PP-YOLOE+와 YOLO26

확장 가능하고 효율적이며 정확한 객체 탐지 모델에 대한 수요가 늘면서 실시간 컴퓨터 비전이 빠르게 발전했습니다. 이 분야의 주목할 만한 두 아키텍처는 PaddlePaddle 생태계의 탐지기 PP-YOLOE+와 엣지 배포 및 학습 효율성을 위해 설계된 최신 Ultralytics 모델 Ultralytics YOLO26입니다.

이 가이드에서는 두 모델의 아키텍처, 성능 지표, 학습 방법론, 이상적인 사용 사례를 비교하여 다음 AI 프로젝트에 적합한 모델을 판단할 수 있도록 돕습니다.

기술 사양 및 개발 주체#

두 모델의 기원과 설계 철학을 이해하면 실제 적용 방식을 파악하는 데 도움이 됩니다.

PP-YOLOE+ 세부 정보:

PP-YOLOE+ 자세히 알아보기

YOLO26 세부 정보:

아키텍처 혁신#

PP-YOLOE+ 아키텍처#

PP-YOLOE와 이전 모델인 PP-YOLOv2를 기반으로, PP-YOLOE+는 산업 애플리케이션에 맞춘 견고한 설계를 도입했습니다. CSPRepResNet 백본과 ET 헤드(Efficient Task-aligned head)를 사용해 속도와 정확도의 균형을 맞춥니다. PP-YOLOE+는 동적 레이블 할당(TAL)을 사용하며 Baidu의 PaddlePaddle 프레임워크와 긴밀하게 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 우선 설계#

2026년 1월에 출시된 Ultralytics YOLO26은 배포 간소화와 엣지 효율성을 중점에 두고 실시간 탐지 파이프라인을 재설계했습니다.

YOLO26의 주요 혁신은 다음과 같습니다.

  • 엔드투엔드 NMS 프리 설계: YOLO26은 네이티브 엔드투엔드 추론(nms=False)을 지원하여 비최대 억제(NMS) 후처리를 없앱니다. YOLOv10에서 처음 도입된 이 방식은 장면의 혼잡도와 관계없이 추론 지연 시간을 일정하게 유지하므로 배포가 훨씬 간편해집니다.
  • DFL 제거: Distribution Focal Loss(DFL)를 제거하면 YOLO26의 출력 헤드가 간소화되어 저전력 엣지 디바이스와의 호환성이 향상됩니다.
  • 최대 43% 빠른 CPU 추론: DFL 제거와 구조적 최적화 덕분에 YOLO26은 전용 GPU가 없는 환경에 최적화되어 있으며, YOLO26n은 YOLO11n보다 CPU에서 최대 43% 빠르게 추론합니다.
  • MuSGD 옵티마이저: Moonshot AI와 같은 사례의 고급 LLM 학습 기법에서 영감을 얻은 YOLO26은 SGD와 Muon을 결합한 하이브리드 방식을 도입합니다. 이를 통해 컴퓨터 비전 작업에서 학습을 안정화하고 수렴 속도를 높입니다.
  • ProgLoss + STAL: Progressive Loss와 작은 객체를 고려한 레이블 할당은 작은 객체 인식을 집중적으로 개선합니다. 이는 IoT 엣지 센서와 VisDrone 데이터셋과 같은 드론 이미지 분석에 중요합니다.
YOLO26의 작업별 개선 사항

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 YOLO26을 종합적으로 비교합니다. YOLO26 모델은 원시 속도, 파라미터 효율성, 전반적인 평균 정밀도(mAP)에서 앞섭니다.

모델크기
(픽셀)
mAPval50-95속도
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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

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: TensorRT로 내보내면 YOLO26이 지연 시간 지표에서 앞섭니다. NMS 프리 일대일 헤드(nms=False, 이 벤치마크에 사용)는 T4 GPU에서 1.7ms의 추론 시간을 안정적으로 유지하지만, PP-YOLOE+는 변동 가능성이 있는 후처리 시간에 의존합니다.

Ultralytics의 장점: 에코시스템과 사용 편의성#

원시 지표도 중요하지만 개발자 경험이 프로젝트의 성패를 좌우하는 경우가 많습니다. Ultralytics Platform은 오래된 프레임워크보다 훨씬 사용하기 쉬운, 잘 관리되는 생태계를 제공합니다.

  1. 사용 편의성: Ultralytics는 복잡한 상용구 코드를 추상화합니다. YOLO26 학습에는 몇 줄의 Python 코드만 필요하므로 PP-YOLOE+에서 요구하는 복잡한 구성 파일을 사용하지 않아도 됩니다.
  2. 다용성: PP-YOLOE+는 주로 객체 탐지를 위한 아키텍처입니다. YOLO26은 분할, 분류, 포즈 추정, OBB를 별도의 설정 없이 기본 지원합니다.
  3. 학습 효율성: Ultralytics YOLO 모델은 RT-DETR과 같은 대형 Transformer 모델이나 구형 아키텍처보다 훨씬 적은 CUDA 메모리를 사용하므로, 연구자는 소비자용 하드웨어에서 정확도 높은 모델을 학습할 수 있습니다.
기타 Ultralytics 모델

YOLO26을 기본 모델로 권장하지만, Ultralytics 생태계에는 YOLO11과 YOLOv8도 포함됩니다. 두 모델 모두 커뮤니티 지원이 폭넓고 성능도 여전히 뛰어나 기존 시스템을 유지 관리하는 사용자에게 적합합니다.

코드 예제: YOLO26 학습#

Ultralytics를 시작하는 과정은 간단합니다. 다음은 YOLO26 모델을 불러오고 학습한 다음 내보내는 실행 가능한 예제입니다.

from ultralytics import YOLO

# Load the 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 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.
  • 기존 Paddle 기반 프로덕션 라인: 자동화된 결함 탐지에 PP-YOLOE+를 사용하고 있는 산업용 비전 파이프라인은 기존 도구를 계속 사용할 수 있습니다.

YOLO26을 선택해야 하는 경우#

  • 엣지 컴퓨팅 및 IoT: 최대 43% 빠른 CPU 추론(YOLO26n과 YOLO11n 비교)과 DFL 제거를 통해 YOLO26은 Raspberry Pi 보드, 휴대폰, 임베디드 디바이스에 배포하기에 적합합니다.
  • 혼잡한 장면 및 스마트 시티: 엔드투엔드 NMS 프리 아키텍처는 기존 NMS가 병목을 일으킬 수 있는 주차 관리 및 교통 모니터링과 같은 복잡한 환경에서도 지연 시간을 안정적으로 유지합니다.
  • 멀티태스크 프로젝트: 파이프라인에서 객체 추적, 사람 포즈 추정, 정밀한 분할 마스크 생성이 필요한 경우 YOLO26은 이 모든 작업을 통합된 단일 Python 패키지에서 처리합니다.

결론#

PP-YOLOE+는 특정 생태계 내에서 여전히 유능한 탐지기이지만, YOLO26은 실시간 탐지의 기준을 한층 높입니다. LLM에서 영감을 얻은 학습 최적화(MuSGD)와 최적화된 NMS 프리 아키텍처를 결합해 Ultralytics는 정확도가 높고 배포하기 쉬운 모델을 구현했습니다. 속도, 정확도, 개발자 경험의 균형이 가장 뛰어난 솔루션을 찾는 최신 개발자에게 YOLO26을 권장합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.