PP-YOLOE+와 YOLOv6-3.0 비교

실시간 컴퓨터 비전이 빠르게 확장되면서 다양한 배포 시나리오에 최적화된 특수 아키텍처가 등장했습니다. 고처리량과 신뢰할 수 있는 정확도의 균형이 필요한 애플리케이션을 구축할 때 개발자는 PP-YOLOE+와 YOLOv6-3.0을 자주 비교합니다. 두 모델은 출시 당시 산업 및 엣지 애플리케이션의 추론 속도 향상에 초점을 맞춰 아키텍처를 크게 개선했습니다.

아키텍처를 자세히 살펴보기 전에 아래 차트를 통해 속도와 정확도 측면에서 두 모델의 상대적인 성능을 확인해 보세요.

PP-YOLOE+: 아키텍처의 장단점#

PaddlePaddle 개발자들이 개발한 PP-YOLOE+는 여러 규모 요구 사항에서 견고한 성능을 제공하도록 이전 모델을 발전시킨 대표적인 앵커 프리 탐지 모델입니다.

아키텍처 주요 특징#

PP-YOLOE+는 기존 PP-YOLOE 설계를 여러 측면에서 크게 개선했습니다. 연산 비용과 특징 추출 역량의 균형을 효율적으로 맞추는 CSPRepResNet 백본을 사용합니다. 또한 특징 피라미드 네트워크(FPN)와 경로 집계 네트워크(PAN)를 결합하여 멀티스케일 특징 융합을 보장합니다. 주요 특징 중 하나인 ET-head(효율적인 작업 정렬 헤드)는 객체 탐지 중 분류와 위치 추정 간 조정을 크게 개선합니다.

PP-YOLOE+는 높은 평균 정밀도(mAP)를 달성하지만, PaddlePaddle 생태계에 대한 의존성으로 인해 PyTorch 중심 워크플로에 익숙한 연구자에게는 학습 곡선이 가파를 수 있습니다. Paddle 추론을 직접 지원하지 않는 이기종 엣지 장치를 대상으로 할 때는 모델 배포 과정이 다소 복잡해질 수 있습니다.

배포 환경

PP-YOLOE+는 Baidu 기술 스택 내 배포에 고도로 최적화되어 있어 프로덕션 환경에서 Paddle 추론 도구를 주로 사용한다면 좋은 선택입니다.

PP-YOLOE+ 자세히 알아보기

YOLOv6-3.0: 산업용 처리량#

Meituan 비전 AI 부서가 출시한 YOLOv6-3.0은 산업용 애플리케이션을 위한 차세대 객체 탐지 모델로 명확히 설계되었으며, GPU 하드웨어에서 높은 처리량을 우선시합니다.

아키텍처 주요 특징#

YOLOv6-3.0은 하드웨어 활용도를 극대화하도록 특별히 설계된 EfficientRep 백본을 갖추고 있으며, 특히 TensorRT를 사용하는 NVIDIA GPU에 적합합니다. v3.0 업데이트에서는 넥에 양방향 연결(BiC) 모듈을 추가하여 파라미터 수를 크게 늘리지 않으면서 공간 특징 보존을 개선했습니다. 또한 모델 학습 중 앵커 기반 안정성의 장점을 활용하면서 실시간 추론 시에는 빠른 앵커 프리 아키텍처를 유지하는 앵커 보조 학습(AAT) 전략을 도입했습니다.

그러나 YOLOv6-3.0은 서버급 GPU에 고도로 최적화되어 있으므로, 리소스가 크게 제한된 CPU 전용 엣지 장치에 배포하면 지연 시간 개선 효과가 줄어들 수 있습니다. 이러한 특성화로 인해 오프라인 비디오 분석과 같은 환경에서 가장 우수한 성능을 보이며, 더 작은 하드웨어에서는 엣지 최적화 모델보다 성능이 낮을 수 있습니다.

YOLOv6에 대해 자세히 알아보기

성능 비교 표#

다음 표에서는 두 아키텍처의 다양한 스케일 변형을 직접 비교하여 주요 성능 지표를 보여줍니다.

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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

사용 사례 및 권장 사항#

PP-YOLOE+와 YOLOv6 중에서 선택할 때는 구체적인 프로젝트 요구 사항, 배포 제약, 생태계 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.

YOLOv6을 선택할 경우#

다음과 같은 경우 YOLOv6을 권장합니다.

