GitHub에서 페이지 수정 (EN)

PP-YOLOE+ 대 YOLOv9: 현대 객체 탐지에 대한 심층 기술 분석

실시간 컴퓨터 비전 분야는 끊임없이 변화하고 있으며, 연구자와 개발자들은 정확도와 추론 속도의 한계를 지속적으로 넓혀가고 있습니다. PP-YOLOE+와 YOLOv9을 비교할 때, 우리는 모델 아키텍처와 생태계 설계라는 두 가지 서로 다른 철학을 살펴봅니다.

이 포괄적인 기술 비교에서는 아키텍처 혁신, 성능 지표, 학습 방법론 및 이상적인 사용 사례를 분석하여 다음 배포를 위해 적절한 객체 탐지 모델을 선택하도록 돕습니다.

모델 계보 및 기술적 기반

이러한 모델의 기원과 아키텍처 선택을 이해하는 것은 컴퓨터 비전 프로젝트에 모델이 얼마나 적합한지 판단하는 데 중요합니다.

PP-YOLOE+ 개요

바이두(Baidu)의 PaddlePaddle 저자들이 개발한 PP-YOLOE+는 2022년 4월 2일에 도입되었습니다. 이 모델은 PaddleDetection 프레임워크 내의 이전 버전을 기반으로 구축되어 고성능 객체 탐지 기능을 제공합니다.

PP-YOLOE+는 강력한 앵커 프리(anchor-free) 아키텍처를 도입했으며, PaddlePaddle 생태계 내 배포에 최적화되어 있습니다. 수정된 CSPRepResNet 백본과 ET-헤드를 사용하여 특징 추출 및 BBox 회귀를 개선합니다. 높은 mAP(mean Average Precision)을 달성하지만, PaddlePaddle 프레임워크에 대한 의존도로 인해 PyTorch나 TensorFlow에 익숙한 개발자에게는 통합 시 어려움이 있을 수 있습니다.

PP-YOLOE+에 대해 더 알아보기

YOLOv9 개요

대만 중앙연구원(Academia Sinica) 정보과학연구소의 Chien-Yao Wang과 Hong-Yuan Mark Liao가 도입한 YOLOv9는 딥러닝 정보 병목 현상을 효율적으로 처리하는 데 있어 중요한 도약을 의미합니다.

  • 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
  • 조직: 대만 아카데미아 시니카 정보과학연구소
  • 날짜: 2024-02-21
  • Arxiv: 2402.13616
  • GitHub: WongKinYiu/yolov9

YOLOv9의 주요 돌파구는 딥 뉴럴 네트워크를 통과하는 데이터의 손실을 방지하는 PGI(Programmable Gradient Information)입니다. GELAN(Generalized Efficient Layer Aggregation Network)과 결합된 YOLOv9는 파라미터 효율성과 계산 흐름을 극대화합니다. 또한, Ultralytics 생태계에 기본적으로 통합되어 연구 및 상업적 애플리케이션 모두에서 매우 쉽게 접근할 수 있습니다.

YOLOv9에 대해 더 알아보기

기타 Ultralytics 모델

최신 기술(state-of-the-art) 옵션을 살펴보고 있다면, Transformer 기반의 정밀도와 실시간 엣지 성능의 균형을 다양하게 제공하는 YOLO11 및 RT-DETR에도 관심이 있으실 것입니다.

성능 및 메트릭 비교

원시 성능을 분석할 때, YOLOv9는 뛰어난 파라미터 효율성을 보여줍니다. YOLOv9는 더 적은 파라미터와 FLOPs로도 동등하거나 더 우수한 정확도를 달성하며, 이는 모델 학습 중 VRAM 요구 사항을 낮추는 결과로 이어집니다.

모델크기
(픽셀)		mAPval
50-95		속도
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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0

표에서 볼 수 있듯이, YOLOv9c는 비교 대상인 PP-YOLOE+l(52.2M)보다 훨씬 적은 파라미터(25.3M)로 53.0 mAP라는 강력한 성능을 달성합니다. 이러한 낮은 메모리 사용량 덕분에 YOLOv9는 제한된 GPU 자원을 사용하는 개발자에게 더 우수한 선택지가 됩니다.

생태계, 범용성 및 사용 편의성

YOLOv9의 결정적인 장점은 잘 관리된 Ultralytics 생태계와의 원활한 통합에 있습니다. PP-YOLOE+는 복잡한 PaddlePaddle 구성 파일을 탐색해야 하지만, YOLOv9는 간소화된 Python API의 이점을 누릴 수 있습니다.

Ultralytics Python API를 통해 개발자는 사전 학습된 가중치를 로드하고, 데이터 증강(data augmentation)을 관리하며, 최소한의 상용구 코드(boilerplate code)로 학습을 시작할 수 있습니다.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model
model = YOLO("yolov9c.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
model.export(format="onnx")

또한 Ultralytics 생태계는 타의 추종을 불허하는 범용성을 제공합니다. BBox 탐지 외에도, 프레임워크는 인스턴스 분할(Instance Segmentation), 자세 추정(Pose Estimation) 및 방향성 BBox(OBB) 탐지를 기본적으로 지원합니다. 덕분에 복잡한 실제 파이프라인에 모델을 적응시키는 것이 매우 효율적입니다.

내보내기 옵션

Ultralytics 프레임워크를 사용하여 학습된 모델은 TensorRT 및 OpenVINO를 포함한 여러 형식으로 내보낼 수 있어 다양한 하드웨어에서 고도로 최적화된 추론을 보장합니다.

