PP-YOLOE+와 YOLOv8

고성능 실시간 컴퓨터 비전 모델에 대한 수요가 AI 업계의 빠른 혁신을 이끌고 있습니다. 적절한 아키텍처를 선택하는 것은 효율적인 배포와 다루기 어렵고 리소스를 많이 소모하는 파이프라인을 가르는 결정적인 요인이 될 수 있습니다. 이 기술 가이드에서는 PP-YOLOE+와 Ultralytics YOLOv8을 비교하고, 기반 아키텍처와 학습 효율성, 이상적인 배포 시나리오를 살펴봅니다.

아키텍처 소개#

두 모델 모두 객체 탐지 발전의 중요한 이정표이지만, 개발 철학과 에코시스템은 서로 완전히 다릅니다.

PP-YOLOE+#

PaddleDetection 제품군의 확장으로 개발된 PP-YOLOE+는 이전 PP-YOLO 시리즈를 기반으로 합니다. PaddlePaddle 딥러닝 프레임워크에 맞춰 고도로 최적화되었으며, 주로 Baidu 소프트웨어 스택을 기반으로 구축된 산업용 배포를 대상으로 합니다.

PP-YOLOE+는 CSPRepResNet 백본과 분류 및 위치 추정 작업을 동적으로 정렬하는 효율적인 작업 정렬 헤드(ET-head)를 사용합니다. 표준 벤치마크에서 높은 평균 정밀도(mAP)를 달성하지만, PaddlePaddle 생태계에 대한 의존도가 높아 널리 채택된 다른 프레임워크에 익숙한 개발자에게는 마찰이 생길 수 있습니다.

PP-YOLOE+ 자세히 알아보기

Ultralytics YOLOv8#

2023년 1월 Ultralytics가 출시한 YOLOv8은 당시 객체 탐지 분야에서 새로운 최첨단 성능을 제시했으며, PyTorch 개발자 커뮤니티에 사용 편의성, 폭넓은 활용성, 고속 실행을 제공했습니다.

YOLOv8은 최적화된 앵커 프리 탐지 헤드와 기존 C3 모듈을 대체하는 개선된 C2f 빌딩 블록을 도입했습니다. 이 설계는 기울기 흐름을 개선하고 빠른 모델 학습을 지원합니다. YOLOv8은 단순 탐지에 그치지 않는 멀티태스크 모델로, 사용자 친화적인 동일한 API를 통해 인스턴스 분할, 이미지 분류, 자세 추정을 지원합니다.

성능 및 지표 비교#

이러한 아키텍처를 직접 비교하면 파라미터 수와 추론 지연 시간 사이에 다양한 절충점이 드러납니다. 아래는 COCO 데이터셋에서의 성능 분석입니다.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

가장 큰 PP-YOLOE+x 모델은 mAP에서 YOLOv8x를 근소하게 앞서지만, 파라미터 수가 거의 100M에 달합니다. Ultralytics YOLOv8 모델은 전반적으로 더 균형 잡힌 성능을 보여줍니다. YOLOv8 아키텍처는 더 무거운 모델보다 학습과 추론 중 메모리를 훨씬 적게 사용하므로 프로덕션 환경에서 확장하기에 적합합니다.

Ultralytics 생태계의 이점#

모델을 평가할 때는 주변 에코시스템이 아키텍처 자체만큼이나 중요합니다. PP-YOLOE+를 사용하려면 PaddlePaddle 프레임워크에 특화된 복잡한 설정 파일과 종속성을 다뤄야 합니다.

반면 Ultralytics는 개발 속도를 높이는 경험을 제공하도록 설계되었습니다. 잘 관리되는 생태계는 간단한 Python API와 활발한 커뮤니티를 제공합니다. Ultralytics Platform은 데이터셋 관리, 클라우드 학습, ONNX 및 TensorRT와 같은 형식으로의 간편한 내보내기를 제공하여 전체 ML 파이프라인도 간소화합니다.

간소화된 PyTorch 배포

YOLOv8은 기본적으로 PyTorch로 구축되어 있어, 특수 소프트웨어 스택이 필요한 프레임워크보다 기존 AI 파이프라인에 훨씬 쉽게 통합하고 CoreML을 통해 모바일 환경으로 내보내거나 엣지 장치에 배포할 수 있습니다.

사용 편의성: 코드 비교#

Ultralytics를 사용하면 몇 줄의 코드만으로 객체 탐지 모델을 학습할 수 있습니다. 복잡한 계층형 구성 폴더를 파악할 필요가 없습니다.

from ultralytics import YOLO

# 사전 학습된 YOLOv8 소형 모델 불러오기
model = YOLO("yolov8s.pt")

# 사용자 지정 데이터셋으로 모델을 효율적으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# mAP 지표를 기준으로 모델을 검증합니다
metrics = model.val()

# 고속 엣지 배포를 위해 내보냅니다
model.export(format="engine", dynamic=True)  # TensorRT로 내보냅니다

사용 사례 및 권장 사항#

PP-YOLOE+와 YOLOv8 중에서 선택할 때는 프로젝트의 구체적인 요구 사항, 배포 제약 조건, 에코시스템 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.

