정을 내리는 데 필요한 인사이트를 제공합니다.

모델의 기원 및 기술 개요#

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

PP-YOLOE+ 개요#

Baidu 연구진이 개발한 PP-YOLOE+는 이전 PP-YOLOE를 개선한 모델로, PaddlePaddle 생태계에서 실시간 탐지의 한계를 넓히도록 설계되었습니다.

• 저자: PaddlePaddle 저자
• 기관: Baidu
• 날짜: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: PaddleDetection 저장소
• 문서: PP-YOLOE+ 문서

PP-YOLOE+ 자세히 알아보기

YOLO11 개요#

Ultralytics가 개발한 YOLO11은 사용성과 정확도를 크게 향상한 모델입니다. 성공적인 아키텍처의 기반 위에 개발자 경험을 원활하게 하고 다중 작업 활용성을 높이도록 최적화했습니다.

• 저자: Glenn Jocher 및 Jing Qiu
• 조직: Ultralytics
• 날짜: 2024-09-27
• GitHub: Ultralytics GitHub 저장소
• 문서: YOLO11 공식 문서

아키텍처 및 성능 비교#

두 탐지 모델을 비교할 때는 단순한 수치를 넘어 아키텍처 선택이 실제 모델 배포에 미치는 영향을 이해해야 합니다.

PP-YOLOE+ 아키텍처#

PP-YOLOE+는 PaddlePaddle 프레임워크에 크게 의존합니다. CSPRepResNet 백본과 수정된 경로 집계 네트워크(PAN)를 사용하는 강력한 앵커 프리 방식을 도입했습니다. "+" 버전은 대규모 데이터셋 사전 학습(Objects365 등)과 개선된 TaskAlignedAssigner를 적용해 이전 모델을 발전시켰습니다. 높은 평균 정밀도(mAP)를 달성하지만, PaddlePaddle에 대한 강한 의존성은 PyTorch 또는 TensorFlow 환경에 익숙한 팀에 불편을 초래할 수 있습니다.

YOLO11 아키텍처#

Ultralytics YOLO11은 현대 딥러닝의 업계 표준인 PyTorch를 기반으로 구축되었습니다. 아키텍처는 성능 균형에 중점을 두어 다양한 실제 배포 시나리오에 적합한 속도와 정확도의 균형을 이룹니다. YOLO11은 더 나은 그래디언트 흐름을 위한 최적화된 C3k2 모듈과 분류 및 회귀 작업을 효율적으로 분리해 처리하는 디커플드 헤드를 갖추고 있습니다. 또한 복잡한 RT-DETR과 같은 Transformer 모델에 비해 학습과 추론 중 메모리 사용량이 크게 낮도록 설계되었습니다.

성능 지표 표#

다음 표에서는 다양한 모델 규모의 성능 차이를 보여 줍니다. YOLO11은 대체로 비슷하거나 더 높은 mAP를 달성하면서 파라미터와 FLOPs 수를 크게 줄입니다.

사용 사례 및 권장 사항#

PP-YOLOE+와 YOLO11 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 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.

YOLO11을 선택해야 하는 경우#

YOLO11은 다음과 같은 경우에 권장됩니다:

• 프로덕션 엣지 배포: 안정성과 지속적인 유지 관리가 가장 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서 상용 애플리케이션을 실행하는 경우입니다.
• 멀티태스크 비전 애플리케이션: 하나의 통합 프레임워크에서 감지, 분할, 자세 추정, OBB가 필요한 프로젝트입니다.
• 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션 배포까지 빠르게 진행해야 하는 팀에 적합합니다.

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.

Ultralytics의 강점#

학술 벤치마크도 중요하지만, AI 프로젝트의 장기적인 성공은 모델을 둘러싼 생태계에 크게 좌우됩니다. Ultralytics Platform은 개발자와 기업 모두에게 뚜렷한 이점을 제공합니다.

