PP-YOLOE+와 YOLOv5#
컴퓨터 비전을 위한 적절한 딥러닝 프레임워크를 선택할 때 개발자는 속도, 정확도, 배포 편의성 간의 완벽한 균형을 찾기 위해 서로 다른 아키텍처의 기능을 비교하는 경우가 많습니다. 이 심층 분석에서는 PP-YOLOE+와 YOLOv5의 기술적 차이를 살펴봅니다. 아키텍처, 성능 지표, 적합한 배포 시나리오를 분석하면 실시간 로보틱스, 엣지 배포 또는 클라우드 기반 비디오 분석과 관련된 다음 프로젝트에 대해 정보에 입각한 결정을 내릴 수 있습니다.
모델 출처 및 메타데이터#
두 모델 모두 뛰어난 역량을 갖춘 엔지니어링 팀에서 개발되었지만, 목표로 하는 생태계는 약간 다릅니다. 두 모델의 기원을 이해하면 아키텍처 설계상의 선택을 파악하는 데 유용한 맥락을 얻을 수 있습니다.
PP-YOLOE+ 세부 정보:
- 저자: PaddlePaddle Authors
- 조직: 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 생태계 내에서 발전한 모델로, PP-YOLOv2와 같은 이전 모델을 기반으로 구축되었습니다. 고도로 최적화된 CSPRepResNet 백본을 도입했으며, 크로스 스테이지 파셜 (CSP) 네트워크의 원리와 재매개변수화 기법을 결합하여 특징 추출을 향상합니다. 이를 통해 모델은 학습 중 높은 정확도를 유지하면서 더 빠른 추론을 위해 더욱 간소화된 아키텍처로 통합될 수 있습니다.
또한 PP-YOLOE+는 태스크 정렬 학습 (TAL)과 효율적인 태스크 정렬 헤드 (ET-head)를 사용합니다. 이 조합은 밀집 객체 검출기에서 흔히 발생하는 분류와 위치 추정 태스크 간의 불일치를 해결하는 것을 목표로 합니다. 구조적으로는 인상적이지만, 이 아키텍처는 PaddlePaddle 프레임워크와 긴밀하게 결합되어 있어 다른 주요 ML 라이브러리를 표준화하여 사용하는 팀에는 통합 문제가 발생할 수 있습니다.
YOLOv5 아키텍처#
반면 YOLOv5는 학술 연구와 엔터프라이즈 프로덕션 모두에서 업계 표준으로 사용되는 PyTorch에서 기본적으로 설계되었습니다. 뛰어난 그래디언트 흐름과 매개변수 효율성으로 알려진 수정된 CSPDarknet53 백본을 사용합니다.
YOLOv5의 대표적인 기능은 AutoAnchor 알고리즘입니다. 이 알고리즘은 학습 전에 특정 커스텀 데이터셋을 기반으로 앵커 박스 크기를 동적으로 확인하고 조정합니다. 이를 통해 바운딩 박스에 대한 수동 하이퍼파라미터 튜닝이 필요하지 않습니다. 모델의 경로 집계 네트워크 (PANet) 넥은 강력한 멀티스케일 특징 융합을 보장하므로 다양한 크기의 객체를 검출하는 데 매우 효과적입니다.
YOLOv5는 PyTorch를 기반으로 직접 구축되었으므로 ONNX 및 TensorRT와 같은 최적화된 형식으로 내보낼 때 특정 프레임워크에 종속된 모델보다 미들웨어 구성이 훨씬 적게 필요합니다.
성능 분석#
이러한 모델을 평가하려면 평균 정밀도 (mAP)와 지연 시간 간의 트레이드오프를 살펴봐야 합니다. 다음 표는 다양한 모델 크기에 따른 지표를 보여줍니다.
| 모델 | 크기 (픽셀) | mAPval 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 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
PP-YOLOE+는 더 큰 스케일(예: X 변형)에서 매우 경쟁력 있는 mAP 점수를 달성하는 반면, YOLOv5는 스펙트럼의 작은 규모에서 더 뛰어난 속도와 더 적은 매개변수 수를 제공합니다. YOLOv5 Nano (YOLOv5n)는 매개변수가 단 260만 개에 불과하므로 메모리 요구 사항이 엄격한 제한된 엣지 디바이스에 매우 적합합니다. 또한 YOLO 모델 학습은 일반적으로 RT-DETR과 같은 대규모 Transformer 기반 대안보다 CUDA 메모리를 적게 사용합니다.
