Ultralytics YOLO27:

RTDETRv2와 PP-YOLOE+ 비교#

빠르게 발전하는 컴퓨터 비전 분야에서는 복잡한 실시간 객체 검출 과제를 해결하기 위해 다양한 아키텍처 접근 방식이 등장했습니다. 최근 가장 주목할 만한 발전으로는 RTDETRv2와 **PP-YOLOE+**가 있으며, 두 강력한 모델은 근본적으로 서로 다른 설계 철학으로 시각 인식에 접근합니다. 두 모델 모두 고성능 검출을 목표로 하지만, 기본 동작 방식, 학습 패러다임, 적합한 배포 시나리오는 크게 다릅니다.

이 종합 가이드에서는 두 모델의 아키텍처, 성능 지표, 생태계 지원을 비교하여 기술적 세부 사항을 살펴보고, 개발자와 연구자가 특정 배포 요구 사항에 가장 적합한 솔루션을 선택할 수 있도록 지원합니다.

모델 개요#

성능 데이터를 분석하기 전에 각 모델의 기원과 아키텍처 목표를 이해하는 것이 중요합니다. 두 모델 모두 Baidu의 연구팀에서 시작되었지만, 객체 검출 계보에서는 서로 다른 계통을 나타냅니다.

RTDETRv2#

RTDETRv2는 Transformer 기반 비전 아키텍처에서 중요한 도약을 보여줍니다. 기존 실시간 검출 Transformer를 기반으로 유연한 비전 Transformer 백본과 효율적인 하이브리드 인코더를 결합합니다. 가장 큰 특징은 네이티브 종단 간 예측 기능으로, 후처리 과정에서 Non-Maximum Suppression(NMS)이 전혀 필요하지 않습니다.

RTDETRv2에 대해 자세히 알아보기

PP-YOLOE+#

PP-YOLOE+는 고성능 산업 애플리케이션에 중점을 두고 최적화된 YOLO 시리즈의 고급 버전입니다. 앵커가 없는 검출 헤드를 갖춘 확장 가능한 CNN 아키텍처를 특징으로 합니다. 뛰어난 속도와 정확도의 균형을 제공하도록 설계되었으며, ET-head 및 일반화된 focal loss 함수와 같은 강력한 기법을 도입하여 소형 객체 검출 성능을 개선합니다.

PP-YOLOE+에 대해 자세히 알아보기

생태계 통합

두 모델 모두 독립적인 연구 리포지토리를 제공하지만, Ultralytics Python 패키지에서 RTDETRv2를 직접 쉽게 실험하고 통합 API와 간소화된 내보내기 옵션을 활용할 수 있습니다.

아키텍처 차이#

이 두 모델의 근본적인 차이는 시각적 컨텍스트를 처리하고 예측을 생성하는 방식에 있습니다.

PP-YOLOE+는 전통적이지만 고도로 최적화된 CNN 백본을 사용합니다. 로컬 수용 영역에 의존하여 특징을 추출하므로 표준 배포 환경에서 매우 빠르고 효율적입니다. 그러나 겹치는 바운딩 박스를 필터링하려면 여전히 표준 NMS 후처리가 필요하며, 이 과정은 밀집된 장면에서 지연 시간 병목을 일으킬 수 있습니다.

반면 RTDETRv2는 Hybrid Encoder와 Transformer Decoder를 사용합니다. 이를 통해 모델은 전체 이미지에 걸친 전역 컨텍스트를 동시에 포착할 수 있습니다. 어텐션 메커니즘은 객체 간 관계를 본질적으로 이해하므로 NMS 없이 최종 바운딩 박스를 직접 출력할 수 있습니다. 이러한 종단 간 접근 방식은 검출되는 객체 수와 관계없이 안정적인 추론 지연 시간을 보장합니다.

성능 지표 및 비교#

YOLO 성능 지표를 평가할 때는 정확도(mAP), 계산 비용(FLOPs), 추론 속도 간의 균형을 맞추는 것이 중요합니다. 아래 표에서는 다양한 크기에서 두 모델의 성능을 보여줍니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
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

PP-YOLOE+x는 COCO 데이터셋에서 54.7%의 mAPval로 근소하게 더 높은 성능을 보이지만, RTDETRv2 모델은 일반적으로 경쟁력 있는 정확도를 제공하면서 NMS가 필요 없는 설계 덕분에 일관된 지연 시간이라는 추가 이점도 제공합니다. 그러나 PP-YOLOE+는 소형 모델에서 파라미터 수와 FLOPs 측면에서 확실한 우위를 유지하므로 엣지 배포에 매우 효율적입니다.

Ultralytics의 강점: YOLO26 출시#

RTDETRv2와 PP-YOLOE+는 각각 뛰어난 성능을 발휘하지만, 최첨단 기술은 계속 발전하고 있습니다. 속도, 정확도, 생태계 지원의 최적 균형을 원하는 개발자에게 Ultralytics YOLO26은 새로운 업계 표준을 제시합니다.

YOLO26은 CNN과 Transformer의 장점을 모두 종합합니다. 최신 아키텍처가 개척한 End-to-End NMS-Free 설계를 채택하여 후처리 병목을 효과적으로 제거합니다. 또한 LLM 학습 혁신에서 영감을 얻은 하이브리드 접근 방식인 MuSGD Optimizer를 도입하여 매우 안정적인 학습과 빠른 수렴을 보장합니다.

엣지 환경에 최적화

상당한 CUDA 메모리를 요구하는 무거운 Transformer 모델과 달리, YOLO26은 DFL Removal(Distribution Focal Loss)을 적용하고 엣지 컴퓨팅에 특화하여 최적화되었으며, 이전 세대와 비교해 최대 43% 더 빠른 CPU 추론을 제공합니다.

