PP-YOLOE+ vs YOLOX
컴퓨터 비전은 객체 탐지 모델의 빠른 발전에 따라 형성되어 왔습니다. 주목할 만한 이정표로는 실시간 성능과 정확도를 발전시킨 두 아키텍처 PP-YOLOE+와 YOLOX가 있습니다. 아키텍처 세부 사항, 성능 절충점, 가장 적합한 배포 시나리오를 이해하면 연구자와 개발자가 더 나은 시각 인식 시스템을 구축할 수 있습니다.
모델 계보 및 세부 정보#
기술 아키텍처를 살펴보기 전에 두 모델의 배경을 이해하면 도움이 됩니다. 두 모델은 각각 개발을 지원한 조직의 영향을 크게 받았으며, 객체 탐지의 특정 병목을 해결하기 위해 개발되었습니다.
PP-YOLOE+ 세부 정보:
- 저자: PaddlePaddle 저자
- 기관: Baidu
- 날짜: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- 문서: PaddleDetection PP-YOLOE+ README
YOLOX 세부 정보:
- 저자: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- 조직: Megvii
- 날짜: 2021-07-18
- arXiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- 문서: YOLOX 공식 문서
아키텍처 혁신#
두 탐지기의 핵심적인 차이는 특성 추출과 바운딩 박스 예측 방식에 있습니다.
YOLOX는 2021년에 YOLO 계열을 앵커 프리 설계로 전환해 널리 주목받았습니다. 앵커 박스를 제거하여 YOLOX는 커스텀 데이터셋에 필요한 설계 파라미터와 휴리스틱 튜닝의 수를 크게 줄였습니다. 또한 분류와 위치 추정 태스크를 별도의 신경망 경로로 분리하는 분리형 헤드를 도입했습니다. 이러한 분리는 객체 분류와 공간 좌표 회귀 사이의 본질적인 충돌을 해결해 학습 중 수렴 속도를 높였습니다.
Baidu가 개발한 PP-YOLOE+는 PaddlePaddle 생태계에 맞춰 집중적으로 최적화되었습니다. PP-YOLOE와 PP-YOLOv2를 기반으로 동적 레이블 할당 전략(TAL)과 CSPRepResNet이라는 새로운 백본을 도입했습니다. 이 백본은 구조적 재매개변수화를 활용하여 학습 중에는 복잡한 멀티브랜치 아키텍처의 이점을 얻고, 추론 시에는 빠른 단일 경로 네트워크로 통합합니다.
구조적 재매개변수화를 사용하면 모델이 여러 병렬 분기로 학습한 후(그래디언트 흐름 개선) 배포를 위해 해당 분기를 수학적으로 단일 합성곱 계층으로 통합할 수 있습니다. 이를 통해 정확도를 유지하면서 추론 속도를 높입니다.
성능 및 지표 비교#
두 모델을 직접 비교하면 성능 스펙트럼에서 서로 약간 다른 영역을 담당한다는 점이 분명해집니다. PP-YOLOE+는 일반적으로 절대 mAP가 더 높고, YOLOX는 제약이 매우 큰 하드웨어에 적합한 초경량 변형을 제공합니다.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
참고: 해당 열 구간에서 가장 성능이 뛰어난 값은 굵게 표시했습니다.
YOLOX는 디스크 공간이나 CUDA 메모리를 거의 사용하지 않는 나노 및 초소형 변형을 제공하는 반면, PP-YOLOE+는 서버급 하드웨어까지 확장성이 뛰어나 Baidu 생태계의 대규모 산업 애플리케이션에 적합합니다.
실제 애플리케이션#
이러한 프레임워크 중 하나를 선택할 때는 통합 요구 사항과 하드웨어 대상이 중요한 기준이 됩니다.
YOLOX가 강점을 보이는 분야#
앵커 프리 구조와 초경량 변형을 제공하는 YOLOX는 로보틱스 및 임베디드 배포 분야에서 인기가 높습니다. 간단한 후처리 파이프라인 덕분에 TensorRT 및 NCNN과 같은 추론 런타임으로 쉽게 포팅할 수 있습니다.
PP-YOLOE+가 강점을 보이는 분야#
이미 Baidu 기술 스택을 사용 중인 제조업체에는 PP-YOLOE+가 사전 최적화된 배포 경로를 제공합니다. 실시간 제약이 덜 엄격해 다소 무거운 모델을 사용할 수 있는 강력한 서버 랙에서 실행되는 고정밀 품질 검사 시나리오에 적합합니다.
사용 사례 및 권장 사항#
PP-YOLOE+와 YOLOX 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항과 배포 제약, 선호하는 생태계에 따라 달라집니다.
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.
