PP-YOLOE+ vs YOLOv7#
컴퓨터 비전 파이프라인을 구축할 때 적합한 객체 detection 모델을 선택하는 것은 매우 중요합니다. 2022년에 등장한 두 가지 주요 아키텍처인 PP-YOLOE+와 YOLOv7은 실시간 객체 detection 분야에 강력한 발전을 가져왔습니다. 이 기술 비교에서는 두 모델의 아키텍처, 학습 방법론 및 실제 성능을 심층적으로 살펴보고, 애플리케이션에 대한 정보에 입각한 결정을 내릴 수 있도록 지원합니다.
모델 개요#
PP-YOLOE+와 YOLOv7은 모두 정확도와 속도의 한계를 확장하도록 설계되었지만, 서로 다른 개발 생태계와 설계 철학에서 출발했습니다.
PP-YOLOE+#
Baidu의 PaddlePaddle Authors가 개발한 PP-YOLOE+는 기존 PP-YOLOv2를 기반으로 구축되었습니다. PaddlePaddle 생태계에 최적화된 효율적이고 매우 정확한 객체 detector를 제공하기 위해 도입되었습니다.
- 저자: PaddlePaddle Authors
- 조직: Baidu
- 날짜: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddleDetection 리포지토리
- 문서: PP-YOLOE+ 문서
YOLOv7#
Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao가 개발한 YOLOv7은 출시 당시 실시간 객체 detector의 새로운 state-of-the-art 벤치마크를 수립하기 위해 "trainable bag-of-freebies"를 도입했습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2022-07-06
- Arxiv: 2207.02696
- GitHub: YOLOv7 리포지토리
- 문서: Ultralytics YOLOv7 문서
아키텍처 혁신#
PP-YOLOE+ 아키텍처#
PP-YOLOE+는 anchor-free 패러다임에 크게 의존하므로, custom dataset에 맞춰 anchor box를 조정할 필요가 없어 deployment 프로세스가 간소화됩니다. 강력한 RepResNet backbone과 CSPNet 스타일의 PAN (Path Aggregation Network)을 통합하여 효과적인 multi-scale feature fusion을 구현합니다. 또한 Task Alignment Learning (TAL) 개념을 활용하여 학습 중 classification 및 localization task를 동적으로 정렬함으로써 다양한 컴퓨터 비전 task에서 높은 정확도를 보장합니다.
YOLOv7 아키텍처#
YOLOv7은 Extended Efficient Layer Aggregation Network (E-ELAN)을 도입하는 다른 접근 방식을 취했습니다. 이 아키텍처는 기존 gradient path를 손상시키지 않고 네트워크가 더욱 다양한 feature를 학습할 수 있도록 하여 더 나은 수렴을 이끌어냅니다. 또한 YOLOv7은 model re-parameterization, 특히 planned re-parameterized convolution을 적극적으로 활용합니다. 이는 inference 중 convolution layer를 병합하여 정확도를 저하시키지 않으면서 실행 속도를 높입니다. 이러한 특성 덕분에 YOLOv7은 multi-object tracking 및 복잡한 security alarm system과 같은 task에서 특히 강력합니다.
성능 분석#
속도, parameter 및 정확도(mAP)의 균형을 맞출 때는 구체적인 variant와 target hardware에 따라 모델 간 우열이 달라집니다. 아래에는 두 모델의 metric을 종합적으로 비교한 내용이 나와 있습니다.
| 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 variant는 parameter 대비 정확도 비율이 매우 우수합니다. YOLOv7 아키텍처는 TensorRT 최적화를 통해 매우 낮은 latency를 제공하는 raw GPU processing에서 여전히 선호되는 선택입니다.
Ultralytics의 강점#
이러한 모델을 학습하고 deployment할 때는 선택하는 framework가 모델 자체만큼이나 중요합니다. Ultralytics를 활용하면 고도로 통합된 Python API가 전체 machine learning lifecycle을 간소화하므로 간소화된 사용자 경험을 누릴 수 있습니다.
- 잘 유지 관리되는 생태계: Ultralytics YOLO 모델은 지속적으로 업데이트되는 생태계, 탄탄한 문서 및 활발한 커뮤니티의 혜택을 누립니다.
- 메모리 요구 사항: Ultralytics는 data loading 및 training regime을 고도로 최적화합니다. Ultralytics YOLO 모델 학습에는 일반적으로 무거운 transformer 기반 아키텍처보다 훨씬 적은 CUDA memory가 필요하므로, 개발자는 일반 소비자용 hardware에서 더 큰 batch size를 사용할 수 있습니다.
