PP-YOLOE+와 YOLOv7 비교
컴퓨터 비전 파이프라인을 구축할 때 적절한 객체 탐지 모델을 선택하는 일은 매우 중요합니다. 2022년에 등장한 주요 아키텍처인 PP-YOLOE+와 YOLOv7은 실시간 객체 탐지 분야의 중요한 발전을 이끌었습니다. 이 기술 비교에서는 아키텍처, 학습 방법, 실제 성능을 살펴보고 애플리케이션에 적합한 선택을 내리도록 돕습니다.
모델 개요#
PP-YOLOE+와 YOLOv7은 모두 정확도와 속도를 높이도록 설계되었지만, 서로 다른 개발 생태계와 설계 철학에서 출발했습니다.
PP-YOLOE+#
Baidu의 PaddlePaddle 개발자들이 개발한 PP-YOLOE+는 PP-YOLOE와 이전 버전인 PP-YOLOv2를 기반으로 합니다. PaddlePaddle 생태계에 최적화된 효율적이고 정확한 객체 탐지 모델로 소개되었습니다.
- 저자: PaddlePaddle 저자
- 기관: Baidu
- 날짜: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddleDetection 저장소
- 문서: PP-YOLOE+ 문서
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 수립했습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2022-07-06
- arXiv: 2207.02696
- GitHub: YOLOv7 저장소
- 문서: Ultralytics YOLOv7 문서
아키텍처 혁신#
PP-YOLOE+ 아키텍처#
PP-YOLOE+는 앵커 프리 설계를 사용하여 사용자 지정 데이터셋에 맞게 앵커 박스를 조정할 필요를 없애 배포를 간소화합니다. CSPRepResNet 백본과 CSPNet 스타일의 PAN(경로 집계 네트워크)을 통합해 멀티스케일 특징을 효과적으로 융합합니다. 또한 학습 중 분류와 위치 추정 작업을 동적으로 정렬하는 작업 정렬 학습(TAL)을 사용하여 다양한 컴퓨터 비전 작업에서 높은 정확도를 보장합니다.
YOLOv7 아키텍처#
YOLOv7은 확장 효율 레이어 집계 네트워크(E-ELAN)를 도입하는 다른 접근 방식을 취했습니다. 이 아키텍처는 원래의 기울기 경로를 손상시키지 않으면서 네트워크가 더 다양한 특징을 학습하도록 하여 수렴을 개선합니다. YOLOv7은 모델 재매개변수화, 특히 계획된 재매개변수화 합성곱을 폭넓게 활용합니다. 이를 통해 추론 중 합성곱 레이어를 병합하여 정확도를 유지하면서 실행 속도를 높입니다. 따라서 YOLOv7은 다중 객체 추적 및 복잡한 보안 경보 시스템과 같은 GPU 워크로드에 적합합니다.
성능 분석#
속도, 파라미터 수, 정확도(mAP)의 균형을 고려할 때 모델마다 구체적인 변형과 대상 하드웨어에 따라 강점이 다릅니다. 아래 표에서 두 모델의 지표를 비교합니다.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
PP-YOLOE+x 모델은 mAP가 약간 더 높지만, YOLOv7 변형 모델은 파라미터 수 대비 정확도 비율이 매우 뛰어납니다. TensorRT 최적화를 통해 지연 시간을 매우 낮출 수 있는 순수 GPU 처리 환경에서 YOLOv7 아키텍처는 여전히 선호됩니다.
Ultralytics의 강점#
이러한 모델을 학습하고 배포할 때는 모델 자체만큼이나 프레임워크 선택도 중요합니다. Ultralytics는 전체 머신러닝 라이프사이클을 간소화하는 통합 Python API를 통해 간소화된 사용자 경험을 제공합니다.
- 잘 관리되는 생태계: Ultralytics YOLO 모델은 지속적으로 업데이트되는 생태계와 탄탄한 문서, 활발한 커뮤니티의 지원을 받습니다.
- 메모리 요구 사항: Ultralytics는 데이터 로딩 및 학습 루틴을 최적화합니다. Ultralytics YOLO 모델을 학습하는 데는 일반적으로 무거운 Transformer 기반 아키텍처보다 CUDA 메모리가 훨씬 적게 필요하므로, 개발자는 일반 소비자용 하드웨어에서 더 큰 배치 크기를 사용할 수 있습니다.