YOLOX를 선택해야 하는 경우#
다음과 같은 경우 YOLOX를 권장합니다.
- 앵커 프리 탐지 연구: 새로운 탐지 헤드나 손실 함수를 실험하기 위한 기준 모델로 YOLOX의 간결한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
- 초경량 엣지 디바이스: YOLOX-Nano 변형의 매우 작은 크기(파라미터 0.91M)가 중요한 저전력 임베디드 하드웨어나 구형 모바일 하드웨어에 배포하는 경우입니다.
- SimOTA 레이블 할당 연구: 최적 수송 기반 레이블 할당 전략과 해당 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.
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.
Ultralytics의 장점: YOLO26 출시#
PP-YOLOE+와 YOLOX는 중요한 연구 이정표이지만, 최신 배포 환경에는 더 통합되고 개발자 친화적이며 효율적인 경험이 필요합니다. 바로 이 점에서 Ultralytics YOLO26이 돋보입니다.
독립적인 연구 저장소에서 프로덕션 환경에 바로 적용할 수 있는 시스템으로 전환하려는 팀을 위해 Ultralytics는 견고하고 체계적으로 유지 관리되는 에코시스템을 제공합니다. 이제 모델을 학습할 때 복잡한 환경을 구성할 필요가 없습니다. 통합 Python API에 액세스하는 것만으로 간단히 학습할 수 있습니다.
Ultralytics YOLO26의 주요 장점은 다음과 같습니다:
- 엔드투엔드 NMS-Free 설계: 중복 경계 상자를 필터링하기 위해 비최대 억제(NMS)가 필요한 PP-YOLOE+ 및 YOLOX와 달리, YOLO26은 기본 엔드투엔드 헤드(
nms=False)를 제공합니다. 이를 통해 지연 시간 병목을 없애고 배포 로직을 크게 간소화합니다. - 최대 43% 빠른 CPU 추론: 분포 초점 손실(DFL)을 제거하여 YOLO26n은 CPU 하드웨어에서 YOLO11n보다 최대 43% 빠르게 추론하므로 엣지 컴퓨팅과 저전력 디바이스에 훨씬 적합합니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2 학습에서 영감을 얻은 이 하이브리드 옵티마이저는 LLM 학습의 안정성을 컴퓨터 비전에 적용해 더 빠른 수렴을 지원합니다.
- ProgLoss + STAL: 점진적 손실과 작은 객체 인식형 레이블 할당 전략으로 작은 객체 인식 성능을 크게 향상합니다. 이는 드론 운용과 상세한 항공 이미지 처리에 매우 중요한 기능입니다.
- 다목적성: PP-YOLOE+와 YOLOX는 탐지에만 집중하는 반면, YOLO26은 직관적인 동일 문법을 사용해 인스턴스 세그멘테이션, 자세 추정, 방향 경계 상자(OBB)를 처리합니다.
Ultralytics를 활용한 간소화된 학습#
Ultralytics 모델은 메모리 효율이 높고 학습 속도가 빠르며, 특히 대량의 CUDA 메모리가 필요한 Transformer 기반 대안과 비교할 때 그 장점이 두드러집니다. 몇 줄의 코드만으로 YOLO26을 학습하고 내보낼 수 있습니다:
from ultralytics import YOLO
# 효율성이 뛰어난 엔드투엔드 YOLO26 나노 모델을 불러옵니다
model = YOLO("yolo26n.pt")
# COCO8 예제 데이터셋으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 모델 성능 검증
metrics = model.val()
# ONNX 또는 TensorRT로 내보내기
model.export(format="engine")노코드 솔루션을 찾는 팀을 위해 Ultralytics Platform은 모든 YOLO 모델에 클라우드 기반 학습, 통합 데이터셋 어노테이션, 원클릭 배포를 제공합니다.
결론#
PP-YOLOE+와 YOLOX는 각각 높은 정확도와 경량 앵커 프리 설계를 제공하며 컴퓨터 비전 역사에서 자리를 차지했습니다. 그러나 농업 분야의 AI, 스마트 시티, 리테일의 미래를 구축하는 조직에는 지속적인 유지 관리, 간편한 사용성, 기본 NMS-free 아키텍처를 갖춘 Ultralytics YOLO26을 권장합니다.
특정 벤치마크를 위해 다른 아키텍처를 살펴보고 있다면, Ultralytics 문서에서 이전 세대 모델인 YOLO11이나 RT-DETR과 같은 Transformer 기반 옵션을 비교해 볼 수도 있습니다. 통합된 Ultralytics 생태계로 전환하면 개발자는 엣지 및 클라우드 배포에서 우수한 결과를 얻으면서 시간과 리소스를 절약할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.