PP-YOLOE+와 YOLOv7 비교#
컴퓨터 비전 파이프라인을 구축할 때 적절한 객체 탐지 모델을 선택하는 것은 매우 중요합니다. 2022년에 등장한 두 가지 주요 아키텍처인 PP-YOLOE+와 YOLOv7은 실시간 객체 탐지 분야에 강력한 발전을 가져왔습니다. 이 기술 비교에서는 두 모델의 아키텍처, 학습 방법론, 실제 성능을 심층적으로 살펴보고 애플리케이션에 적합한 결정을 내릴 수 있도록 지원합니다.
모델 개요#
PP-YOLOE+와 YOLOv7은 모두 정확도와 속도의 한계를 뛰어넘도록 설계되었지만, 서로 다른 개발 생태계와 설계 철학에서 출발했습니다.
PP-YOLOE+#
Baidu의 PaddlePaddle Authors가 개발한 PP-YOLOE+는 기존 PP-YOLOv2를 기반으로 합니다. PaddlePaddle 생태계에 최적화된 효율적이고 정확도가 높은 객체 탐지기를 제공하기 위해 출시되었습니다.
- 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 패러다임에 크게 의존하므로, 커스텀 데이터셋에 맞춰 앵커 박스를 조정할 필요가 없어 배포 프로세스가 간소화됩니다. 강력한 RepResNet 백본과 CSPNet 스타일의 PAN(경로 집계 네트워크)을 적용하여 여러 스케일의 특징을 효과적으로 융합합니다. 또한 Task Alignment Learning(TAL) 개념을 활용해 학습 중 분류 태스크와 지역화 태스크를 동적으로 정렬하므로 다양한 컴퓨터 비전 태스크에서 높은 정확도를 보장합니다.
YOLOv7 아키텍처#
YOLOv7은 확장 효율적 계층 집계 네트워크(E-ELAN)를 도입하는 다른 접근 방식을 취했습니다. 이 아키텍처를 통해 네트워크는 기존 그래디언트 경로를 손상하지 않으면서 더욱 다양한 특징을 학습하여 수렴 성능을 개선할 수 있습니다. YOLOv7은 모델 재매개변수화, 특히 계획된 재매개변수화 컨볼루션도 적극적으로 활용합니다. 이 방식은 추론 중 컨볼루션 계층을 병합하여 정확도를 낮추지 않고 실행 속도를 높입니다. 따라서 YOLOv7은 다중 객체 추적 및 복잡한 보안 경보 시스템과 같은 태스크에서 특히 강력합니다.
성능 분석#
속도, 파라미터 수, 정확도(mAP)를 고려할 때 각 모델의 특정 변형과 대상 하드웨어에 따라 우열이 달라집니다. 아래에서 두 모델의 지표를 종합적으로 비교합니다.
| 모델 | 크기 (픽셀) | mAP검증 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 모델은 mAP가 약간 더 높지만, YOLOv7 변형은 파라미터 수 대비 정확도 비율이 매우 뛰어납니다. YOLOv7 아키텍처는 원시 GPU 처리 성능이 중요한 환경에서 여전히 선호되며, TensorRT 최적화를 통해 지연 시간을 매우 낮출 수 있습니다.
Ultralytics의 강점#
모델을 학습하고 배포할 때는 선택하는 프레임워크가 모델 자체만큼 중요합니다. Ultralytics를 사용하면 통합된 Python API가 전체 머신러닝 수명 주기를 간소화하여 간소화된 사용자 경험을 제공합니다.
- 잘 관리되는 생태계: Ultralytics YOLO 모델은 지속적으로 업데이트되는 생태계와 탄탄한 문서, 활발한 커뮤니티의 지원을 받습니다.
- 메모리 요구 사항: Ultralytics는 데이터 로딩과 학습 방식을 대폭 최적화합니다. Ultralytics YOLO 모델을 학습할 때는 일반적으로 대규모 Transformer 기반 아키텍처보다 CUDA 메모리를 훨씬 적게 사용하므로, 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 YOLOv7의 네이티브 학습을 지원하지 않습니다(업스트림 YOLOv7 내보내기 실행 방법은 YOLOv7 문서를 참조하세요). 하지만 최신 Ultralytics YOLO 모델은 몇 줄의 코드만으로 학습할 수 있으며, 복잡한 학습 스크립트의 세부 사항을 완전히 추상화합니다.
