PP-YOLOE+와 YOLOv9#
실시간 컴퓨터 비전 분야는 끊임없이 변화하고 있으며, 연구자와 개발자는 정확도와 추론 속도의 한계를 계속 넓혀 가고 있습니다. PP-YOLOE+와 YOLOv9를 비교하면 모델 아키텍처와 에코시스템 설계에 대한 서로 다른 두 가지 접근 방식을 살펴볼 수 있습니다.
이 종합적인 기술 비교에서는 아키텍처 혁신, 성능 지표, 학습 방법론, 이상적인 사용 사례를 분석하여 다음 배포에 적합한 객체 탐지 모델을 선택할 수 있도록 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 공개한 YOLOv9은 딥러닝 정보 병목을 효율적으로 처리하는 데 있어 중요한 도약을 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 혁신은 프로그래밍 가능 경사 정보(PGI)로, 특징이 심층 신경망을 통과하는 동안 데이터 손실이 발생하지 않도록 합니다. 일반화 효율적 계층 집계 네트워크(GELAN)와 결합해 YOLOv9은 파라미터 효율성과 연산 흐름을 극대화합니다. 또한 Ultralytics 에코시스템에 기본적으로 통합되어 연구와 상용 애플리케이션 모두에서 쉽게 활용할 수 있습니다.
성능 및 지표 비교#
순수 성능을 분석해 보면 YOLOv9은 뛰어난 파라미터 효율성을 보여 줍니다. 더 적은 파라미터와 FLOPs로 동등하거나 더 높은 정확도를 달성하므로 모델 학습 중 VRAM 요구량이 줄어듭니다.
| 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 |
| 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 53.0 mAP를 달성하며, 비슷한 성능의 PP-YOLOE+l(52.2M)보다 파라미터 수가 훨씬 적습니다(25.5M). 메모리 사용량이 더 적은 YOLOv9은 GPU 리소스가 제한된 환경에서 작업하는 개발자에게 더 적합합니다.
에코시스템, 활용성 및 사용 편의성#
YOLOv9의 두드러진 장점은 지속적으로 관리되는 Ultralytics 에코시스템에 원활하게 통합된다는 점입니다. PP-YOLOE+에서는 복잡한 PaddlePaddle 설정 파일을 다뤄야 하지만, YOLOv9은 간결한 Python API를 활용할 수 있습니다.
Ultralytics Python API를 사용하면 개발자는 사전 학습된 가중치를 불러오고, 데이터 증강을 관리하며, 상용구 코드를 최소화해 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")또한 Ultralytics 에코시스템은 탁월한 활용성을 제공합니다. 바운딩 박스 탐지뿐 아니라 프레임워크에서 인스턴스 세그멘테이션, 포즈 추정, 방향 경계 상자(OBB) 탐지를 기본적으로 지원합니다. 덕분에 복잡한 실제 파이프라인에 맞춰 모델을 매우 효율적으로 조정할 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 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 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 YOLOv9 모두 강력하지만, 새롭게 출시된 YOLO26은 프로덕션 환경을 위한 확실한 차세대 모델입니다. 2026년 1월에 출시된 YOLO26은 엣지 컴퓨팅과 클라우드 배포의 새로운 기준을 세웠습니다. 획기적인 혁신을 갖춘 YOLO26을 모든 신규 컴퓨터 비전 프로젝트에 적극 권장합니다.
- 엔드 투 엔드 NMS 프리 설계: YOLO26은 기본 엔드 투 엔드 추론을 지원하므로
nms=False으로 실행할 때 비최대 억제(NMS) 후처리가 필요하지 않습니다. 이를 통해 배포 파이프라인을 크게 간소화하고 지연 시간을 줄입니다. - 최대 43% 빠른 CPU 추론: 엣지 컴퓨팅에 맞춰 아키텍처를 특별히 최적화해, 전용 GPU가 없는 하드웨어에서 YOLO26의 속도를 크게 높였습니다.
- DFL 제거: 분포 초점 손실을 제거해 내보내기를 간소화하고 저전력 엣지 장치와의 호환성을 크게 개선했습니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델 학습 기법에서 영감을 얻은 SGD와 Muon의 하이브리드 방식으로 학습 역학의 안정성을 높이고 수렴을 가속합니다.
- ProgLoss + STAL: 이러한 고급 손실 함수는 소형 객체 인식 성능을 크게 개선하며, 항공 이미지 및 로보틱스 분야에 필수적인 향상을 제공합니다.
- 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 산업 제조 현장에서 자주 배포됩니다. 특히 PaddlePaddle 통합과 Baidu의 하드웨어 스택이 기업 인프라에 깊이 자리 잡은 지역에서 널리 사용됩니다. 엄격한 실시간 제약보다 절대적인 정밀도를 우선하는 정적 이미지 분석에 적합합니다.
YOLOv9은 빠른 실시간 추론이 필요한 동적 환경에 적합합니다. 뛰어난 파라미터 효율성 덕분에 자율 드론 내비게이션과 엣지 기반 보안 시스템에 이상적입니다. 또한 VRAM 사용량이 적어 일반 소비자용 GPU로 학습하는 연구자의 진입 장벽을 낮춥니다.
스마트 시티 교통 관리와 고속 로보틱스에서 최고의 성능을 원한다면 최신 모델인 YOLO26이 탁월한 선택입니다. NMS 병목의 오버헤드 없이 선택적 엔드 투 엔드 추론을 제공합니다.