PP-YOLOE+와 YOLOv10#
새로운 모델들이 실시간 객체 탐지의 가능성을 확장하면서 컴퓨터 비전 분야는 끊임없이 발전하고 있습니다. 이 종합적인 기술 비교에서는 서로 다른 생태계를 위해 설계된 뛰어난 두 아키텍처인 PP-YOLOE+와 YOLOv10을 살펴봅니다. 또한 Ultralytics Platform과 최첨단 YOLO26 모델처럼 더욱 통합되고 사용하기 쉬운 플랫폼으로 생태계 전반이 어떻게 변화하고 있는지도 알아봅니다.
모델 소개#
컴퓨터 비전 프로젝트에 적합한 기반을 선택하려면 각 모델의 아키텍처상 트레이드오프, 배포 제약 조건, 생태계 지원을 깊이 이해해야 합니다.
PP-YOLOE+ 개요#
Baidu의 PaddlePaddle 개발자들이 만든 PP-YOLOE+는 PaddleDetection 생태계의 이전 모델을 발전시킨 단계입니다.
- 저자: PaddlePaddle 저자
- 기관: Baidu
- 날짜: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: PaddleDetection 저장소
- 문서: PP-YOLOE+ 공식 문서
강점: PP-YOLOE+는 PaddlePaddle 프레임워크와 긴밀히 통합된 환경에서 뛰어난 성능을 발휘합니다. 고급 CSPRepResNet 백본을 도입하고 강력한 레이블 할당 전략(TAL)을 활용해 인상적인 평균 정밀도(mAP)를 달성합니다. 아시아의 산업용 애플리케이션에서 흔히 사용하는 서버급 GPU 배포에 최적화되어 있습니다.
약점: PP-YOLOE+의 주된 단점은 PaddlePaddle 생태계에 대한 높은 의존성이며, 이는 PyTorch에 익숙한 개발자에게 직관적이지 않을 수 있습니다. 또한 후처리에 기존 방식의 비최대 억제(NMS)가 필요해 지연 시간과 배포 복잡성이 증가합니다.
YOLOv10 개요#
칭화대학교 연구진이 출시한 YOLOv10은 추론 파이프라인에서 NMS를 제거해 아키텍처 패러다임을 크게 바꿨습니다.
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 날짜: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: YOLOv10 저장소
- 문서: YOLOv10 문서
강점: YOLOv10의 가장 두드러진 특징은 NMS가 필요 없는 학습을 위한 일관된 이중 할당입니다. 즉, 모델이 보조 필터링 단계 없이 기본적으로 바운딩 박스를 예측하므로 모델 배포가 훨씬 간편하고 빠르며, 엣지 장치에서 특히 효과적입니다. 적은 파라미터 수와 높은 정확도 사이의 균형도 뛰어납니다.
약점: 표준 2D 객체 탐지에는 매우 효율적이지만, YOLOv10은 인스턴스 분할과 포즈 추정처럼 중요한 다른 컴퓨터 비전 작업을 기본 지원하지 않아 복잡한 다중 작업 파이프라인에서 다용성이 제한됩니다.
성능 및 지표 비교#
표준화된 벤치마크에서 이러한 모델이 어떻게 작동하는지 이해하는 것은 적합한 아키텍처를 선택하는 데 매우 중요합니다. 아래에서 모델의 크기, 정확도, 지연 시간을 자세히 비교합니다.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
기술 분석#
데이터를 분석하면 몇 가지 주요 추세가 드러납니다. YOLOv10 나노 및 스몰 모델은 엣지 효율성을 적극적으로 추구하며, YOLOv10n은 파라미터가 230만 개에 불과하고 FLOPs는 6.7B입니다. 가벼운 설계와 NMS가 필요 없는 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 업계 최고 수준의 Python SDK를 제공합니다. 무거운 연구 프레임워크나 구형 Transformer 모델과 비교해 Ultralytics 아키텍처는 학습 중 CUDA 메모리를 훨씬 적게 사용하므로 배치 크기를 키우고 반복 작업을 더 빠르게 진행할 수 있습니다. 또한 Ultralytics 제품군은 이미지 분류, OBB(방향 경계 상자), 강력한 객체 추적을 기본적으로 지원해 폭넓은 활용성을 제공합니다.
YOLO26 소개: 차세대 모델#
2026년 1월에 출시된 Ultralytics YOLO26은 YOLOv10과 같은 모델의 장점을 결합하고 한계를 보완하여 컴퓨터 비전 발전의 정점을 보여 줍니다.
YOLO26의 주요 혁신:
- 엔드 투 엔드 NMS 프리 설계: YOLOv10에서 처음 도입된 개념을 발전시킨 YOLO26은 선택적 엔드 투 엔드 헤드(
nms=False)를 제공하여 NMS 후처리를 없애고 다양한 하드웨어에서 더 빠르고 간편하게 배포할 수 있습니다. - DFL 제거: 분포 초점 손실(DFL)을 제거해 모델 아키텍처를 크게 간소화하고 내보내기 과정을 개선함으로써 저전력 엣지 AI 장치와 완벽하게 호환됩니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델 학습 기법에서 영감을 얻은 YOLO26은 SGD와 Muon을 결합한 하이브리드 방식을 사용합니다. 이를 통해 전례 없는 학습 안정성과 훨씬 빠른 수렴 속도를 실현합니다.
- 최대 43% 빠른 CPU 추론: 실제 환경에 맞춰 최적화된 YOLO26은 CPU 연산에 의존하는 애플리케이션의 속도를 크게 높여 스마트 감시 및 모바일 배포에 적합합니다.
- ProgLoss + STAL: 개선된 손실 함수는 소형 객체 인식 성능을 크게 높입니다. 이는 항공 이미지 및 로보틱스 분야에서 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 누구나 쉽게 시작할 수 있도록 설계되었습니다. 최신 데이터 증강 파이프라인을 사용해 몇 줄의 코드만으로 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 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
- 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 에코시스템과 산업용 서버 환경에 종속된 팀에 여전히 신뢰할 수 있는 선택지입니다. YOLOv10은 NMS가 필요 없는 실시간 탐지의 실현 가능성을 입증한 탁월한 학술적 성과입니다.
그러나 정확도, 매우 빠른 추론 속도, 원활한 멀티태스크 기능의 최적 조합을 원하는 개발자에게는 Ultralytics YOLO26이 확실한 선택입니다. 학습 효율성의 혁신과 엣지를 우선하는 배포 아키텍처를 통해 2026년 이후에도 프로덕션 수준의 컴퓨터 비전을 위한 가장 강력하고 다재다능한 솔루션으로 자리매김합니다.