YOLO11과 PP-YOLOE+ 비교
프로덕션 환경에 컴퓨터 비전 애플리케이션을 배포할 때 적합한 신경망 아키텍처를 선택하는 일은 매우 중요합니다. 이 비교에서는 널리 알려진 두 실시간 객체 탐지 모델인 Ultralytics YOLO11과 Baidu의 PP-YOLOE+를 살펴봅니다. 두 모델 모두 우수한 성능을 보이지만 정확도, 추론 속도, 개발자 생태계에 접근하는 방식은 상당히 다릅니다.
아래의 인터랙티브 차트는 두 모델의 속도와 정확도 간 트레이드오프를 표시하여 하드웨어 제약에 가장 적합한 모델을 찾는 데 도움을 줍니다.
모델의 기원 및 기술 계보#
이러한 모델의 기원과 설계 철학을 이해하면 각 모델의 강점과 이상적인 사용 사례를 파악하는 데 유용한 맥락을 얻을 수 있습니다.
YOLO11 세부 정보#
Ultralytics가 개발한 YOLO11은 빠른 추론, 파라미터 효율성, 사용 편의성의 균형을 맞춰 YOLO 시리즈를 개선했습니다. 통합된 멀티태스크 지원과 개발자 친화적인 Python API로 잘 알려져 있습니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: YOLO11 문서
PP-YOLOE+ 세부 정보#
PP-YOLOE+는 PP-YOLOE의 업그레이드 버전으로, PP-YOLOv2에서 발전했으며 PaddlePaddle 프레임워크를 기반으로 합니다. CSPRepResNet 백본과 Task Alignment Learning (TAL) 같은 아키텍처 변경을 적용해 특히 고성능 GPU에서 정확도를 향상합니다.
- 저자: PaddlePaddle 저자
- 기관: Baidu
- 날짜: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- 문서: PP-YOLOE+ 구성 문서
아키텍처 차이#
YOLO11과 PP-YOLOE+의 아키텍처에는 서로 다른 설계 우선순위가 반영되어 있습니다.
YOLO11은 효율적인 백본과 앵커 프리 탐지 헤드를 결합합니다. C3k2 블록과 Spatial Pyramid Pooling - Fast (SPPF)를 사용해 연산 오버헤드를 최소화하면서 다중 스케일 특징을 추출하므로, 엣지 NPU와 모바일 CPU처럼 리소스가 제한된 디바이스에서 추론 지연 시간을 줄이는 데 도움이 됩니다. YOLO11은 기본적으로 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스 (OBB) 탐지도 지원합니다.
PP-YOLOE+는 CSPRepResNet 백본, CSPPAN 넥, Efficient Task-aligned head (ET-head)를 사용합니다. 학습 중 표현력을 높이기 위해 재매개변수화를 적용한 다음, 추론 시 해당 파라미터를 표준 컨볼루션에 통합합니다. 이를 통해 높은 평균 정밀도 (mAP)를 달성하지만, 대형 변형은 YOLO11의 동일한 크기 모델보다 파라미터 수가 많아(L 크기에서 52.2M 대 25.3M) 경량 엣지 디바이스보다 서버 GPU에 더 적합합니다.
프로젝트에서 표준 바운딩 박스 외의 기능이 필요하다면, Ultralytics YOLO11은 동일한 API 내에서 분할, 분류, 자세 추정, OBB 탐지를 기본 지원하므로 여러 개의 개별 저장소를 통합하는 것보다 개발 오버헤드를 줄일 수 있습니다.
성능 및 벤치마크#
아래 표는 정확도(mAP), 하드웨어별 추론 속도, 모델 효율성(파라미터 및 FLOPs)을 비교하며, 각 열에서 가장 우수한 값은 굵게 표시합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
분석#
YOLO11은 대부분의 크기에서 성능 균형이 더 뛰어납니다. YOLO11m은 PP-YOLOE+m보다 더 높은 mAP(51.5 대 49.8)를 더 적은 파라미터(20.1M 대 23.43M)와 더 빠른 TensorRT 추론 속도(4.7ms 대 5.56ms)로 달성합니다. 가장 큰 크기에서는 두 모델 모두 mAP 54.7을 기록하지만, YOLO11x는 파라미터가 훨씬 적고(56.9M 대 98.42M) 속도도 더 빠릅니다(11.3ms 대 14.3ms). 소형 모델에서는 PP-YOLOE+도 경쟁력이 있습니다. PP-YOLOE+t는 지연 시간이 더 긴 대신 mAP에서 YOLO11n을 앞서며(39.9 대 39.5), PP-YOLOE+s는 정확도가 낮은 대신 YOLO11s보다 파라미터와 FLOPs가 적습니다. 소형 YOLO11 모델은 모델 학습 및 배포 중 메모리도 덜 필요로 합니다.