또한 YOLO26은 단순한 객체 검출에만 국한되지 않습니다. 기본적으로 다목적 기능을 제공하여 인스턴스 세그멘테이션, 포즈 추정, 방향성 바운딩 박스(OBB)를 별도의 설정 없이 지원하는 반면, PP-YOLOE+는 주로 바운딩 박스 검출에 초점을 맞춥니다.

학습 방법론과 생태계#

학습 효율성과 사용 편의성은 독립적인 연구 리포지토리와 비교할 때 Ultralytics 생태계가 진정으로 강점을 발휘하는 부분입니다. PP-YOLOE+는 PaddlePaddle 프레임워크에 의존하고 RTDETRv2는 복잡한 환경 설정이 필요한 경우가 많지만, Ultralytics를 통해 모델을 통합하면 원활한 경험을 얻을 수 있습니다.

Ultralytics API를 사용하면 학습 중 더 적은 메모리를 사용하고, 데이터셋을 자동으로 처리하며, 하이퍼파라미터 튜닝을 간소화할 수 있습니다. 또한 모델을 ONNX 또는 TensorRT와 같은 프로덕션 형식으로 단일 명령어를 사용해 배포할 수 있습니다.

코드 예제: 간소화된 추론#

아래에서는 Ultralytics Python 패키지를 사용하여 RTDETRv2와 권장 모델인 YOLO26을 얼마나 쉽게 함께 활용할 수 있는지 보여줍니다.

from ultralytics import RTDETR, YOLO

# Initialize the RTDETRv2 model
model_rtdetr = RTDETR("rtdetr-l.pt")

# Perform NMS-free inference on a test image
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_rtdetr[0].show()

# For superior speed and versatility, initialize the latest YOLO26 model
model_yolo26 = YOLO("yolo26n.pt")

# Train the YOLO26 model effortlessly with optimized memory usage
model_yolo26.train(data="coco8.yaml", epochs=50, imgsz=640)

# Export to TensorRT for edge deployment
model_yolo26.export(format="engine")

실제 애플리케이션 및 사용 사례#

이러한 아키텍처 중 어떤 것을 선택할지는 구체적인 하드웨어와 애플리케이션 요구 사항에 따라 결정되는 경우가 많습니다.

  • RTDETRv2는 서버 측 환경과 복잡한 장면 이해에서 뛰어난 성능을 발휘합니다. 전역 어텐션 메커니즘은 군중 관리와 밀집된 의료 영상 분석에 매우 효과적이며, 이러한 환경에서는 겹치는 객체로 인해 표준 NMS 알고리즘이 일반적으로 제대로 작동하지 않습니다.
  • **PP-YOLOE+**는 고속 산업 검사와 PaddlePaddle 생태계에 크게 투자한 환경에 적합합니다. 소형 모델에서 파라미터 수가 적기 때문에 특정 로보틱스 애플리케이션에도 활용할 수 있습니다.
  • Ultralytics YOLO26은 종합적인 상용 배포를 위해 보편적으로 권장되는 솔루션입니다. 향상된 ProgLoss + STAL 함수를 통해 항공 드론 운영과 스마트 시티 교통 모니터링에 중요한 소형 객체 인식 성능을 크게 향상합니다.

사용 사례 및 권장 사항#

RT-DETR과 PP-YOLOE+ 중 어떤 것을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.

RT-DETR을 선택해야 하는 경우#

RT-DETR이 적합한 경우:

  • Transformer 기반 감지 연구: NMS 없이 엔드 투 엔드 객체 감지를 수행하기 위해 attention mechanism과 Transformer 아키텍처를 탐구하는 프로젝트입니다.
  • 유연한 latency를 요구하는 고정확도 시나리오: 감지 정확도가 최우선이며 약간 더 높은 추론 latency를 허용할 수 있는 애플리케이션입니다.
  • 대형 객체 감지: 주로 medium-to-large 객체가 있는 장면으로, Transformer의 global attention mechanism이 자연스러운 이점을 제공하는 경우입니다.

PP-YOLOE+를 선택해야 하는 경우#

다음과 같은 경우 PP-YOLOE+를 권장합니다.

  • PaddlePaddle 생태계 통합: 기존 인프라가 Baidu의 PaddlePaddle 프레임워크와 도구를 기반으로 구축된 조직입니다.
  • Paddle Lite 엣지 배포: Paddle Lite 또는 Paddle 추론 엔진에 특화된 고도로 최적화된 추론 커널을 갖춘 하드웨어에 배포하는 경우입니다.
  • 고정밀 서버 측 감지: 프레임워크 종속성이 문제가 되지 않는 강력한 GPU 서버에서 최고 수준의 감지 정확도를 우선시하는 시나리오입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

  • NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
  • 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.

결론#

RTDETRv2와 PP-YOLOE+는 컴퓨터 비전에서 가능한 범위의 한계를 확장하며 Transformer와 고도로 최적화된 CNN 아키텍처 모두의 실현 가능성을 입증했습니다. 그러나 분산된 연구 코드베이스를 배포하는 복잡성은 프로덕션 일정을 지연시킬 수 있습니다.

현대의 AI 엔지니어에게 Ultralytics Platform을 활용하는 것은 탁월한 이점을 제공합니다. YOLO11이나 최첨단 YOLO26과 같이 원활하게 통합된 모델로 마이그레이션하면 메모리 요구 사항과 개발 오버헤드를 크게 줄이면서 가능한 최고의 정확도 대비 속도 비율을 달성할 수 있습니다.

기여자
GLglenn-jocher17PDpderrenger2

댓글