PP-YOLOE+ 대 YOLOv7#
컴퓨터 비전 파이프라인을 구축할 때 올바른 객체 탐지 모델을 선택하는 것은 매우 중요합니다. 2022년에 등장한 두 가지 주요 아키텍처인 PP-YOLOE+와 YOLOv7은 실시간 객체 탐지 분야에서 강력한 발전을 가져왔습니다. 본 기술 비교에서는 두 모델의 아키텍처, 학습 방법론, 그리고 실제 성능을 심층적으로 분석하여 사용자의 애플리케이션에 적합한 정보를 제공합니다.
모델 개요#
PP-YOLOE+와 YOLOv7 모두 정확도와 속도의 한계를 뛰어넘기 위해 설계되었으나, 서로 다른 개발 생태계와 설계 철학을 바탕으로 합니다.
PP-YOLOE+#
Baidu의 PaddlePaddle 제작자가 개발한 PP-YOLOE+는 기존 PP-YOLOv2를 기반으로 합니다. 이 모델은 PaddlePaddle 생태계에 최적화된 효율적이고 정확도가 높은 객체 탐지기를 제공하기 위해 도입되었습니다.
- 저자: PaddlePaddle 저자진
- 조직: Baidu
- 날짜: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddleDetection Repository
- Docs: PP-YOLOE+ Documentation
YOLOv7#
Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao가 개발한 YOLOv7은 '학습 가능한 bag-of-freebies'를 도입하여 출시 당시 실시간 객체 탐지기의 새로운 최첨단 벤치마크를 세웠습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 조직: 대만 중앙연구원 정보과학연구소
- 날짜: 2022-07-06
- Arxiv: 2207.02696
- GitHub: YOLOv7 Repository
- 문서: Ultralytics YOLOv7 문서
아키텍처 혁신#
PP-YOLOE+ 아키텍처#
PP-YOLOE+는 앵커 프리 패러다임에 크게 의존하여, 커스텀 데이터셋에 대한 앵커 박스 튜닝의 필요성을 없앰으로써 배포 과정을 더 간단하게 만듭니다. 강력한 RepResNet 백본과 효과적인 멀티 스케일 피처 융합을 위한 CSPNet 스타일의 PAN(Path Aggregation Network)을 통합합니다. 또한, 학습 과정에서 분류 및 지역화 작업을 동적으로 정렬하기 위해 작업 정렬 학습(TAL, Task Alignment Learning) 개념을 활용하여 다양한 컴퓨터 비전 작업 전반에서 높은 정확도를 보장합니다.
YOLOv7 아키텍처#
YOLOv7은 E-ELAN(Extended Efficient Layer Aggregation Network)을 도입하여 다른 접근 방식을 취했습니다. 이 아키텍처는 네트워크가 원래의 그래디언트 경로를 손상시키지 않으면서 더 다양한 피처를 학습할 수 있도록 하여 더 나은 수렴을 이끌어냅니다. 또한 YOLOv7은 모델 재매개변수화, 특히 계획된 재매개변수화 컨볼루션을 적극적으로 활용하여 추론 중 컨볼루션 레이어를 병합함으로써 정확도를 희생하지 않고 실행 속도를 높입니다. 이로 인해 YOLOv7은 다중 객체 추적 및 복잡한 보안 경보 시스템과 같은 작업에서 예외적으로 강력합니다.
성능 분석#
속도, 파라미터, 정확도(mAP) 간의 균형을 맞출 때 모델들은 특정 변형 모델과 타겟 하드웨어에 따라 장단점이 갈립니다. 다음은 해당 지표에 대한 포괄적인 비교입니다.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
PP-YOLOE+x 모델이 약간 더 높은 mAP를 달성하는 반면, YOLOv7 변형 모델들은 매우 강력한 매개변수 대 정확도 비율을 제공합니다. YOLOv7 아키텍처는 TensorRT 최적화가 예외적으로 낮은 지연 시간을 제공하는 원시 GPU 처리에서 여전히 선호되는 모델입니다.
Ultralytics의 장점#
모델을 학습하고 배포할 때 사용하는 프레임워크는 모델 자체만큼이나 중요합니다. Ultralytics를 활용하면 전체 머신 러닝 수명 주기를 단순화하는 고도로 통합된 Python API 덕분에 효율적인 사용자 경험을 제공받을 수 있습니다.
- 잘 관리된 생태계: Ultralytics YOLO 모델은 지속적으로 업데이트되는 생태계, 강력한 문서화, 그리고 활발한 커뮤니티의 혜택을 받습니다.
- 메모리 요구 사항: Ultralytics는 데이터 로딩과 학습 체계를 강력하게 최적화합니다. Ultralytics YOLO 모델을 학습하는 데는 일반적으로 무거운 Transformer 기반 아키텍처에 비해 훨씬 적은 CUDA 메모리가 필요하므로, 개발자가 소비자용 하드웨어에서 더 큰 배치 크기를 활용할 수 있습니다.