1. 사용 편의성: Ultralytics는 딥러닝의 복잡성을 추상화합니다. 간소화된 사용자 경험과 간단한 Python API를 통해 개발자는 몇 줄의 코드만으로 커스텀 모델을 학습할 수 있습니다. PP-YOLOE+에서 흔히 요구하는 복잡한 구성 파일과는 대조적입니다.
2. 체계적으로 관리되는 생태계: 연구 전용 저장소와 달리 Ultralytics 생태계는 활발히 개발되고 있습니다. Weights & Biases, Comet ML과 같은 도구와의 폭넓은 통합, 강력한 커뮤니티 지원, 잦은 업데이트를 제공합니다.
3. 다용성: YOLO11은 여러 컴퓨터 비전 작업을 위한 단일 통합 프레임워크를 제공하므로 분류, 분할, 바운딩 박스 탐지를 위해 서로 다른 라이브러리를 배울 필요가 없습니다.
4. 학습 효율성: YOLO 모델의 효율적인 학습 프로세스는 시간과 컴퓨팅 비용을 모두 절감합니다. COCO 데이터셋에서 사전 학습된 가중치를 활용하면 일반 소비자용 하드웨어에서도 모델이 빠르게 수렴합니다.

학습 코드 비교#

사용 편의성을 보여 주기 위해 최첨단 YOLO11 모델을 학습하는 방법을 소개합니다. 데이터 증강, 로깅, 하드웨어 오케스트레이션을 모두 자동으로 처리합니다.

from ultralytics import YOLO

# 사전 학습된 YOLO11 소형 모델을 불러옵니다.
model = YOLO("yolo11s.pt")

# 커스텀 데이터셋으로 모델을 100 에폭 동안 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 공개 이미지로 간단한 추론 테스트를 실행합니다
inference_results = model("https://ultralytics.com/images/bus.jpg")
inference_results[0].show()

PaddleDetection에서 동일한 파이프라인을 설정하려면 복잡한 YAML 구성을 직접 살펴보고 긴 명령줄 문자열을 실행해야 하므로 애자일 개발 주기가 느려질 수 있습니다.

향후 전망: YOLO26의 등장#

YOLO11은 여전히 매우 강력한 도구이지만 AI 분야는 빠르게 발전하고 있습니다. 2026년 1월에 출시된 YOLO26은 Ultralytics 계보에서 최첨단을 대표하며 모든 신규 프로젝트에 권장되는 모델입니다.

YOLO26은 다음과 같은 획기적인 혁신을 도입합니다.

• 종단 간 NMS 없는 설계: YOLOv10이 처음 선보인 개념을 기반으로, YOLO26은 기본 종단 간 헤드(nms=False)를 제공해 비최대 억제(NMS) 후처리를 완전히 제거합니다. 이를 통해 배포가 훨씬 간편해지고 지연 시간의 변동성이 크게 줄어듭니다.
• CPU 추론 속도 최대 43% 향상: 분포 초점 손실(DFL)을 전략적으로 제거해 모델을 훨씬 가볍게 만들었습니다. 이러한 최적화 덕분에 엣지 컴퓨팅 및 저전력 IoT 장치에 가장 적합한 선택이 되었습니다.
• MuSGD 옵티마이저: YOLO26은 LLM 학습 혁신을 컴퓨터 비전에 적용합니다. SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 사용해 매우 안정적인 학습 동역학과 빠른 수렴을 달성합니다.
• ProgLoss + STAL: 이 고급 손실 함수는 작은 객체 인식 성능을 크게 개선합니다. 이는 드론 영상과 항공 감시에 중요한 기능입니다.

결론 및 실제 적용 사례#

PP-YOLOE+와 YOLO11(또는 최신 YOLO26) 중에서 선택할 때는 배포 생태계를 고려해야 합니다.

PP-YOLOE+는 특히 하드웨어가 Baidu 기술 스택 및 PaddlePaddle 라이브러리와 긴밀하게 통합된 아시아 제조 허브와 같은 특정 산업 환경에서 강점을 보입니다. 최대 mAP가 유일한 우선순위인 정적 이미지 분석에 매우 적합합니다.

반면 YOLO11과 YOLO26은 훨씬 다용도이며 개발자 친화적인 접근 방식을 제공합니다. 파라미터 수가 적고 속도가 빠르므로 다음과 같은 용도에 적합합니다.

• 스마트 리테일: 자동 결제와 재고 관리를 위해 실시간 비디오 스트림을 처리합니다.
• 자율 로보틱스: 리소스가 제한된 임베디드 장치에서 고속 장애물 회피를 지원합니다.
• 보안 및 감시: 효율적인 단일 추론 과정에서 추적과 포즈 추정 등의 다중 작업 분석을 견고하게 수행합니다.

안정성과 폭넓은 커뮤니티 지원, ONNX 및 TensorRT 형식으로의 간편한 배포 파이프라인을 원하는 현대 AI 엔지니어에게 Ultralytics 생태계는 여전히 확실한 선택입니다.