PP-YOLOE+와 YOLOv10

새 모델이 실시간 객체 탐지를 개선하면서 컴퓨터 비전은 계속 발전하고 있습니다. 이 기술 비교에서는 서로 다른 생태계를 위해 설계된 유능한 아키텍처인 PP-YOLOE+와 YOLOv10을 살펴봅니다. 또한 Ultralytics Platform과 YOLO26 모델처럼 통합되고 사용하기 쉬운 도구로 분야가 어떻게 변화하고 있는지도 설명합니다.

모델 소개#

컴퓨터 비전 프로젝트의 기반을 올바르게 선택하려면 각 모델의 아키텍처상 트레이드오프, 배포 제약 조건, 생태계 지원을 명확히 이해해야 합니다.

PP-YOLOE+ 개요#

Baidu의 PaddlePaddle 개발자들이 만든 PP-YOLOE+는 PaddleDetection 생태계의 이전 모델을 발전시킨 단계입니다.

장점: PP-YOLOE+는 PaddlePaddle 프레임워크와 긴밀히 통합된 환경에서 뛰어난 성능을 발휘합니다. CSPRepResNet 백본을 도입하고 작업 정렬 레이블 할당 전략(TAL)을 사용해 높은 평균 정밀도(mAP)를 달성합니다. 산업 애플리케이션에서 흔히 사용하는 서버급 GPU 배포에 최적화되어 있습니다.

단점: PP-YOLOE+의 주요 단점은 PaddlePaddle 생태계에 크게 의존한다는 점입니다. PyTorch에 익숙한 개발자에게는 직관적이지 않을 수 있습니다. 또한 후처리에 기존 방식의 비최대 억제(NMS)가 필요해 지연 시간과 배포 복잡성이 증가합니다.

PP-YOLOE+ 자세히 알아보기

YOLOv10 개요#

칭화대학교 연구진이 출시한 YOLOv10은 추론 파이프라인에서 NMS를 제거하여 아키텍처에 큰 변화를 가져왔습니다.

장점: YOLOv10의 두드러진 특징은 NMS 프리 학습을 위한 일관된 이중 할당 방식입니다. 이를 통해 모델은 별도의 필터링 단계 없이 바운딩 박스를 네이티브로 예측하므로 모델 배포가 간편해지고 엣지 디바이스에서 더 빠르게 실행됩니다. 적은 파라미터 수와 높은 정확도의 균형도 뛰어납니다.

단점: 표준 2D 객체 탐지에는 매우 효율적이지만, YOLOv10은 인스턴스 분할 및 포즈 추정과 같은 다른 주요 컴퓨터 비전 작업을 네이티브로 지원하지 않아 복잡한 멀티태스크 파이프라인에서 활용도가 제한됩니다.

YOLOv10 자세히 알아보기

고급 대안을 고려하고 계신가요?

실시간 탐지의 최신 혁신을 살펴보고 있다면 고정확도 비전 애플리케이션을 위해 YOLO11 또는 Transformer 기반 RT-DETR을 고려해 보세요.

성능 및 지표 비교#

표준화된 벤치마크에서 각 모델의 성능을 이해하는 일은 적합한 아키텍처를 선택하는 데 중요합니다. 아래 표에서는 크기, 정확도, 지연 시간을 비교합니다.

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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

기술 분석#

데이터를 분석하면 몇 가지 주요 경향을 확인할 수 있습니다. YOLOv10 nano 및 small 모델은 엣지 효율성을 목표로 하며, YOLOv10n은 파라미터 230만 개와 6.7B FLOPs만 사용합니다. 경량 설계와 NMS 프리 아키텍처를 결합해 TensorRT 및 OpenVINO를 사용하는 플랫폼에서 지연 시간을 크게 줄입니다.

반면 PP-YOLOE+는 대형 가중치 등급에서 뛰어난 역량을 보여 주며, X-large 변형 모델은 mAP에서 YOLOv10x를 근소하게 앞섭니다(54.7% 대 54.4%). 그러나 파라미터 수가 세 배 이상 늘어나는 대가가 따릅니다(98.42M 대 29.5M). 따라서 메모리가 제한된 환경에서는 YOLOv10x가 훨씬 효율적인 모델입니다.

Ultralytics 생태계의 이점#

PP-YOLOE+와 YOLOv10 모두 인상적인 기술적 성과를 거두었지만, 현대적인 ML 엔지니어링에는 아키텍처 자체만으로는 부족하며 지속적으로 관리되는 에코시스템이 필요합니다.