사용 사례 및 권장 사항

PP-YOLOE+와 YOLOv9 사이의 선택은 특정 프로젝트 요구 사항, 배포 제약 조건 및 생태계 선호도에 따라 달라집니다.

PP-YOLOE+를 선택해야 하는 경우

PP-YOLOE+는 다음과 같은 경우에 강력한 선택입니다:

  • PaddlePaddle 생태계 통합: Baidu의 PaddlePaddle 프레임워크 및 도구를 기반으로 구축된 기존 인프라를 보유한 조직.
  • Paddle Lite 엣지 배포: Paddle Lite 또는 Paddle 추론 엔진에 최적화된 추론 커널이 있는 하드웨어에 배포하는 경우.
  • 고정밀 서버 측 탐지: 프레임워크 종속성이 문제가 되지 않는 강력한 GPU 서버에서 최대 탐지 정확도를 우선시하는 시나리오.

YOLOv9을 선택해야 할 때

YOLOv9은 다음의 경우에 권장됩니다:

  • 정보 병목 현상 연구: 프로그래밍 가능한 그래디언트 정보(PGI) 및 일반화된 효율적 계층 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트.
  • 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 계층에서의 정보 손실을 이해하고 완화하는 데 중점을 둔 연구.
  • 고정확도 탐지 벤치마킹: 아키텍처 비교를 위한 참조 지점으로 YOLOv9의 강력한 COCO 벤치마크 성능이 필요한 시나리오.

Ultralytics(YOLO26)를 선택해야 할 때

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적의 조합을 제공합니다:

  • NMS-free 엣지 배포: Non-Maximum Suppression 후처리의 복잡성 없이 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
  • CPU 전용 환경: 전용 GPU 가속기가 없는 장치에서 YOLO26의 최대 43% 더 빠른 CPU 추론 속도가 결정적인 이점을 제공합니다.
  • 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같은 도전적인 시나리오에서 ProgLoss와 STAL이 작은 객체에 대한 정확도를 크게 향상시킵니다.

앞으로의 전망: YOLO26의 이점

PP-YOLOE+와 YOLOv9 모두 강력하지만, 새로 출시된 YOLO26은 프로덕션 환경을 위한 확실한 차세대 단계입니다. 2026년 1월에 출시된 YOLO26은 엣지 컴퓨팅 및 클라우드 배포를 위한 새로운 표준을 정립합니다. YOLO26의 혁신적인 기능들로 인해 모든 새로운 컴퓨터 비전 프로젝트에 이를 강력히 권장합니다:

  • 엔드투엔드 NMS-Free 설계: YOLO26은 기본적으로 엔드투엔드 방식이므로 NMS(Non-Maximum Suppression) 후처리가 전혀 필요 없습니다. 이는 배포 파이프라인을 크게 단순화하고 지연 시간을 줄입니다.
  • CPU 추론 속도 최대 43% 향상: 엣지 컴퓨팅을 위해 아키텍처를 특별히 최적화함으로써, YOLO26은 전용 GPU가 없는 하드웨어에서 훨씬 더 빠른 성능을 발휘합니다.
  • DFL 제거: DFL(Distribution Focal Loss)이 제거되어 내보내기가 더 간편해졌으며 저전력 엣지 장치와의 호환성이 획기적으로 향상되었습니다.
  • MuSGD 옵티마이저: 대규모 언어 모델 학습 기술(예: Moonshot AI의 Kimi K2)에서 영감을 받은 SGD와 Muon의 이 조합은 매우 안정적인 학습 역학 및 빠른 수렴을 보장합니다.
  • ProgLoss + STAL: 이러한 고급 손실 함수는 작은 객체 인식에서 눈에 띄는 향상을 가져오며, 이는 항공 이미지 및 로봇 공학 분야에 필수적인 업그레이드입니다.
  • 작업별 개선 사항: YOLO26은 분할을 위한 멀티 스케일 프로토(multi-scale proto) 및 자세 추정을 위한 RLE(Residual Log-Likelihood Estimation)와 같은 특정 작업을 위한 맞춤형 아키텍처를 포함합니다.

데이터셋 주석, 클라우드 학습 및 모델 모니터링을 위한 올인원 솔루션인 Ultralytics 플랫폼을 통해 YOLO26 모델을 쉽게 학습하고 배포할 수 있습니다.

실제 적용 사례

이러한 아키텍처 간의 선택은 종종 목표 배포 환경에 따라 결정됩니다.

**PP-YOLOE+**는 PaddlePaddle 통합 및 Baidu의 하드웨어 스택이 엔터프라이즈 인프라에 깊이 내장된 지역의 산업 제조 센터에 자주 배포됩니다. 엄격한 실시간 제약보다 절대적인 정밀도가 우선시되는 정적 이미지 분석에서 뛰어난 성능을 발휘합니다.

YOLOv9은 빠른 실시간 추론이 필요한 동적 환경에서 탁월합니다. 뛰어난 파라미터 효율성 덕분에 자율 드론 내비게이션 및 엣지 기반 보안 시스템에 이상적입니다. 또한 낮은 VRAM 소비량은 소비자용 GPU에서 학습하는 연구자들의 진입 장벽을 낮춰줍니다.

스마트 시티 교통 관리 및 고속 로봇 공학 전반에서 최고의 성능을 위해서는 NMS 병목 현상의 오버헤드 없이 엔드투엔드 효율성을 제공하는 최신 YOLO26이 타의 추종을 불허합니다.

Contributors
GitHub에서 페이지 수정 (EN)
GLglenn-jocher13

댓글