  • 산업용 하드웨어 고려 배포: 모델의 하드웨어 고려 설계와 효율적인 재매개변수화가 특정 대상 하드웨어에서 최적화된 성능을 제공하는 시나리오입니다.
  • 빠른 단일 단계 검출: 통제된 환경에서 실시간 비디오 처리를 위해 GPU에서의 순수 추론 속도를 우선시하는 애플리케이션입니다.
  • Meituan 생태계 통합: 이미 Meituan의 기술 스택 및 배포 인프라를 사용하는 팀입니다.

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 디바이스에서는 YOLO26n이 YOLO11n보다 CPU 추론 속도가 최대 43% 빨라 확실한 이점을 제공합니다.
  • 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.

Ultralytics의 강점: 기존 모델을 넘어선 발전#

PP-YOLOE+와 YOLOv6-3.0은 특정 환경에 맞는 솔루션을 제공하지만, 현대적인 AI 개발에는 다재다능하고 메모리 효율적인 워크플로가 필요합니다. 이때 Ultralytics Platform이 뛰어난 개발 경험을 제공합니다. 통합 Python API를 사용하면 기존 연구 저장소에서 흔히 요구되는 복잡한 구성 작업 없이 최신 모델을 학습하고 검증하여 배포할 수 있습니다.

Ultralytics 모델은 표준 탐지를 넘어 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB) 추출을 비롯한 다양한 비전 작업을 기본 지원합니다. 또한 일반적으로 대량의 GPU VRAM을 요구하는 Transformer 기반 모델인 RT-DETR과 달리 학습 중 메모리 사용량이 적도록 최적화되어 있습니다.

YOLO26 알아보기: 새로운 표준#

최신 비전 모델을 배포하려는 조직에는 2026년 1월에 출시된 Ultralytics YOLO26을 권장합니다. 다음과 같은 몇 가지 중요한 혁신을 통해 이전 세대보다 훨씬 뛰어난 성능을 제공합니다.

  • 엔드투엔드 NMS 프리 설계: YOLOv10의 개념을 바탕으로 YOLO26의 선택적 원투원 헤드(nms=False)는 비최대 억제(NMS) 후처리를 완전히 제거합니다. 이 네이티브 엔드투엔드 접근 방식은 실시간 안전 시스템에 필수적인 예측 가능하고 지연 시간이 낮은 추론을 제공합니다.
  • CPU 추론 최대 43% 향상: 아키텍처에서 분포 초점 손실(DFL)을 제거하여 YOLO26은 엣지 컴퓨팅과 전용 GPU 가속 기능이 없는 환경에 최적화되었습니다. YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행됩니다.
  • MuSGD 옵티마이저: LLM 학습의 안정성을 비전 모델에 접목한 이 하이브리드 옵티마이저는 Moonshot AI에서 영감을 얻었으며 빠른 수렴과 높은 안정성을 갖춘 커스텀 학습을 지원합니다.
  • ProgLoss + STAL: 이러한 학습 기법은 소형 객체 인식 성능을 크게 향상하며, 항공 드론 이미지 분석과 혼잡한 장면 분석 같은 애플리케이션에 필수적입니다.
미래에도 유효한 파이프라인 구축

지금 새로운 프로젝트를 구축하고 있다면 이전 아키텍처보다 YOLO26으로 시작하세요. 메모리 효율성과 NMS 없는 속도 덕분에 프로덕션 환경에 훨씬 쉽게 배포할 수 있습니다.

구현#

Ultralytics Python 패키지를 사용하면 모델을 간단히 학습하고 내보낼 수 있습니다. 다음 예제에서는 최신 YOLO26 모델을 학습하고 빠른 엣지 배포를 위해 ONNX로 내보내는 방법을 보여줍니다.

from ultralytics import YOLO

# YOLO26 소형 모델을 불러옵니다
model = YOLO("yolo26s.pt")

# COCO8 예제 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 테스트 이미지에서 NMS 프리 추론 실행
predict_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# 엣지 배포를 위해 ONNX 형식으로 내보내기
model.export(format="onnx")

기존 워크플로에 깊이 통합되어 있지만 최신 안정성을 원하는 팀은 Ultralytics YOLO11을 살펴보는 것도 좋은 전환 단계입니다. 전체 Ultralytics 생태계를 바탕으로 폭넓은 작업 활용성을 제공합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.