Ultralytics는 데이터 수집 및 어노테이션, 학습, 배포를 크게 간소화하는 Python 패키지를 제공합니다. 무거운 연구 프레임워크나 구형 Transformer 모델과 비교해 Ultralytics 아키텍처는 학습 중 CUDA 메모리를 훨씬 적게 사용하므로 더 큰 배치 크기와 빠른 반복이 가능합니다. 또한 Ultralytics 패키지는 이미지 분류, OBB(회전 바운딩 박스), 강력한 객체 추적을 즉시 지원해 폭넓은 활용성을 제공합니다.

YOLO26 소개: 차세대 모델#

2026년 1월에 출시된 Ultralytics YOLO26은 YOLOv10과 같은 모델의 핵심 장점을 결합하고 한계는 보완합니다.

YOLO26의 주요 혁신:

  • 엔드투엔드 NMS 프리 설계: YOLO26은 YOLOv10이 YOLO 모델에 도입한 NMS 프리 학습을 바탕으로, 다양한 하드웨어에서 더 빠르고 간편하게 배포할 수 있도록 NMS 후처리를 제거하는 선택적 엔드투엔드 헤드(nms=False)를 제공합니다.
  • DFL 제거: Distribution Focal Loss(DFL)를 제거하면 모델 아키텍처를 더 간편하게 내보낼 수 있어 저전력 엣지 AI 디바이스와의 호환성이 향상됩니다.
  • MuSGD 옵티마이저: YOLO26은 대규모 언어 모델 학습 기법(예: Moonshot AI의 Kimi K2)에서 영감을 얻어 SGD와 Muon을 결합한 하이브리드 방식을 사용합니다. 이를 통해 학습이 안정되고 수렴 속도가 크게 높아집니다.
  • 최대 43% 빠른 CPU 추론: 실제 시나리오에 최적화된 YOLO26n은 CPU 연산을 사용하는 애플리케이션에서 YOLO11n보다 최대 43% 빠르므로 스마트 감시와 모바일 배포에 적합합니다.
  • ProgLoss + STAL: 점진적 손실 함수와 작은 객체를 고려한 레이블 할당 전략은 작은 객체 인식 성능을 크게 향상합니다. 이는 항공 이미지와 로보틱스에서 중요한 요소입니다.
  • 작업별 개선 사항: YOLOv10과 달리 YOLO26은 세그멘테이션을 위한 멀티스케일 프로토와 포즈 추정을 위한 잔차 로그 가능도 추정(RLE)을 기본적으로 지원합니다.

실제 구현#

Ultralytics 모델은 쉽게 시작할 수 있도록 설계되었습니다. 몇 줄의 코드만으로 최신 데이터 증강 파이프라인을 사용해 학습을 시작할 수 있습니다.

from ultralytics import YOLO

# 권장 모델인 YOLO26을 불러옵니다
model = YOLO("yolo26n.pt")

# COCO8 데이터셋으로 모델 학습
# Transformer 아키텍처보다 메모리 사용량을 크게 최적화했습니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# 엔드 투 엔드 NMS 프리 추론을 실행합니다
inference_results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# 배포를 위해 ONNX 또는 TensorRT로 직접 내보냅니다
model.export(format="onnx", simplify=True)

사용 사례 및 권장 사항#

PP-YOLOE+와 YOLOv10 중에서 선택할 때는 프로젝트의 구체적인 요구 사항, 배포 제약 조건, 에코시스템 선호도를 고려해야 합니다.

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.

YOLOv10을 선택해야 하는 경우#

다음과 같은 경우 YOLOv10을 권장합니다:

  • NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
  • 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
  • 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

  • NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 장치에서는 YOLO26이 최대 43% 더 빠른 CPU 추론 속도(YOLO26n과 YOLO11n 비교)를 제공하므로 확실한 이점을 얻을 수 있습니다.
  • 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.

결론#

PP-YOLOE+는 Baidu 생태계와 산업용 서버 환경을 계속 사용하려는 팀에 여전히 신뢰할 수 있는 선택지입니다. YOLOv10은 NMS 없는 실시간 탐지의 실현 가능성을 입증한 중요한 학술적 이정표입니다.

그러나 정확도, 빠른 추론, 멀티태스크 기능을 가장 잘 조합한 모델을 찾는 개발자에게는 Ultralytics YOLO26을 권장합니다. 학습 효율성과 엣지 우선 배포 측면의 혁신을 바탕으로 프로덕션급 컴퓨터 비전에 적합한 견고하고 다재다능한 솔루션입니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.