학습 생태계 및 사용 편의성#
모델의 실질적인 가치는 개발자가 맞춤형 컴퓨터 비전 데이터셋으로 얼마나 쉽게 학습시키고 프로덕션 환경에 배포할 수 있는지에 크게 좌우됩니다.
Ultralytics의 강점#
Ultralytics는 개발자 경험에 중점을 둡니다. YOLO11은 복잡한 보일러플레이트 코드 없이 간단한 Python API 또는 CLI로 학습할 수 있으며, Ultralytics Platform은 노코드 학습, 데이터셋 관리, ONNX, CoreML, TensorRT 등의 형식으로 원클릭 export 기능을 제공합니다.
YOLO 모델은 학습 중에도 메모리 효율성이 높아 Transformer 기반 아키텍처와 재매개변수화된 대형 모델에서 발생하는 큰 VRAM 오버헤드를 피하므로, 일반 소비자용 하드웨어에서도 학습할 수 있습니다.
from ultralytics import YOLO
# 사전 학습된 YOLO11 모델 로드
model = YOLO("yolo11n.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")
results[0].show()PP-YOLOE+ 생태계#
PP-YOLOE+는 PaddleDetection 생태계 내에서 작동합니다. 이 프레임워크는 강력하고 Baidu의 산업용 솔루션과 긴밀하게 통합되어 있지만, 개발자는 특정 딥러닝 프레임워크인 PaddlePaddle을 도입해야 합니다. 이 때문에 이미 PyTorch를 표준으로 사용하는 팀에는 학습 곡선이 더 가파를 수 있습니다. 일반적인 엣지 형식으로 PP-YOLOE+ 모델을 export할 때도 추가 변환 단계가 필요할 수 있지만, 기본 제공되는 Ultralytics export 파이프라인은 한 번의 명령으로 YOLO11을 ONNX, TensorRT, PaddlePaddle 형식으로 변환합니다.
적합한 사용 사례#
이러한 모델 중에서 선택할 때는 구체적인 배포 환경을 고려해야 합니다.
- 민첩한 개발, 엣지 컴퓨팅, 모바일 애플리케이션을 위해서는 YOLO11을 선택하세요. 높은 추론 속도, 낮은 메모리 사용량, 폭넓은 내보내기 기능을 갖춰 표준 CPU에서의 실시간 소매 재고 관리, 드론 기반 항공 이미지 분석, 복잡한 멀티태스크 파이프라인과 같은 작업에 이상적입니다.
- 프로덕션 파이프라인이 이미 PaddlePaddle 생태계를 기반으로 구축되어 있거나, 메모리 제약과 하드웨어 호환성(Paddle의 최적화 하드웨어 외)이 주요 고려사항이 아닌 고성능 전용 추론 서버에 배포한다면 PP-YOLOE+를 선택하세요.
차세대 모델: YOLO26 소개#
YOLO11도 여전히 강력한 선택이지만, 신규 프로젝트에는 Ultralytics가 YOLO26을 권장합니다. 2026년 1월에 출시된 YOLO26은 효율성과 정확도 모두에서 이전 모델을 개선했습니다.
YOLO26의 주요 혁신:
- 엔드투엔드 NMS 프리 설계: YOLO26의 선택적 일대일 헤드(
nms=False)는 후처리 단계의 비최대 억제 (NMS)를 생략합니다. 이를 통해 지연 시간을 줄이고 배포 로직을 간소화하며, YOLOv10에서 처음 도입한 접근 방식을 발전시켰습니다. - 최대 43% 빠른 CPU 추론: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되어 GPU가 없는 엣지 디바이스의 실시간 성능을 향상합니다.
- MuSGD 옵티마이저: 대규모 언어 모델 (LLM) 학습에서 영감을 얻은 SGD와 Muon의 하이브리드로, 더 빠른 수렴과 안정적인 학습을 제공합니다.
- ProgLoss + STAL: Progressive Loss와 Small-Target-Aware Label Assignment (STAL)은 소형 객체 인식 성능을 향상하며, 이는 드론 애플리케이션과 보안 감시에 매우 중요합니다.
- DFL 제거: Distribution Focal Loss를 제거하면 모델 export가 간소화되고 다양한 엣지 디바이스와의 호환성이 향상됩니다.
속도, 간편한 export, 정확도를 우선시하는 신규 프로젝트에는 YOLO26을 권장하며, Ultralytics Platform에서 학습하고 배포할 수 있습니다.
다른 아키텍처를 평가하고 있다면 RT-DETR과 YOLO11 비교를 확인하거나 YOLO11과 YOLOv8, YOLOv9, YOLOv10의 비교를 읽어보세요.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.