PP-YOLOE+와 YOLOv5 비교
컴퓨터 비전에 사용할 딥러닝 프레임워크를 선택할 때 개발자는 속도, 정확도, 배포 편의성의 적절한 균형을 찾기 위해 여러 아키텍처를 비교하곤 합니다. 이 비교에서는 객체 탐지를 위한 PP-YOLOE+와 YOLOv5의 기술적 차이를 살펴봅니다. 아키텍처, 성능 지표, 적합한 배포 시나리오를 분석하면 실시간 로보틱스, 엣지 배포, 클라우드 기반 비디오 분석 등 다음 프로젝트에 적합한 선택을 내릴 수 있습니다.
모델의 기원 및 메타데이터#
두 모델은 모두 뛰어난 엔지니어링 팀이 개발했지만 서로 다른 생태계를 대상으로 합니다. 각 모델의 배경을 이해하면 아키텍처 설계 선택을 파악하는 데 도움이 됩니다.
PP-YOLOE+ 세부 정보:
- 저자: PaddlePaddle 저자
- 기관: Baidu
- 날짜: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- 문서: PaddleDetection README
YOLOv5 세부 정보:
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 문서: https://docs.ultralytics.com/models/yolov5
아키텍처 비교#
PP-YOLOE+ 아키텍처#
PP-YOLOE+는 Baidu 생태계에서 개발되었으며 PP-YOLOv2와 같은 이전 모델을 기반으로 발전했습니다. Cross Stage Partial(CSP) 네트워크 원리와 재매개변수화 기법을 결합해 특징 추출을 강화하는 최적화된 CSPRepResNet 백본을 도입했습니다. 이를 통해 학습 중 높은 정확도를 유지하면서도 추론 속도를 높이기 위해 더욱 간소화된 아키텍처로 전환할 수 있습니다.
또한 PP-YOLOE+는 작업 정렬 학습(TAL)과 효율적인 작업 정렬 헤드(ET-head)를 사용합니다. 이 조합은 밀집 객체 탐지 모델에서 흔히 발생하는 병목인 분류와 위치 추정 작업 간의 불일치를 해결하고자 합니다. 잘 설계된 아키텍처지만 PaddlePaddle 프레임워크와 긴밀하게 연결되어 있어 다른 주류 ML 라이브러리를 표준으로 사용하는 팀에는 통합 문제가 생길 수 있습니다.
YOLOv5 아키텍처#
반면 YOLOv5는 학술 연구와 엔터프라이즈 프로덕션 모두에서 업계 표준인 PyTorch로 기본 개발되었습니다. 강력한 기울기 흐름과 파라미터 효율성으로 알려진 수정된 CSPDarknet53 백본을 사용합니다.
YOLOv5의 대표적인 특징은 AutoAnchor 알고리즘입니다. 학습 전에 지정된 커스텀 데이터셋을 기반으로 앵커 박스 크기를 동적으로 확인하고 조정합니다. 따라서 바운딩 박스에 대한 수동 하이퍼파라미터 튜닝이 필요하지 않습니다. 모델의 경로 집계 네트워크(PANet) 넥은 여러 스케일의 특징을 안정적으로 융합하여 크기가 다양한 객체를 효과적으로 탐지합니다.
YOLOv5는 PyTorch를 기반으로 직접 구축되었으므로 ONNX 및 TensorRT와 같은 최적화 형식으로 내보낼 때 프레임워크별 툴체인에 종속된 모델보다 미들웨어 구성이 훨씬 적게 필요합니다.
성능 분석#
이러한 모델을 평가하려면 평균 정밀도(mAP)와 지연 시간 사이의 절충점을 살펴봐야 합니다. 다음 표는 서로 다른 모델 크기에서의 지표를 보여줍니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
PP-YOLOE+는 더 큰 규모(예: X 변형)에서 매우 경쟁력 있는 mAP 점수를 달성하지만, YOLOv5는 작은 모델에서 더 빠른 속도와 더 적은 파라미터 수를 제공합니다. YOLOv5 Nano(YOLOv5n)는 파라미터가 190만 개에 불과하여 메모리 요구 사항이 엄격한 리소스 제한형 엣지 장치에 매우 적합합니다. 또한 YOLO 모델을 학습할 때는 일반적으로 RT-DETR과 같은 무거운 Transformer 기반 모델보다 CUDA 메모리를 적게 사용합니다.