YOLOv8을 선택해야 하는 경우#

다음과 같은 경우 YOLOv8을 권장합니다.

  • 다양한 작업의 통합 배포: Ultralytics 생태계에서 탐지, 분할, 분류, 포즈 추정에 검증된 모델이 필요한 프로젝트에 적합합니다.
  • 안정적인 프로덕션 시스템: 이미 YOLOv8 아키텍처를 기반으로 구축되어 안정적이고 충분히 테스트된 배포 파이프라인을 갖춘 기존 프로덕션 환경.
  • 폭넓은 커뮤니티 및 생태계 지원: YOLOv8의 방대한 튜토리얼, 타사 통합, 활발한 커뮤니티 리소스를 활용하는 애플리케이션.

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 장치에서는 YOLO26이 최대 43% 더 빠른 CPU 추론 속도(YOLO26n과 YOLO11n 비교)를 제공하므로 확실한 이점을 얻을 수 있습니다.
  • 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.

YOLOv8을 넘어: YOLO26의 등장#

YOLOv8은 여전히 견고하고 신뢰할 수 있는 선택이지만, 최신 발전을 원하는 개발자는 Ultralytics YOLO26을 고려해야 합니다. 2026년 1월에 출시된 YOLO26은 YOLO 아키텍처의 기반 원칙을 엣지 우선 AI 모델 제품군으로 발전시켰습니다.

YOLO26은 PP-YOLOE+와 이전 YOLO 세대(예: YOLO11)를 개선하는 여러 혁신을 제공합니다.

  • 엔드투엔드 NMS 프리 설계: YOLOv10의 개념을 바탕으로 YOLO26은 선택적으로 엔드투엔드 헤드(nms=False)를 제공합니다. 비최대 억제(NMS) 후처리를 제거하여 장면의 혼잡도와 관계없이 일관되고 지연 시간이 낮은 추론을 구현합니다.
  • CPU 추론 최대 43% 향상: 분포 초점 손실(DFL)을 제거해 YOLO26은 처리 오버헤드를 크게 줄입니다. 따라서 YOLO26n은 엣지 CPU에서 YOLO11n보다 최대 43% 빠르며, 고가 GPU를 사용할 수 없는 스마트 시티 및 IoT 애플리케이션에 적합합니다.
  • MuSGD 옵티마이저: YOLO26은 대규모 언어 모델(LLM) 학습 기법을 활용합니다. 하이브리드 MuSGD 옵티마이저는 학습 안정성을 높이고 수렴을 가속합니다.
  • ProgLoss + STAL: 점진적 손실과 소형 객체 인식 레이블 할당을 통해 작고 멀리 있는 객체의 탐지 성능을 크게 향상합니다. 이는 항공 이미지를 분석하는 드론 운영자와 빠르게 움직이는 제조 라인에서 결함을 탐지하는 작업에 큰 이점을 제공합니다.

새로운 컴퓨터 비전 프로젝트를 시작하는 개발자에게 YOLO26을 권장합니다.

실제 애플리케이션#

이러한 모델 중에서 선택할 때는 구체적인 배포 환경을 고려해야 합니다.

PP-YOLOE+가 적합한 경우:

  • Paddle 전용 하드웨어 생태계: PaddlePaddle이 필수 런타임인 Baidu 지원 하드웨어에만 배포한다면 PP-YOLOE+가 뛰어난 기본 통합 기능을 제공합니다.
  • 대규모 서버 측 처리: 파라미터 수와 메모리 제약이 문제가 되지 않고 오프라인 서버 추론만 실행하는 경우입니다.

Ultralytics YOLOv8(및 YOLO26)이 적합한 경우:

  • 동적 엣지 컴퓨팅: NVIDIA Jetson 장치부터 Raspberry Pi 보드까지, Ultralytics 모델은 속도와 작은 메모리 사용량 사이에서 뛰어난 균형을 제공합니다.
  • 멀티태스크 파이프라인: 애플리케이션을 단순 바운딩 박스에서 항공 이미지 분석을 위한 방향성 바운딩 박스(OBB)로 확장하거나 행동 분석을 위한 자세 추정을 추가해야 한다면, Ultralytics는 이러한 작업을 기본 지원합니다.
  • 신속한 프로토타이핑부터 프로덕션까지: Ultralytics 생태계는 팀이 빠르게 반복 개발하도록 지원합니다. 사전 학습된 가중치를 바로 사용할 수 있으므로, Ultralytics Platform을 통해 경쟁 아키텍처보다 훨씬 빠르게 사용자 지정 모델을 학습하고 배포할 수 있습니다.

PP-YOLOE+는 경쟁력 있는 벤치마크 성능을 제공하지만, YOLO26으로 대표되는 Ultralytics 모델의 다재다능함과 사용 편의성, 지속적인 혁신은 현대의 개발자와 연구자 모두에게 더 나은 선택이 되도록 합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.