PP-YOLOE+와 YOLO26#
확장성, 효율성, 높은 정확도를 갖춘 객체 탐지 모델에 대한 요구가 실시간 컴퓨터 비전 분야의 눈부신 발전을 이끌어 왔습니다. 이 분야에서 주목할 만한 두 아키텍처는 PaddlePaddle 생태계의 강력한 탐지 모델인 PP-YOLOE+와 엣지 배포 및 학습 효율의 기준을 새롭게 정의하는 최신 최첨단 모델인 Ultralytics YOLO26입니다.
이 종합 가이드에서는 두 모델의 아키텍처, 성능 지표, 학습 방법론, 적합한 사용 사례를 비교하여 다음 AI 프로젝트에 적합한 모델을 정보에 기반해 선택할 수 있도록 돕습니다.
기술 사양 및 개발 주체#
이 모델들의 기원과 설계 철학을 이해하면 실제 환경에서의 활용에 중요한 맥락을 파악할 수 있습니다.
PP-YOLOE+ 세부 정보:
- 저자: PaddlePaddle 저자
- 기관: Baidu
- 날짜: 2022년 4월 2일
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: PaddleDetection 저장소
- 문서: PP-YOLOE+ 문서
YOLO26 세부 정보:
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2026년 1월 14일
- GitHub: Ultralytics 저장소
- 문서: YOLO26 문서
아키텍처 혁신#
PP-YOLOE+ 아키텍처#
이전 모델인 PP-YOLOv2를 기반으로 구축된 PP-YOLOE+는 산업용 애플리케이션에 맞춘 견고한 설계를 도입했습니다. CSPRepResNet 백본과 ET-head(효율적인 작업 정렬 헤드)를 활용해 속도와 정확도의 균형을 맞춥니다. PP-YOLOE+는 동적 레이블 할당(TAL)을 활용하고 Baidu의 PaddlePaddle 프레임워크와 원활하게 통합되어 T4 및 V100과 같은 NVIDIA GPU에 최적화되어 있습니다. 그러나 PaddlePaddle 생태계에 대한 높은 의존성은 PyTorch 워크플로에 익숙한 개발자에게 불편을 초래할 수 있습니다.
YOLO26 아키텍처: 엣지 우선의 혁신#
2026년 초에 출시된 Ultralytics YOLO26은 배포 간소화와 엣지 효율성을 크게 강조하며 실시간 탐지 파이프라인을 완전히 새롭게 설계했습니다.
YOLO26의 주요 혁신은 다음과 같습니다.
- 종단 간 NMS 없는 설계: YOLO26은 기본적으로 종단 간 추론(
nms=False)을 지원해 후처리 단계에서 비최대 억제(NMS)가 필요하지 않습니다. YOLOv10이 처음 선보인 이 획기적인 기술은 장면의 혼잡도와 관계없이 일관된 추론 지연 시간을 보장하므로 배포가 훨씬 간편해집니다. - DFL 제거: 분포 초점 손실(DFL)을 제거해 YOLO26의 출력 헤드를 크게 간소화합니다. 이를 통해 엣지 장치 및 마이크로컨트롤러와의 호환성이 크게 향상됩니다.
- CPU 추론 속도 최대 43% 향상: DFL 제거와 구조 최적화 덕분에 YOLO26은 전용 GPU가 없는 환경에 최적화되어 있으며, YOLO11보다 CPU 추론 속도가 최대 43% 빠릅니다.
- MuSGD 옵티마이저: Moonshot AI와 같은 곳의 고급 LLM 학습 기법에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드를 도입합니다. 이를 통해 컴퓨터 비전 작업의 학습 안정성을 획기적으로 높이고 수렴 속도를 개선합니다.
- ProgLoss + STAL: 고급 손실 함수가 작은 객체 인식 성능을 집중적으로 개선합니다. 이는 드론 운용과 IoT 엣지 센서에서 중요합니다.
YOLO26은 일반적인 바운딩 박스를 넘어 모든 비전 작업에 특화된 개선 사항을 도입했습니다. 분할에는 시맨틱 분할 손실과 다중 스케일 프로토타이핑을, 포즈 추정에는 잔차 로그 가능도 추정(RLE)을 사용하며, 방향성 바운딩 박스(OBB) 탐지의 경계 문제를 해결하기 위해 특수 각도 손실을 적용합니다.
성능 및 지표#
아래 표에서는 다양한 모델 크기에서 PP-YOLOE+와 YOLO26의 성능을 종합적으로 비교합니다. YOLO26 모델은 원시 속도, 파라미터 효율성, 전반적인 평균 정밀도(mAP)에서 확실히 우위를 점합니다.
| 모델 | 크기 (픽셀) | mAP검증 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
참고: 굵게 표시된 값은 크기가 같은 모델 쌍에서 더 나은 지표를 나타냅니다.
