Link to this sectionPP-YOLOE+ 대 YOLO26#

실시간 컴퓨터 비전 분야는 확장 가능하고 효율적이며 매우 정확한 객체 탐지 모델에 대한 요구에 힘입어 엄청난 성장을 이루었습니다. 이 분야에서 돋보이는 두 가지 아키텍처로는 PaddlePaddle 생태계의 강력한 탐지기인 **PP-YOLOE+**와 에지 배포 및 학습 효율성을 재정의하는 최첨단 모델인 **Ultralytics YOLO26**이 있습니다.

본 종합 가이드는 이 두 모델을 비교하여 아키텍처, 성능 지표, 학습 방법론 및 이상적인 사용 사례를 강조함으로써 차기 AI 프로젝트를 위해 정보에 입각한 결정을 내릴 수 있도록 돕습니다.

Link to this section기술 사양 및 저자 정보#

이 모델들의 기원과 설계 철학을 이해하는 것은 실제 적용에 있어 중요한 맥락을 제공합니다.

PP-YOLOE+ 세부 정보:

저자: PaddlePaddle 저자진
조직: Baidu
날짜: 2022년 4월 2일
Arxiv: https://arxiv.org/abs/2203.16250
GitHub: PaddleDetection 저장소
문서: PP-YOLOE+ 문서

PP-YOLOE+에 대해 자세히 알아보기

YOLO26 상세 정보:

저자: Glenn Jocher 및 Jing Qiu
조직: Ultralytics
날짜: 2026년 1월 14일
GitHub: Ultralytics 리포지토리
문서: YOLO26 Documentation

YOLO26에 대해 자세히 알아보기

Link to this section아키텍처 혁신#

Link to this sectionPP-YOLOE+ 아키텍처#

이전 모델인 PP-YOLOv2를 기반으로 구축된 PP-YOLOE+는 산업용 애플리케이션에 맞춘 견고한 설계를 도입했습니다. CSPRepResNet 백본과 ET-head(Efficient Task-aligned head)를 활용하여 속도와 정확도의 균형을 맞춥니다. PP-YOLOE+는 동적 레이블 할당(TAL)을 활용하며 Baidu의 PaddlePaddle 프레임워크와 원활하게 통합되어 T4 및 V100과 같은 NVIDIA GPU에 최적화되어 있습니다. 그러나 PaddlePaddle 생태계에 대한 높은 의존도는 PyTorch 워크플로에 익숙한 개발자들에게는 어려움이 될 수 있습니다.

Link to this sectionYOLO26 아키텍처: 에지 우선 혁명#

2026년 초에 출시된 Ultralytics YOLO26은 배포의 단순성과 에지 효율성에 막대한 중점을 두고 실시간 탐지 파이프라인을 완전히 새롭게 구상했습니다.

YOLO26의 주요 혁신은 다음과 같습니다:

엔드 투 엔드 NMS-Free 설계: YOLO26은 네이티브 엔드 투 엔드 방식으로, 비최대 억제(NMS) 후처리의 필요성을 완전히 제거했습니다. YOLOv10에서 처음 선구적으로 도입된 이 혁신은 장면이 복잡하더라도 일관된 추론 지연 시간을 보장하여 배포를 훨씬 간단하게 만듭니다.
DFL 제거: 분산 초점 손실(DFL)을 제거함으로써 YOLO26은 출력 헤드를 대폭 간소화했습니다. 이는 에지 장치 및 마이크로컨트롤러와의 훨씬 뛰어난 호환성으로 이어집니다.
최대 43% 더 빠른 CPU 추론: DFL 제거 및 구조적 최적화 덕분에 YOLO26은 전용 GPU가 없는 환경에 최적화되어 있으며, YOLO11 대비 CPU에서 최대 43% 더 빠른 추론 속도를 달성합니다.
MuSGD 옵티마이저: Moonshot AI와 같은 첨단 LLM 학습 기법에서 영감을 받은 YOLO26은 SGD와 Muon의 하이브리드를 도입했습니다. 이를 통해 컴퓨터 비전 작업에 타의 추종을 불허하는 학습 안정성과 더 빠른 수렴을 제공합니다.
ProgLoss + STAL: 향상된 손실 함수는 드론 운영 및 IoT 에지 센서에 중요한 소형 객체 인식 기능을 구체적으로 겨냥하고 개선합니다.

YOLO26의 작업별 개선 사항

표준 BBox를 넘어 YOLO26은 모든 비전 작업에서 구체적인 업그레이드를 도입했습니다. 세그멘테이션을 위한 시맨틱 세그멘테이션 손실과 다중 스케일 프로토타이핑, 자세 추정을 위한 잔차 로그-우도 추정(RLE), 그리고 지향성 BBox(OBB) 탐지에서 경계 문제를 해결하기 위한 특수 각도 손실을 사용합니다.

Link to this section성능 및 지표#

The table below provides a comprehensive look at how PP-YOLOE+ compares against YOLO26 across various model sizes. YOLO26 models clearly dominate in raw speed, parameter efficiency, and overall Mean Average Precision (mAP).