Ultralytics의 강점#
아키텍처를 선택할 때 원시 지표는 방정식의 일부일 뿐입니다. 개발자 경험, 생태계 지원, 배포 파이프라인이 프로젝트의 실제 성공을 좌우하는 경우가 많습니다. 바로 이 지점에서 Ultralytics 모델이 강점을 발휘합니다.
탁월한 사용 편의성#
Ultralytics의 Python API는 복잡한 상용구 코드를 추상화합니다. 개발자는 원활하게 학습을 시작하고, 성능을 검증하며, 모델을 배포할 수 있습니다. 문서는 광범위하고 지속적으로 관리되며, 전 세계의 거대한 오픈 소스 커뮤니티가 지원합니다.
다양한 작업 지원#
PP-YOLOE+는 전용 객체 검출기인 반면, Ultralytics 생태계에서는 사용자가 하나의 통합 API로 여러 컴퓨터 비전 태스크를 처리할 수 있습니다. YOLOv5와 그 후속 모델을 사용하면 표준 바운딩 박스에서 이미지 세그멘테이션 및 분류 워크플로로 손쉽게 전환할 수 있습니다.
코드 예제: YOLOv5 학습#
시작하는 데는 몇 줄의 코드만 필요합니다. 이러한 간결성은 연구 및 개발 주기를 크게 단축합니다.
from ultralytics import YOLO
# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run fast inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()실제 사용 사례#
PP-YOLOE+를 선택해야 하는 경우: 조직이 Baidu 소프트웨어 스택에 깊이 통합되어 있거나 PaddlePaddle 프레임워크를 필수로 요구하는 특수 하드웨어에 크게 의존한다면 PP-YOLOE+는 안정적인 성능을 제공합니다. Paddle을 사용하는 기존 통합이 존재하는 아시아 전역의 특수 제조 파이프라인에서 자주 활용됩니다.
YOLOv5를 선택해야 하는 경우: 대다수의 국제 개발자, 연구자 및 기업에 YOLOv5는 여전히 강력한 선택지입니다. PyTorch를 기반으로 하므로 추적을 위한 Weights & Biases와 같은 도구와 즉시 호환되며, NVIDIA GPU 가속을 위한 TensorRT 또는 Apple 디바이스를 위한 CoreML로 깔끔하게 내보낼 수 있습니다. 농작물 모니터링부터 고속 드론 내비게이션까지 다양한 분야에서 뛰어난 성능을 발휘합니다.
검출의 미래: Ultralytics YOLO26#
YOLOv5는 상징적인 모델이지만 컴퓨터 비전의 최전선은 발전해 왔습니다. 모든 신규 개발에는 2026년 1월에 출시된 YOLO26으로 전환할 것을 강력히 권장합니다. Ultralytics Platform을 통해 원활하게 사용할 수 있는 YOLO26은 효율성을 완전히 새롭게 정의합니다.
YOLO26의 주요 혁신:
- 엔드 투 엔드 NMS 없는 설계: YOLO26은 Non-Maximum Suppression 후처리를 완전히 제거합니다. 이를 통해 지연 시간 변동성이 감소하고 배포 파이프라인이 크게 단순화됩니다.
- 최대 43% 더 빠른 CPU 추론: Distribution Focal Loss (DFL)을 전략적으로 제거하여 YOLO26은 GPU가 없는 엣지 디바이스에서 속도를 크게 향상합니다.
- MuSGD 옵티마이저: 주요 Large Language Model에서 영감을 받은 이 하이브리드 옵티마이저는 학습 동역학을 안정화하고 커스텀 데이터셋에서 훨씬 빠른 수렴을 가능하게 합니다.
- 태스크별 향상: ProgLoss 및 STAL과 같은 고급 손실 함수를 지원하여 매우 작은 객체에서 전례 없는 정확도를 제공합니다. 항공 이미지에 대한 Oriented Bounding Box (OBB) 검출도 기본적으로 지원합니다.
최첨단 비전 모델을 탐색하고 있다면 이전 세대 모델인 YOLO11이나 RT-DETR과 같은 Transformer 기반 접근 방식도 비교해 볼 수 있습니다. 궁극적으로 강력한 생태계와 최첨단 아키텍처 발전이 결합되어 Ultralytics는 현대 컴퓨터 비전 태스크를 위한 최고의 선택지로 자리매김하고 있습니다.