YOLO11 vs PP-YOLOE+#
프로덕션 환경에 컴퓨터 비전 애플리케이션을 배포할 때는 최적의 신경망 아키텍처를 선택하는 것이 매우 중요합니다. 이 기술 비교에서는 실시간 객체 감지 분야의 대표적인 두 모델인 Ultralytics YOLO11과 Baidu의 PP-YOLOE+를 살펴봅니다. 두 아키텍처 모두 뛰어난 성능을 제공하지만, 정확도, 추론 속도, 개발자 생태계의 과제에 접근하는 방식은 상당히 다릅니다.
아래의 대화형 차트는 이러한 모델의 성능 범위를 보여 주므로, 하드웨어 제약 조건에 가장 적합한 모델을 식별하는 데 도움이 됩니다.
모델의 기원과 기술적 계보#
이러한 모델의 기원과 설계 철학을 이해하면 각 모델의 강점과 이상적인 사용 사례를 파악하는 데 유용한 배경 지식을 얻을 수 있습니다.
YOLO11 세부 정보#
Ultralytics가 개발한 YOLO11은 YOLO 시리즈를 고도로 개선한 버전으로, 빠른 추론 속도, 뛰어난 파라미터 효율성, 탁월한 사용 편의성 간의 균형을 우선시합니다. 또한 통합된 멀티태스크 기능과 개발자 친화적인 Python API로 널리 인정받고 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 PaddlePaddle 프레임워크를 기반으로 구축된 PP-YOLOv2의 발전된 버전입니다. CSPRepResNet 백본과 Task Alignment Learning (TAL) 같은 아키텍처 변경 사항을 도입하여, 특히 고성능 GPU에서 정확도의 한계를 확장합니다.
- 저자: PaddlePaddle Authors
- 조직: Baidu
- 날짜: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- 문서: PP-YOLOE+ Configuration Docs
아키텍처 차이#
YOLO11과 PP-YOLOE+의 기본 아키텍처 설계는 컴퓨터 비전 분야에서 서로 다른 우선순위를 반영합니다.
YOLO11은 고도로 최적화된 백본과 앵커 프리 감지 헤드를 기반으로 구축되었습니다. C3k2 블록과 Spatial Pyramid Pooling - Fast (SPPF)를 활용하여 계산 오버헤드를 최소화하면서 멀티스케일 특징을 추출합니다. 이러한 설계는 엣지 NPU 및 모바일 CPU와 같이 리소스가 제한된 디바이스에서 추론 지연 시간을 줄이는 데 매우 유리합니다. 또한 YOLO11은 멀티태스크 학습을 기본적으로 지원하도록 설계되어, 인스턴스 세그멘테이션, 포즈 추정, 방향성 바운딩 박스 (OBB) 감지를 별도의 설정 없이 지원합니다.
**PP-YOLOE+**는 CSPRepResNet 백본과 효율적 태스크 정렬 헤드(ET-head)를 도입합니다. 재파라미터화 기법을 적극 활용하여 학습 중 표현 능력을 높이는 동시에, 추론 시 해당 파라미터를 표준 컨볼루션으로 접어 넣습니다. 이를 통해 인상적인 평균 정밀도(mAP)를 달성하지만, 결과 모델은 파라미터와 메모리 사용량 측면에서 더 무거워지는 경향이 있어 경량 엣지 디바이스보다는 강력한 서버 GPU에 배포하는 데 더 적합합니다.
프로젝트에서 표준 바운딩 박스를 넘어서는 기능이 필요한 경우, Ultralytics YOLO11은 정확히 동일한 API 내에서 세그멘테이션, 포즈 추정, 분류를 기본적으로 지원하므로 여러 개의 서로 다른 리포지토리를 통합하는 것에 비해 개발 오버헤드를 크게 줄일 수 있습니다.
성능 및 벤치마크#
성능을 평가할 때는 정확도 (mAP), 다양한 하드웨어에서의 추론 속도, 모델 효율성 (파라미터 및 FLOPs)을 살펴봅니다. 아래 표에는 비교 지표가 정리되어 있으며, 가장 효율적이거나 성능이 높은 값은 굵게 표시됩니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 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 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| 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 성능 균형과 파라미터 효율성에서 뚜렷한 이점을 보여 줍니다. 예를 들어 YOLO11m은 PP-YOLOE+m (49.8)보다 높은 mAP (51.5)를 달성하면서 더 적은 파라미터 (20.1M vs 23.43M)를 사용하고 TensorRT에서 훨씬 빠른 추론 속도 (4.7ms vs 5.56ms)를 달성합니다. YOLO11 모델의 경량 특성은 모델 학습과 배포 과정 모두에서 더 낮은 메모리 요구 사항으로 이어집니다.