모델	크기 ^(픽셀)	mAP^val 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	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

참고: 굵게 표시된 값은 모든 모델 중 최고의 성능을 보이는 지표입니다.

Link to this section분석#

메모리 요구 사항 및 효율성: YOLO26은 더 높은 mAP 점수를 달성하기 위해 훨씬 적은 파라미터와 FLOP을 필요로 합니다. 예를 들어, YOLO26n(Nano) 모델은 단 2.4M 파라미터로 40.9 mAP를 달성하며, 크기는 거의 절반에 불과하면서 PP-YOLOE+t 모델보다 우수한 성능을 보입니다. 이는 학습 및 배포 시 메모리 사용량이 낮음을 의미합니다.
추론 속도: TensorRT를 사용하여 내보낼 경우 YOLO26이 지연 시간 지표를 지배합니다. NMS를 제거함으로써 T4 GPU에서 1.7ms의 추론 시간이 완벽하게 안정적으로 유지되는 반면, PP-YOLOE+는 가변적일 수 있는 후처리 시간에 의존합니다.

Link to this sectionUltralytics의 강점: 생태계 및 사용 편의성#

원시 지표도 중요하지만, 개발자 경험이 종종 프로젝트의 성패를 결정합니다. **Ultralytics 플랫폼**은 이전 프레임워크를 완전히 능가하는 잘 관리된 생태계를 제공합니다.

사용 편의성: Ultralytics는 복잡한 상용구 코드를 추상화합니다. YOLO26 학습은 단 몇 줄의 Python으로 가능하며, PP-YOLOE+에서 요구되는 방대한 구성 파일을 피할 수 있습니다.
범용성: PP-YOLOE+는 주로 객체 탐지 아키텍처입니다. YOLO26은 세그멘테이션, 분류, 자세 추정, OBB에 대한 기본 지원을 제공합니다.
Training Efficiency: Ultralytics YOLO models require vastly lower CUDA memory compared to bulky transformer models like RT-DETR or older architectures, enabling researchers to train state-of-the-art models on consumer-grade hardware.

기타 Ultralytics 모델

YOLO26이 현재 연구의 정점에 있지만, Ultralytics 생태계는 YOLO11과 YOLOv8도 포함하고 있습니다. 둘 다 대규모 커뮤니티 지원을 받는 매우 뛰어난 모델로, 구형 레거시 시스템에서 마이그레이션하는 사용자에게 이상적입니다.

Link to this section코드 예제: YOLO26 학습#

Ultralytics를 시작하는 것은 매우 매끄럽습니다. 다음은 YOLO26 모델을 로드, 학습 및 검증하는 방법을 보여주는 완전히 실행 가능한 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="auto",  # MuSGD is automatically engaged for YOLO26
)

# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")
print(f"Model successfully exported to: {export_path}")

Link to this section이상적인 사용 사례#

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

레거시 PaddlePaddle 인프라: 기업이 이미 Baidu의 기술 스택에 깊이 관여하고 있고 Paddle Inference를 위해 사전 구성된 하드웨어를 사용 중이라면 PP-YOLOE+가 안전하고 안정적인 선택입니다.
아시아 제조 허브: 아시아의 많은 산업용 비전 파이프라인은 자동 결함 탐지 분야에서 PP-YOLOE+에 대한 강력하고 기존의 지원 체계를 갖추고 있습니다.

Link to this sectionYOLO26을 선택해야 할 때#

에지 컴퓨팅 및 IoT: 43% 더 빠른 CPU 추론과 DFL 제거 기능은 YOLO26을 Raspberry Pi, 휴대폰 및 임베디드 장치 배포를 위한 독보적인 챔피언으로 만듭니다.
혼잡한 장면 및 스마트 시티: 엔드 투 엔드 NMS-Free 아키텍처는 기존 NMS가 병목 현상을 일으킬 수 있는 주차 관리 및 교통 모니터링과 같은 밀집된 환경에서 안정적인 지연 시간을 보장합니다.
멀티 태스크 프로젝트: 파이프라인에서 객체 추적, 인간 자세 추정, 또는 픽셀 단위 마스크 생성이 필요하다면 YOLO26은 이 모든 것을 단일 통합 Python 패키지 내에서 처리합니다.

Link to this section결론#

PP-YOLOE+가 특정 생태계 내에서 여전히 매우 유능한 탐지기로 남아 있지만, YOLO26의 출시는 패러다임을 전환했습니다. LLM에서 영감을 받은 학습 최적화(MuSGD)와 끊임없이 최적화된 NMS-free 아키텍처를 결합하여 Ultralytics는 매우 정확하면서도 쉽게 배포할 수 있는 모델을 만들었습니다. 속도, 정확도, 개발자 경험의 최적의 균형을 찾는 현대 개발자들에게 YOLO26은 확실한 선택입니다.

기여자

GLglenn-jocher⁵

생성일 5개월 전업데이트일 지난주