- 학습 효율성: 강력한 데이터 증강 전략과 기본 제공 하이퍼파라미터 튜닝을 활용하여 Ultralytics는 사용 가능한 사전 학습된 가중치를 통해 모델이 빠르게 수렴하도록 보장합니다.
간단한 API 구현#
Ultralytics를 사용하여 YOLOv7 모델을 학습하는 것은 몇 줄의 코드만으로 가능하며, 복잡한 학습 스크립트를 완전히 추상화합니다.
from ultralytics import YOLO
# Load a pretrained YOLOv7 model
model = YOLO("yolov7.pt")
# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export to TensorRT for deployment
model.export(format="engine", device=0)새로운 표준: YOLO26 소개#
PP-YOLOE+와 YOLOv7은 객체 검출 분야의 이정표이지만, AI 환경은 빠르게 진화합니다. 새로운 컴퓨터 vision 프로젝트를 위해 Ultralytics YOLO26을 강력히 권장합니다. 2026년 1월에 출시된 YOLO26은 엣지 중심 비전 AI에서 엄청난 도약을 나타냅니다.
YOLO26이 기존 아키텍처보다 뛰어난 이유:
- 엔드투엔드 NMS 프리 디자인: YOLO26은 네이티브 엔드투엔드입니다. NMS(Non-Maximum Suppression) 후처리를 제거함으로써, YOLOv10에서 처음 목격된 혁신인 예측 가능하고 결정적인 추론 지연 시간을 보장합니다.
- DFL 제거: DFL(Distribution Focal Loss)을 제거하여 내보내기(export) 과정을 단순화하고 저전력 엣지 장치에 대한 호환성을 크게 향상했습니다.
- 최대 43% 더 빠른 CPU 추론: 스마트 시티 IoT 센서와 같이 전용 GPU가 부족한 시나리오를 위해, YOLO26은 CPU에서 직접 효율적으로 실행되도록 강력하게 최적화되어 있습니다.
- MuSGD 옵티마이저: 고급 LLM 학습 기술(예: Moonshot AI의 Kimi K2)에서 영감을 받은 YOLO26은 SGD와 Muon의 하이브리드를 사용하여 매우 안정적인 학습과 빠른 수렴을 제공합니다.
- ProgLoss + STAL: 이러한 개선된 손실 함수는 소형 객체 검출에서 놀라운 성능 향상을 가져오며, 이는 드론 항공 이미지 및 제조 결함 검출과 같은 사용 사례에 매우 중요합니다.
이상적인 사용 사례 및 배포 시나리오#
PP-YOLOE+를 사용해야 할 때#
PP-YOLOE+는 바이두 및 PaddlePaddle 생태계에 깊이 관여되어 있을 때 빛을 발합니다. 배포 대상이 Paddle 모델에 맞춰진 특화된 하드웨어를 활용하는 경우(예: 특정 아시아 제조 파이프라인에서), PP-YOLOE+는 뛰어난 정확도와 원활한 통합을 제공합니다. 이는 산업 제조 자동화에 매우 효과적입니다.
YOLOv7을 사용해야 하는 경우#
YOLOv7은 범용 고성능 추론, 특히 TensorRT를 활용하는 NVIDIA 하드웨어에 배포할 때 여전히 훌륭한 선택입니다. PyTorch 생태계への 통합으로 인해 네트워크의 구조적 무결성이 가장 중요한 실시간 군중 관리 또는 복잡한 자세 추정 작업과 같은 학술 연구 및 커스텀 상용 파이프라인에 매우 다재다능합니다.
참고할 만한 다른 모델#
정확한 요구에 따라, 광범위한 프로덕션 준비 유연성을 위해 YOLO11과 이들 아키텍처를 비교하거나, 프로젝트에 전통적인 컨볼루션 네트워크보다 비전 Transformer의 구체적인 장점이 필요한 경우 RT-DETR에 관심을 가질 수도 있습니다.
결론#
PP-YOLOE+와 YOLOv7 모두 실시간 객체 탐지 세계에 중대한 개선을 가져왔습니다. PP-YOLOE+는 PaddlePaddle을 기준으로 표준화된 환경에서 탁월한 성능을 발휘하며, YOLOv7은 PyTorch 및 Ultralytics 생태계를 통해 놀라운 유연성과 성능을 제공합니다.
그러나 컴퓨터 비전 솔루션이 계속 발전함에 따라 최신 도구를 활용하는 것이 필수적입니다. 개발자는 Ultralytics Platform과 YOLO26과 같은 차세대 아키텍처를 수용함으로써 애플리케이션이 속도, 정확도, 사용 편의성의 최첨단에 유지되도록 할 수 있습니다.