분석#
- 메모리 요구 사항 및 효율성: YOLO26은 훨씬 적은 파라미터와 FLOPs로 더 높은 mAP 점수를 달성합니다. 예를 들어 YOLO26n(Nano) 모델은 파라미터가 2.4M에 불과하면서 mAP 40.9를 달성해 PP-YOLOE+t 모델보다 뛰어난 성능을 보이고 크기는 약 절반입니다. 따라서 학습과 배포 과정에서 메모리 사용량이 줄어듭니다.
- 추론 속도: TensorRT를 사용해 내보내면 YOLO26은 지연 시간 지표에서 우위를 보입니다. NMS가 필요 없는 일대일 헤드(
nms=False, 이 벤치마크에 사용됨)는 T4 GPU에서 1.7ms의 추론 시간을 안정적으로 유지합니다. 반면 PP-YOLOE+는 변동 가능성이 있는 후처리 시간에 의존합니다.
Ultralytics의 장점: 에코시스템과 사용 편의성#
원시 성능 지표도 중요하지만, 개발자 경험이 프로젝트의 성패를 좌우하는 경우가 많습니다. Ultralytics Platform은 오래된 프레임워크를 크게 능가하는 체계적으로 관리되는 생태계를 제공합니다.
- 사용 편의성: Ultralytics는 복잡한 상용구 코드를 추상화합니다. YOLO26 학습에는 몇 줄의 Python 코드만 필요하므로 PP-YOLOE+에서 요구하는 복잡한 구성 파일을 사용하지 않아도 됩니다.
- 다용성: PP-YOLOE+는 주로 객체 탐지를 위한 아키텍처입니다. YOLO26은 분할, 분류, 포즈 추정, OBB를 별도의 설정 없이 기본 지원합니다.
- 학습 효율성: Ultralytics YOLO 모델은 RT-DETR과 같은 대형 Transformer 모델이나 오래된 아키텍처보다 CUDA 메모리 사용량이 훨씬 적어, 연구자는 일반 소비자용 하드웨어에서도 최첨단 모델을 학습할 수 있습니다.
코드 예제: YOLO26 학습#
Ultralytics를 시작하는 과정은 간단합니다. 다음은 YOLO26 모델을 불러와 학습하고 검증하는 전체 실행 가능 예제입니다.
from ultralytics import YOLO
# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")
# Train the model on the COCO8 dataset using the new MuSGD optimizer
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=16,
optimizer="MuSGD", # hybrid SGD + Muon optimizer
)
# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")
print(f"Model successfully exported to: {export_path}")적합한 사용 사례#
PP-YOLOE+를 선택할 경우#
- 레거시 PaddlePaddle 인프라: 기업이 이미 Baidu 기술 스택을 깊이 도입하고 Paddle Inference에 맞게 사전 구성된 하드웨어를 사용하고 있다면 PP-YOLOE+는 안전하고 안정적인 선택입니다.
- 아시아 제조 허브: 아시아의 많은 산업용 비전 파이프라인은 자동화된 결함 탐지에 PP-YOLOE+를 활용하는 견고한 기존 지원 체계를 갖추고 있습니다.
YOLO26을 선택해야 하는 경우#
- 엣지 컴퓨팅 및 IoT: CPU 추론 속도 43% 향상과 DFL 제거 덕분에 YOLO26은 Raspberry Pi, 휴대전화, 임베디드 장치 배포에 가장 적합한 선택입니다.
- 혼잡한 장면 및 스마트 시티: 종단 간 NMS 없는 아키텍처는 기존 NMS가 병목을 일으킬 수 있는 주차 관리와 교통 모니터링 같은 혼잡한 환경에서도 안정적인 지연 시간을 보장합니다.
- 다중 작업 프로젝트: 파이프라인에서 객체 추적, 사람 포즈 추정, 픽셀 단위로 정밀한 마스크 생성이 필요하다면 YOLO26은 이 모든 작업을 하나의 통합 Python 패키지에서 처리합니다.
결론#
PP-YOLOE+는 특정 생태계에서 여전히 뛰어난 탐지 모델이지만, YOLO26 출시로 패러다임이 바뀌었습니다. LLM에서 영감을 얻은 학습 최적화(MuSGD)와 철저히 최적화된 NMS 없는 아키텍처를 결합해 Ultralytics는 높은 정확도와 간편한 배포를 모두 실현하는 모델을 만들었습니다. 속도, 정확도, 개발자 경험의 최적 균형을 원하는 현대 개발자에게 YOLO26은 확실한 선택입니다.