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 탐지 분야의 중요한 이정표이지만, AI 분야는 빠르게 발전하고 있습니다. 새로운 컴퓨터 비전 프로젝트에는 Ultralytics YOLO26을 적극 권장합니다. 2026년 1월에 출시된 YOLO26은 엣지 우선 비전 AI 분야에서 큰 도약을 이루었습니다.
YOLO26이 기존 아키텍처보다 뛰어난 이유:
- 엔드 투 엔드 NMS 프리 설계: YOLO26은 네이티브 엔드 투 엔드 모델입니다. 선택적 일대일 헤드(
nms=False)를 사용해 후처리 단계의 비최대 억제(NMS)를 생략하므로 예측 가능한 결정론적 추론 지연 시간을 보장합니다. 이 획기적인 방식은 YOLOv10에서 처음 선보였습니다. - DFL 제거: Distribution Focal Loss를 제거하면 내보내기 프로세스가 간소화되고 저전력 엣지 디바이스와의 호환성이 크게 향상됩니다.
- CPU 추론 속도 최대 43% 향상: 전용 GPU가 없는 스마트 시티 IoT 센서와 같은 환경에서도 YOLO26은 CPU에서 직접 효율적으로 실행되도록 최적화되어 있습니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 고급 LLM 학습 기법에서 영감을 얻은 YOLO26은 SGD와 Muon을 결합하여 학습 안정성을 크게 높이고 빠른 수렴을 지원합니다.
- ProgLoss + STAL: 개선된 손실 함수는 소형 객체 탐지 성능을 크게 향상합니다. 이는 드론 항공 이미지 및 제조 결함 탐지와 같은 사용 사례에 필수적입니다.
이상적인 사용 사례 및 배포 시나리오#
PP-YOLOE+를 사용하는 경우#
Baidu 및 PaddlePaddle 생태계를 주로 사용한다면 PP-YOLOE+가 적합합니다. 배포 대상이 특정 아시아 제조 파이프라인과 같이 Paddle 모델에 맞춤 설계된 특수 하드웨어를 사용하는 경우, PP-YOLOE+는 뛰어난 정확도와 원활한 통합을 제공합니다. 산업 제조 자동화에도 매우 효과적입니다.
YOLOv7을 사용할 경우#
YOLOv7은 범용 고성능 추론에 여전히 탁월한 선택이며, 특히 TensorRT를 사용하는 NVIDIA 하드웨어에 배포할 때 유용합니다. PyTorch 생태계와 통합되어 있어 학술 연구와 커스텀 상용 파이프라인에 폭넓게 활용할 수 있습니다. 네트워크의 구조적 무결성이 중요한 실시간 군중 관리나 복잡한 포즈 추정 태스크에도 적합합니다.
함께 고려할 다른 모델#
구체적인 요구 사항에 따라 폭넓은 프로덕션 활용성을 갖춘 YOLO11과 이 아키텍처들을 비교하거나, 프로젝트에서 기존 컨볼루션 네트워크보다 비전 Transformer의 특정 장점이 필요하다면 RT-DETR과 비교해 볼 수도 있습니다.
결론#
PP-YOLOE+와 YOLOv7은 모두 실시간 객체 탐지 분야에 크게 기여했습니다. PP-YOLOE+는 PaddlePaddle을 표준으로 사용하는 환경에서 강점을 보이며, YOLOv7은 PyTorch 생태계를 통해 뛰어난 유연성과 성능을 제공합니다.
하지만 컴퓨터 비전 솔루션이 계속 발전함에 따라 최신 도구를 활용하는 것이 중요합니다. Ultralytics Platform과 YOLO26 같은 차세대 아키텍처를 도입하면 개발자는 애플리케이션이 속도, 정확도, 사용 편의성 면에서 최첨단 수준을 유지하도록 할 수 있습니다.