- 학습 효율성: 강력한 data augmentation 전략과 기본 제공 hyperparameter tuning을 활용하여, Ultralytics는 즉시 사용할 수 있는 pre-trained weight를 바탕으로 모델이 빠르게 수렴하도록 합니다.
간단한 API 구현#
Ultralytics를 사용하면 YOLOv7 모델 학습에 몇 줄의 코드만 필요하며, 복잡한 training script가 완전히 추상화됩니다:
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 detection 분야의 이정표이지만, AI 환경은 빠르게 발전하고 있습니다. 새로운 컴퓨터 비전 프로젝트에는 Ultralytics YOLO26을 강력히 권장합니다. 2026년 1월에 출시된 YOLO26은 edge-first vision AI 분야에서 큰 도약을 나타냅니다.
YOLO26이 기존 아키텍처보다 뛰어난 이유:
- End-to-End NMS-Free 설계: YOLO26은 본질적으로 end-to-end입니다. Non-Maximum Suppression (NMS) post-processing을 제거하여 예측 가능하고 결정론적인 inference latency를 보장합니다. 이는 YOLOv10에서 처음 확인된 획기적인 발전입니다.
- DFL 제거: Distribution Focal Loss를 제거하면 export 프로세스가 간소화되고 저전력 edge device와의 호환성이 크게 향상됩니다.
- 최대 43% 더 빠른 CPU inference: 전용 GPU가 없는 smart city IoT sensor와 같은 시나리오에서 YOLO26은 CPU에서 직접 효율적으로 실행되도록 고도로 최적화되었습니다.
- MuSGD Optimizer: YOLO26은 Moonshot AI의 Kimi K2와 같은 고급 LLM 학습 기법에서 영감을 받아 SGD와 Muon을 결합한 방식을 사용하므로, 매우 안정적인 학습과 빠른 수렴이 가능합니다.
- ProgLoss + STAL: 이러한 개선된 loss function은 drone aerial imagery 및 제조 결함 detection과 같은 use case에 필수적인 small-object detection에서 상당한 성능 향상을 제공합니다.
이상적인 사용 사례 및 배포 시나리오#
PP-YOLOE+를 사용해야 하는 경우#
Baidu 및 PaddlePaddle 생태계에 깊이 자리 잡고 있다면 PP-YOLOE+가 뛰어난 선택입니다. deployment target이 Paddle 모델에 맞춰진 특수 hardware를 사용하는 경우(예: 특정 아시아 제조 pipeline), PP-YOLOE+는 탁월한 정확도와 원활한 통합을 제공합니다. 또한 industrial manufacturing automation에 매우 효과적입니다.
YOLOv7을 사용해야 하는 경우#
YOLOv7은 범용 고성능 inference에 여전히 탁월한 선택이며, 특히 TensorRT를 활용하는 NVIDIA hardware에 deployment할 때 강력합니다. PyTorch 생태계와의 통합 덕분에 학술 연구와 custom commercial pipeline에서 매우 유연하게 사용할 수 있으며, 예를 들어 네트워크의 구조적 무결성이 중요한 real-time crowd management 또는 복잡한 pose estimation task에 적합합니다.
고려할 만한 다른 모델#
정확한 요구 사항에 따라 광범위한 production-ready 유연성을 제공하는 YOLO11과 이러한 아키텍처를 비교하거나, 기존 convolutional network보다 vision transformer의 특정 장점이 필요한 프로젝트라면 RT-DETR과 비교하는 데에도 관심이 있을 수 있습니다.
결론#
PP-YOLOE+와 YOLOv7은 모두 실시간 객체 detection 분야에 상당한 개선을 가져왔습니다. PP-YOLOE+가 PaddlePaddle을 표준으로 사용하는 환경에서 뛰어난 반면, YOLOv7은 PyTorch 및 Ultralytics 생태계를 통해 놀라운 유연성과 성능을 제공합니다.
그러나 computer vision solution이 계속 발전함에 따라 최신 도구를 활용하는 것이 필수적입니다. Ultralytics Platform과 YOLO26과 같은 차세대 아키텍처를 도입하면 개발자는 애플리케이션이 속도, 정확도 및 사용 편의성 측면에서 최첨단 수준을 유지하도록 할 수 있습니다.