PP-YOLOE+와 YOLOv5 비교#

컴퓨터 비전에 적합한 딥러닝 프레임워크를 선택할 때 개발자는 속도, 정확도, 배포 편의성의 균형을 맞추기 위해 다양한 아키텍처의 성능을 비교하는 경우가 많습니다. 이 심층 분석에서는 PP-YOLOE+와 YOLOv5의 기술적 차이를 살펴봅니다. 아키텍처와 성능 지표, 이상적인 배포 시나리오를 분석하면 실시간 로보틱스, 엣지 배포, 클라우드 기반 비디오 분석 등 다음 프로젝트에 필요한 정보를 바탕으로 결정을 내릴 수 있습니다.

모델의 기원 및 메타데이터#

두 모델은 모두 뛰어난 엔지니어링 팀이 개발했지만, 각기 다른 생태계를 대상으로 합니다. 개발 배경을 이해하면 아키텍처 설계 선택에 대한 유용한 맥락을 파악할 수 있습니다.

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

PP-YOLOE+ 자세히 알아보기

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 발전한 모델로, PP-YOLOv2와 같은 이전 모델을 기반으로 합니다. Cross Stage Partial(CSP) 네트워크 원리와 재매개변수화 기법을 결합한 고도로 최적화된 CSPRepResNet 백본을 도입하여 특징 추출 성능을 개선합니다. 이를 통해 학습 중에는 높은 정확도를 유지하면서 추론 속도를 높이기 위해 더 간결한 아키텍처로 통합할 수 있습니다.

또한 PP-YOLOE+는 Task Alignment Learning(TAL)과 효율적 태스크 정렬 헤드(ET-head)를 사용합니다. 이 조합은 밀집 객체 탐지기에서 흔히 발생하는 분류와 지역화 태스크 간의 불일치를 해결하기 위한 것입니다. 구조적으로 뛰어나지만, 아키텍처가 PaddlePaddle 프레임워크와 긴밀하게 결합되어 있어 다른 주요 ML 라이브러리를 표준으로 사용하는 팀에는 통합 문제가 발생할 수 있습니다.

YOLOv5 아키텍처#

반면 YOLOv5는 학술 연구와 엔터프라이즈 프로덕션 모두에서 업계 표준으로 자리 잡은 PyTorch를 기반으로 개발되었습니다. 뛰어난 그래디언트 흐름과 파라미터 효율성으로 잘 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.

성능 분석#

이 모델들을 평가하려면 평균 정밀도(mAP)와 지연 시간 간의 트레이드오프를 살펴봐야 합니다. 다음 표는 모델 크기별 지표를 보여줍니다.

PP-YOLOE+는 큰 스케일(예: X 변형)에서 경쟁력 있는 mAP 점수를 기록하지만, YOLOv5는 작은 모델에서 속도가 더 빠르고 파라미터 수도 적습니다. YOLOv5 Nano(YOLOv5n)는 파라미터가 190만 개에 불과하므로 메모리 요구 사항이 엄격한 제약형 엣지 디바이스에 매우 적합합니다. 또한 YOLO 모델은 일반적으로 RT-DETR과 같은 대규모 Transformer 기반 대안보다 학습에 필요한 CUDA 메모리가 적습니다.

Ultralytics의 강점#

아키텍처를 선택할 때는 성능 지표만으로 판단할 수 없습니다. 개발자 경험, 생태계 지원, 배포 파이프라인이 프로젝트의 실제 성공을 좌우하는 경우가 많습니다. 바로 이 점에서 Ultralytics 모델이 강점을 발휘합니다.

탁월한 사용 편의성#

Ultralytics의 Python API는 복잡한 상용구 코드를 추상화합니다. 개발자는 학습을 시작하고 성능을 검증하며 모델을 원활하게 배포할 수 있습니다. 문서는 방대하고 꾸준히 관리되며 전 세계의 대규모 오픈 소스 커뮤니티가 지원합니다.

다양한 작업 지원#

PP-YOLOE+는 객체 탐지 전용 모델이지만, Ultralytics 생태계에서는 통합된 단일 API로 여러 컴퓨터 비전 태스크를 처리할 수 있습니다. YOLOv5와 그 후속 모델을 사용하면 일반 바운딩 박스에서 이미지 세그멘테이션 및 분류 워크플로로 손쉽게 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 성능이 뛰어난 선택입니다. Paddle과의 기존 통합이 유지되는 아시아 지역의 특수 제조 파이프라인에서 자주 사용됩니다.

YOLOv5를 선택해야 하는 경우: 대다수의 해외 개발자, 연구자, 기업에게 YOLOv5는 여전히 강력한 모델입니다. PyTorch 기반이므로 추적을 위한 Weights & Biases와 같은 도구와 즉시 호환되며, NVIDIA GPU 가속을 위한 TensorRT 또는 Apple 디바이스용 CoreML로 원활하게 내보낼 수 있습니다. 농작물 모니터링부터 고속 드론 내비게이션까지 다양한 분야에서 뛰어난 성능을 발휘합니다.

객체 탐지의 미래: Ultralytics YOLO26#

YOLOv5는 상징적인 모델이지만 컴퓨터 비전 분야는 이미 더 발전했습니다. 2026년 1월에 출시된 YOLO26으로 전환하는 것을 모든 신규 개발에 적극 권장합니다. Ultralytics Platform에서 원활하게 사용할 수 있는 YOLO26은 효율성을 완전히 새롭게 정의합니다.

YOLO26의 주요 혁신:

• 엔드 투 엔드 NMS 프리 설계: YOLO26의 선택적 일대일 헤드(nms=False)는 비최대 억제 후처리 단계를 완전히 생략합니다. 이를 통해 지연 시간 변동을 줄이고 배포 파이프라인을 크게 간소화합니다.
• CPU 추론 속도 최대 43% 향상: Distribution Focal Loss(DFL)를 전략적으로 제거하여 GPU가 없는 엣지 디바이스의 속도를 크게 높입니다.
• MuSGD 옵티마이저: 주요 대규모 언어 모델에서 영감을 얻은 이 하이브리드 옵티마이저는 학습 동역학을 안정화하고 커스텀 데이터셋에서 훨씬 빠른 수렴을 지원합니다.
• 태스크별 개선: ProgLoss와 STAL 같은 고급 손실 함수를 적용하여 작은 객체에서 전례 없는 정확도를 달성합니다. 항공 이미지에서 회전 바운딩 박스(OBB) 탐지를 네이티브로 지원합니다.

최첨단 비전 모델을 살펴보고 있다면 이전 세대인 YOLO11이나 RT-DETR과 같은 Transformer 기반 접근 방식도 비교해 볼 수 있습니다. 최첨단 아키텍처 발전과 결합된 탄탄한 생태계를 바탕으로 Ultralytics는 현대 컴퓨터 비전 태스크를 위한 최고의 선택으로 자리매김하고 있습니다.