Ultralytics의 강점#
아키텍처를 선택할 때 순수 성능 지표만으로 모든 것을 판단할 수는 없습니다. 개발자 경험, 생태계 지원, 배포 파이프라인이 프로젝트의 실제 성공을 좌우하는 경우가 많습니다. 이러한 점에서 Ultralytics 모델은 두각을 나타냅니다.
사용 편의성#
Ultralytics의 Python API는 복잡한 보일러플레이트 코드를 추상화합니다. 개발자는 최소한의 코드로 학습을 시작하고 성능을 검증하며 모델을 배포할 수 있습니다. 문서가 충실하고 지속적으로 관리되며, 전 세계의 대규모 오픈 소스 커뮤니티가 지원합니다.
다양한 작업 지원#
PP-YOLOE+는 전용 객체 탐지 모델이지만, Ultralytics 생태계에서는 통합 API 하나로 여러 컴퓨터 비전 작업을 수행할 수 있습니다. YOLOv5와 후속 모델을 사용하면 표준 바운딩 박스에서 인스턴스 분할 및 분류 워크플로로 쉽게 전환할 수 있습니다.
코드 예제: YOLOv5 학습#
몇 줄의 코드만으로 시작할 수 있습니다. 이러한 간편함은 연구 및 개발 주기를 크게 단축합니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv5 소형 모델 로드
model = YOLO("yolov5su.pt") # YOLOv5u: ultralytics 패키지용 앵커 프리 YOLOv5 가중치
# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 이미지에서 빠른 추론 실행
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()실제 활용 사례#
PP-YOLOE+를 선택해야 하는 경우: 조직이 Baidu 소프트웨어 스택에 깊이 통합되어 있거나 PaddlePaddle 프레임워크가 필수인 특수 하드웨어에 크게 의존한다면 PP-YOLOE+는 뛰어난 성능을 제공하는 모델입니다. 기존 Paddle 통합 환경을 갖춘 특수 제조 파이프라인에서 자주 사용됩니다.
YOLOv5를 선택해야 하는 경우: 대부분의 개발자, 연구자, 기업에는 YOLOv5가 여전히 좋은 선택입니다. PyTorch 기반이므로 추적용 Weights & Biases와 같은 도구와 바로 호환되며, NVIDIA GPU 가속을 위한 TensorRT나 Apple 장치용 CoreML로 깔끔하게 내보낼 수 있습니다. 농작물 모니터링부터 고속 드론 내비게이션까지 다양한 분야에서 우수한 성능을 발휘합니다.
객체 탐지의 미래: Ultralytics YOLO26#
YOLOv5는 기념비적인 모델이지만 컴퓨터 비전 기술은 발전했습니다. 2026년 1월에 출시된 YOLO26을 모든 신규 개발에 권장합니다. Ultralytics Platform에서 사용할 수 있는 YOLO26은 효율성의 새로운 기준을 제시합니다.
YOLO26의 주요 혁신:
- 엔드투엔드 NMS-Free 설계: YOLO26의 선택적 one-to-one 헤드(
nms=False)는 비최대 억제(NMS) 후처리를 완전히 생략합니다. 이를 통해 지연 시간 변동성이 줄어들고 배포 파이프라인이 크게 간소화됩니다. - 최대 43% 빠른 CPU 추론: 분포 초점 손실(DFL)을 제거하여 YOLO26은 GPU가 없는 엣지 디바이스에서 속도를 크게 높이며, YOLO26n은 YOLO11n보다 최대 43% 빠르게 실행됩니다.
- MuSGD 옵티마이저: 대규모 언어 모델(LLM) 학습 기법에서 영감을 얻은 이 하이브리드 옵티마이저는 학습 동역학을 안정화하고 커스텀 데이터셋에서 더 빠른 수렴을 지원합니다.
- 태스크별 개선 사항: 점진적 손실과 작은 객체 인식형 레이블 할당인 ProgLoss와 STAL을 적용해 작은 객체의 정확도를 높입니다. 항공 이미지에서 방향 경계 상자(OBB) 탐지를 기본 지원합니다.
최신 비전 모델을 살펴보고 있다면 이전 세대 모델인 YOLO11이나 RT-DETR과 같은 Transformer 기반 접근 방식과의 비교에도 관심이 있을 수 있습니다. 견고한 생태계와 지속적인 아키텍처 개선을 바탕으로 Ultralytics는 최신 컴퓨터 비전 작업에 적합한 선택입니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.