학습 생태계 및 사용 편의성#
모델의 진정한 가치는 개발자가 맞춤형 컴퓨터 비전 데이터셋으로 얼마나 쉽게 학습시키고 프로덕션에 배포할 수 있는지에 있는 경우가 많습니다.
Ultralytics의 강점#
Ultralytics는 간소화된 개발자 경험을 우선시합니다. YOLO11 학습은 간단한 Python API 또는 CLI를 통해 관리되며, 복잡한 보일러플레이트 코드를 추상화합니다. Ultralytics Platform은 코드 없는 학습, 자동화된 데이터셋 관리, ONNX, CoreML, TensorRT와 같은 형식으로의 원클릭 내보내기를 제공하여 이를 더욱 향상합니다.
나아가 YOLO 모델은 학습 과정에서 메모리 효율성이 매우 높아, 트랜스포머 기반 아키텍처나 무거운 재파라미터화 모델에서 흔히 발생하는 막대한 VRAM 오버헤드를 방지하므로 보급형 하드웨어에서도 학습이 가능합니다.
from ultralytics import YOLO
# Load a pretrained YOLO11 model
model = YOLO("yolo11n.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")
results[0].show()PP-YOLOE+ 생태계#
PP-YOLOE+는 PaddleDetection 생태계 내에서 작동합니다. 이 프레임워크는 강력하고 Baidu의 산업용 솔루션과 긴밀하게 통합되어 있지만, 개발자는 특정 PaddlePaddle 딥러닝 프레임워크를 채택해야 합니다. 따라서 PyTorch를 표준으로 사용하는 팀에는 더 가파른 학습 곡선이 발생할 수 있습니다. 또한 엣지 디바이스용 표준 범용 형식으로 PP-YOLOE+ 모델을 내보내려면 Ultralytics 워크플로에서 제공하는 기본 내보내기 파이프라인에 비해 추가 변환 단계가 필요할 수 있습니다.
이상적인 사용 사례#
이러한 모델 중에서 선택하는 기준은 구체적인 배포 환경에 따라 달라집니다.
- 애자일 개발, 엣지 컴퓨팅, 모바일 애플리케이션에는 YOLO11을 선택하십시오. 높은 추론 속도, 낮은 메모리 사용량, 폭넓은 내보내기 기능을 갖추어 일반 CPU에서의 실시간 소매 재고 관리, 드론 기반 항공 이미지 분석, 복잡한 멀티태스크 파이프라인과 같은 작업에 이상적입니다.
- 전체 프로덕션 파이프라인이 이미 PaddlePaddle 생태계에 크게 투자되어 있거나, 메모리 제약과 하드웨어 호환성 (Paddle의 최적화된 하드웨어 제외)이 주요 고려 사항이 아닌 고성능 전용 추론 서버에 배포하는 경우에는 PP-YOLOE+를 선택하십시오.
차세대 모델: YOLO26 소개#
YOLO11은 여전히 매우 강력하지만 AI 분야는 빠르게 발전하고 있습니다. 객체 감지 분야의 최첨단 기술을 원한다면 Ultralytics가 새롭게 선보인 **YOLO26**을 확인해 보십시오. 2026년 1월에 출시된 YOLO26은 이전 모델의 성과를 기반으로 전례 없는 효율성과 정확도를 제공합니다.
YOLO26의 주요 혁신:
- 엔드투엔드 NMS 프리 설계: YOLO26은 비최대 억제 (NMS) 후처리를 기본적으로 제거합니다. 이를 통해 추론 속도를 크게 높이고 배포 로직을 간소화하며, YOLOv10에서 처음 개척된 아키텍처 도약을 이어 갑니다.
- 최대 43% 더 빠른 CPU 추론: GPU가 없는 엣지 디바이스에 맞게 특별히 최적화되어 저전력 하드웨어에서도 실시간 성능을 보장합니다.
- MuSGD Optimizer: LLM 학습 안정성에서 영감을 얻은 SGD와 Muon의 하이브리드 방식으로, 더 빠른 수렴과 안정적인 학습을 보장합니다.
- ProgLoss + STAL: 개선된 손실 함수가 소형 객체 인식을 크게 향상하며, 이는 드론 애플리케이션과 보안 감시에 매우 중요합니다.
- DFL 제거: Distribution Focal Loss를 제거하여 모델 내보내기를 간소화하고 광범위한 엣지 디바이스에서의 호환성을 크게 향상합니다.
속도, 원활한 내보내기, 최고의 정확도를 우선시하는 새로운 프로젝트에는 Ultralytics Platform을 통해 YOLO26의 기능을 활용할 것을 적극 권장합니다.
다른 아키텍처를 평가하고 있다면 YOLO11과 RT-DETR을 비교하거나, 기존 모델인 YOLOv8이 최신 벤치마크에서 어떤 성능을 보이는지 살펴보는 것도 좋습니다.