PP-YOLOE+와 YOLOv9
연구자와 개발자가 정확도와 추론 속도를 높이면서 실시간 컴퓨터 비전 기술은 계속 발전하고 있습니다. PP-YOLOE+와 YOLOv9를 비교하면 모델 아키텍처와 생태계 설계에 대한 두 가지 뚜렷한 접근 방식을 살펴볼 수 있습니다.
이 기술 비교에서는 아키텍처 혁신, 성능 지표, 학습 방법론, 이상적인 사용 사례를 분석하여 다음 배포에 적합한 객체 탐지 모델을 선택하도록 돕습니다.
모델 계보 및 기술적 기반#
이러한 모델의 기원과 아키텍처 선택을 이해하는 것은 컴퓨터 비전 프로젝트에 적합한지 판단하는 데 중요합니다.
PP-YOLOE+ 개요#
Baidu의 PaddlePaddle 개발자들이 개발한 PP-YOLOE+는 2022년 4월 2일에 공개되었습니다. PaddleDetection 프레임워크에서 이전 버전을 발전시켜 고성능 객체 탐지를 제공합니다.
- 저자: PaddlePaddle 저자
- 기관: Baidu
- 날짜: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddleDetection 저장소
PP-YOLOE+는 PaddlePaddle 에코시스템 내 배포에 최적화된 강력한 앵커 프리 아키텍처를 도입했습니다. 수정된 CSPRepResNet 백본과 ET-head를 사용해 특징 추출과 바운딩 박스 회귀를 개선합니다. 높은 평균 정밀도(mAP)를 달성하지만, PaddlePaddle 프레임워크에 의존하므로 PyTorch나 TensorFlow에 익숙한 개발자에게는 통합 과정이 번거로울 수 있습니다.
YOLOv9 개요#
대만 중앙연구원 정보과학연구소의 Chien-Yao Wang과 Hong-Yuan Mark Liao가 발표한 YOLOv9는 심층 네트워크의 정보 병목 현상을 해결하는 데 중요한 진전을 이뤘습니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2024-02-21
- arXiv: 2402.13616
- GitHub: WongKinYiu/yolov9
YOLOv9의 주요 기여는 프로그래밍 가능한 기울기 정보(PGI)로, 특징이 심층 신경망을 통과할 때 발생하는 정보 손실을 완화합니다. 일반화 효율 레이어 집계 네트워크(GELAN)와 결합하여 YOLOv9는 파라미터 효율성과 연산 흐름을 극대화합니다. 또한 Ultralytics 생태계에 기본 통합되어 있어 연구와 상용 애플리케이션 모두에서 쉽게 활용할 수 있습니다.
성능 및 지표 비교#
순수 성능을 분석하면 YOLOv9는 뛰어난 파라미터 효율성을 보여줍니다. 더 적은 파라미터와 FLOPs로 비슷하거나 더 높은 정확도를 달성하므로 모델 학습 중 VRAM 요구량이 줄어듭니다.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
표에서 볼 수 있듯이 YOLOv9c는 비교 대상인 PP-YOLOE+l(52.2M)보다 훨씬 적은 파라미터(25.5M)로 높은 53.0 mAP를 달성합니다. 메모리 사용량이 적은 YOLOv9는 GPU 리소스가 제한된 환경에서 작업하는 개발자에게 더 나은 선택입니다.
에코시스템, 활용성 및 사용 편의성#
YOLOv9의 뚜렷한 장점은 잘 관리되는 Ultralytics 생태계와의 통합입니다. PP-YOLOE+는 복잡한 PaddlePaddle 구성 파일을 다뤄야 하지만, YOLOv9는 간소화된 Python API를 활용할 수 있습니다.
Ultralytics Python API를 사용하면 개발자가 사전 학습된 가중치를 불러오고, 데이터 증강을 관리하며, 보일러플레이트 코드를 최소화하여 학습을 시작할 수 있습니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv9 모델을 불러옵니다
model = YOLO("yolov9c.pt")
# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 이미지에서 추론 실행
results = model("https://ultralytics.com/images/bus.jpg")
# 모델을 ONNX 형식으로 내보내기
model.export(format="onnx")Ultralytics 생태계는 폭넓은 활용성도 제공합니다. 바운딩 박스 탐지를 넘어 프레임워크에서 인스턴스 분할, 자세 추정, 방향성 바운딩 박스(OBB) 탐지를 기본 지원합니다. 따라서 복잡한 실제 파이프라인에 모델을 효율적으로 적용할 수 있습니다.