- 학습 효율성: 탄탄한 데이터 증강 전략과 내장 하이퍼파라미터 튜닝을 활용하여, Ultralytics는 바로 사용할 수 있는 사전 학습 가중치를 통해 모델이 빠르게 수렴하도록 지원합니다.
간단한 API 구현#
Ultralytics 패키지는 기본 YOLOv7 학습을 지원하지 않습니다(업스트림 YOLOv7 내보내기를 실행하려면 YOLOv7 문서를 참조하세요). 하지만 최신 Ultralytics YOLO 모델은 몇 줄의 코드만으로 학습할 수 있어 복잡한 학습 스크립트를 대체합니다.
from ultralytics import YOLO
# 사전 학습된 YOLO26 모델 로드
model = YOLO("yolo26n.pt")
# 사용자 지정 데이터셋으로 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 배포를 위해 TensorRT로 내보내기
model.export(format="engine", device=0)새로운 표준: YOLO26 소개#
PP-YOLOE+와 YOLOv7은 객체 탐지의 이정표이지만 AI 분야는 빠르게 발전합니다. 새로운 컴퓨터 비전 프로젝트에는 Ultralytics YOLO26을 권장합니다. 2026년 1월에 출시된 YOLO26은 엣지 우선 비전 AI의 중요한 진전입니다.
YOLO26이 기존 아키텍처보다 뛰어난 이유:
- 엔드투엔드 NMS 프리 설계: YOLO26은 기본적으로 엔드투엔드 방식입니다. 선택적 원투원 헤드(
nms=False)를 사용하여 비최대 억제(NMS) 후처리를 생략하므로, YOLOv10에서 처음 도입한 접근 방식으로 예측 가능한 추론 지연 시간을 제공합니다. - DFL 제거: Distribution Focal Loss를 제거하면 내보내기 프로세스가 간소화되고 저전력 엣지 디바이스와의 호환성이 크게 향상됩니다.
- CPU 추론 최대 43% 향상: 스마트 시티 IoT 센서처럼 전용 GPU가 없는 환경을 위해 YOLO26은 CPU에서 효율적으로 실행되도록 최적화되었으며, YOLO26n은 YOLO11n보다 최대 43% 빠릅니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 고급 LLM 학습 기법에서 영감을 받아, YOLO26은 SGD와 Muon의 하이브리드 방식을 사용하여 안정적인 학습과 빠른 수렴을 구현합니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식 레이블 할당으로 소형 객체 탐지 성능이 눈에 띄게 향상됩니다. 이는 드론 항공 이미지 및 제조 결함 탐지와 같은 사용 사례에 매우 중요합니다.
이상적인 사용 사례 및 배포 시나리오#
PP-YOLOE+를 사용하는 경우#
PP-YOLOE+는 Baidu 및 PaddlePaddle 생태계에 깊이 투자한 경우 자연스러운 선택입니다. 배포 대상이 Paddle 모델에 맞춰진 특수 하드웨어를 사용한다면, PP-YOLOE+는 높은 정확도와 긴밀한 통합을 제공합니다. 산업 제조 자동화에 매우 효과적입니다.
YOLOv7을 사용할 경우#
YOLOv7은 특히 TensorRT를 사용하는 NVIDIA 하드웨어에 배포할 때 일반적인 고성능 추론을 위한 좋은 선택으로 남아 있습니다. PyTorch 생태계에 통합되어 학술 연구와 실시간 군중 관리 또는 자세 추정 작업과 같은 사용자 지정 상용 파이프라인에서 활용도가 높습니다.
함께 고려할 다른 모델#
필요에 따라 폭넓은 프로덕션 지원과 유연성을 제공하는 YOLO11 또는 기존 합성곱 신경망보다 Transformer 기반 탐지의 구체적인 이점이 필요한 프로젝트를 위한 RT-DETR과 이러한 아키텍처를 비교해 볼 수도 있습니다.
결론#
PP-YOLOE+와 YOLOv7은 모두 실시간 객체 탐지 분야를 크게 발전시켰습니다. PP-YOLOE+는 PaddlePaddle 중심 환경에서 뛰어난 성능을 보이며, YOLOv7은 PyTorch 생태계를 통해 유연성과 성능을 제공합니다.
그러나 컴퓨터 비전 솔루션이 계속 발전함에 따라 최신 도구를 활용하는 일이 필수적입니다. Ultralytics Platform과 YOLO26 같은 차세대 아키텍처를 도입하면 개발자는 애플리케이션의 속도, 정확도, 사용 편의성을 최신 수준으로 유지할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.