PP-YOLOE+ 대 YOLO26#

실시간 컴퓨터 비전의 환경은 확장 가능하고 효율적이며 정확도가 높은 객체 검출 모델에 대한 수요에 힘입어 엄청난 성장을 이루었습니다. 이 분야에서 주목받는 두 가지 아키텍처는 PaddlePaddle 생태계의 강력한 검출기인 **PP-YOLOE+**와 엣지 배포 및 학습 효율성을 재정의하는 최신 최첨단 모델인 **Ultralytics YOLO26**입니다.

이 종합 가이드는 두 모델의 아키텍처, 성능 지표, 학습 방법론 및 이상적인 사용 사례를 비교하여 다음 AI 프로젝트를 위해 현명한 결정을 내릴 수 있도록 돕습니다.

기술 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 Repository
Docs: PP-YOLOE+ Documentation

PP-YOLOE+에 대해 자세히 알아보기

YOLO26 상세 정보:

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

YOLO26에 대해 자세히 알아보기

아키텍처 혁신#

PP-YOLOE+ 아키텍처#

전작인 PP-YOLOv2를 기반으로 구축된 PP-YOLOE+는 산업용 애플리케이션에 맞춘 강력한 설계를 도입합니다. CSPRepResNet 백본과 ET-head(Efficient Task-aligned head)를 활용하여 속도와 정확도의 균형을 맞춥니다. PP-YOLOE+는 동적 레이블 할당(TAL)을 사용하며 Baidu의 PaddlePaddle 프레임워크와 원활하게 통합되어 T4 및 V100과 같은 NVIDIA GPU에 최적화되어 있습니다. 그러나 PaddlePaddle 생태계에 대한 높은 의존성은 PyTorch 워크플로에 익숙한 개발자에게 마찰을 유발할 수 있습니다.

YOLO26 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:

엔드투엔드 NMS 프리 설계: YOLO26은 기본적으로 엔드투엔드 방식을 지원하여 비최대 suppression(NMS) 후처리가 완전히 필요하지 않습니다. YOLOv10에서 처음 개척된 이 혁신은 장면의 복잡성과 관계없이 일관된 추론 지연 시간을 보장하므로 배포가 훨씬 간단해집니다.
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 크게 최적화되어 YOLO11에 비해 CPU에서 최대 43% 더 빠른 추론 속도를 달성합니다.
MuSGD Optimizer: Moonshot AI의 고급 LLM 학습 기법에서 영감을 받은 YOLO26은 SGD와 Muon의 하이브리드를 도입합니다. 이를 통해 컴퓨터 비전 작업에서 비할 데 없는 학습 안정성과 더 빠른 수렴을 제공합니다.
ProgLoss + STAL: 고급 손실 함수는 소형 객체 인식을 직접적으로 타겟팅하고 개선하며, 이는 드론 운영 및 IoT 엣지 센서에 매우 중요합니다.

YOLO26의 작업별 개선 사항

표준 바운딩 박스를 넘어, YOLO26은 모든 비전 작업에서 구체적인 업그레이드를 도입합니다. 세그멘테이션을 위한 시맨틱 세그멘테이션 손실 및 다중 스케일 프로토타이핑, 자세 추정을 위한 RLE(Residual Log-Likelihood Estimation), 지향성 바운딩 박스(OBB) 검출에서 경계 문제를 해결하기 위한 특화된 각도 손실을 사용합니다.

성능 및 지표#

아래 표는 다양한 모델 크기에서 PP-YOLOE+가 YOLO26과 어떻게 비교되는지 종합적으로 보여줍니다. YOLO26 모델은 원시 속도, 파라미터 효율성 및 전반적인 평균 정밀도(mAP) 측면에서 확실히 우위를 점하고 있습니다.

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.

분석#

메모리 요구 사항 및 효율성: YOLO26은 더 높은 mAP 점수를 달성하기 위해 훨씬 적은 파라미터와 FLOP을 필요로 합니다. 예를 들어 YOLO26n(Nano) 모델은 단 2.4M개의 파라미터로 40.9 mAP를 달성하여 PP-YOLOE+t 모델을 능가하면서도 크기는 절반 수준에 불과합니다. 이는 학습 및 배포 과정 모두에서 더 낮은 메모리 사용량으로 이어집니다.
추론 속도: TensorRT를 사용하여 내보낼 때 YOLO26은 지연 시간 지표를 지배합니다. NMS를 제거함으로써 T4 GPU에서의 1.7ms 추론 시간이 완벽하게 안정적으로 유지되는 반면, PP-YOLOE+는 잠재적으로 가변적인 후처리 시간에 의존합니다.

Ultralytics의 강점: 생태계 및 사용 편의성#

원시 지표도 중요하지만 개발자 경험이 프로젝트 성공을 좌우하는 경우가 많습니다. **Ultralytics Platform**은 기존 프레임워크를 완전히 압도하는 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.
다재다능함: PP-YOLOE+는 주로 객체 검출 아키텍처입니다. YOLO26은 세그멘테이션, 분류, 자세 추정 및 OBB에 대한 기본 지원을 제공합니다.
학습 효율성: Ultralytics YOLO 모델은 RT-DETR 또는 구형 아키텍처와 같은 거대한 transformer models에 비해 훨씬 적은 CUDA 메모리를 요구하므로, 연구원들이 소비자용 하드웨어에서도 최첨단 모델을 학습할 수 있습니다.

기타 Ultralytics 모델

YOLO26이 현재 연구의 정점이지만, Ultralytics 생태계에는 YOLO11과 YOLOv8도 포함되어 있습니다. 두 모델 모두 방대한 커뮤니티 지원을 받는 강력한 모델로 남아 있어 기존 레거시 시스템에서 마이그레이션하는 사용자에게 이상적입니다.

코드 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}")

이상적인 사용 사례#

PP-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.

YOLO26을 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: 엔드투엔드 NMS 프리 아키텍처는 기존 NMS가 병목 현상을 유발할 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.

결론#

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

생성됨 2026년 1월 14일업데이트됨 지난달