사용 사례 및 권장 사항#
PP-YOLOE+와 YOLOv9 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.
YOLOv9을 선택해야 하는 경우#
다음과 같은 경우 YOLOv9을 권장합니다:
- 정보 병목 연구: 프로그래밍 가능한 그래디언트 정보(PGI) 및 일반화된 효율적 계층 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트입니다.
- 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 계층의 정보 손실을 이해하고 완화하는 데 초점을 둔 연구입니다.
- 고정확도 탐지 벤치마킹: 아키텍처 비교의 기준점으로 YOLOv9의 우수한 COCO 벤치마크 성능이 필요한 시나리오입니다.
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 디바이스에서는 YOLO26n이 YOLO11n보다 CPU 추론 속도가 최대 43% 빨라 확실한 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
앞으로의 방향: YOLO26의 이점#
PP-YOLOE+와 YOLOv9는 모두 강력한 모델이지만, 새로 출시된 YOLO26은 프로덕션 환경을 위한 자연스러운 다음 단계입니다. 2026년 1월에 출시된 YOLO26은 엣지 컴퓨팅과 클라우드 배포를 모두 고려해 설계되었으며, 다음과 같은 혁신을 바탕으로 새로운 컴퓨터 비전 프로젝트에 권장되는 모델입니다.
- 엔드투엔드 NMS 프리 설계: YOLO26은 네이티브 엔드투엔드 추론을 지원하므로
nms=False로 실행할 때 비최대 억제(NMS) 후처리가 필요하지 않습니다. 이를 통해 배포 파이프라인을 크게 간소화하고 지연 시간을 줄입니다. - CPU 추론 최대 43% 향상: 엣지 컴퓨팅에 맞게 아키텍처를 최적화하여 YOLO26n은 CPU 전용 하드웨어에서 YOLO11n보다 최대 43% 빠르게 실행됩니다.
- DFL 제거: 분포 초점 손실을 제거하여 내보내기를 간소화하고 저전력 엣지 장치와의 호환성을 높였습니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2에 적용된 기법과 같은 대규모 언어 모델 학습 기법에서 영감을 받았습니다. SGD와 Muon의 하이브리드인 이 옵티마이저는 안정적인 학습 동역학과 빠른 수렴을 제공합니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식 레이블 할당을 통해 소형 객체 인식 성능이 크게 향상됩니다. 이는 항공 이미지와 로보틱스에 필수적인 개선 사항입니다.
- 작업별 개선 사항: YOLO26은 세그멘테이션을 위한 멀티스케일 프로토, 포즈 추정을 위한 잔차 로그 가능도 추정(RLE) 등 특정 작업에 맞게 조정된 아키텍처를 포함합니다.
데이터셋 어노테이션, 클라우드 학습, 모델 모니터링을 위한 올인원 솔루션인 Ultralytics Platform을 통해 YOLO26 모델을 손쉽게 학습하고 배포할 수 있습니다.
실제 애플리케이션#
이러한 아키텍처 중에서 선택할 때는 대개 목표 배포 환경이 중요한 기준이 됩니다.
PP-YOLOE+는 PaddlePaddle 프레임워크와 Baidu 하드웨어 스택이 엔터프라이즈 인프라에 깊이 통합된 산업 제조 환경에서 자주 배포됩니다. 엄격한 실시간 제약보다 최대 정밀도를 우선하는 정적 이미지 분석에서 우수한 성능을 발휘합니다.
YOLOv9는 빠른 실시간 추론이 필요한 동적 환경에서 우수한 성능을 발휘합니다. 파라미터 효율성이 뛰어나 자율 드론 내비게이션과 엣지 기반 보안 시스템에 적합합니다. 또한 VRAM 사용량이 적어 일반 소비자용 GPU로 학습하는 연구자의 진입 장벽을 낮춥니다.
스마트 시티 교통 관리와 고속 로보틱스 전반에서 최고의 성능을 원한다면, NMS 오버헤드 없이 선택적으로 엔드투엔드 추론을 지원하는 최신 YOLO26을 권장합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.