콘텐츠로 건너뛰기

YOLO11 대 PP-YOLOE+: 상세 모델 비교

정확도, 속도 및 배포 효율성의 요구 사항 간의 균형을 맞추는 올바른 객체 감지 모델을 선택하는 것은 매우 중요한 결정입니다. 이 페이지에서는 Ultralytics의 최신 최첨단 모델인 Ultralytics YOLO11과 Baidu의 PaddlePaddle 에코시스템의 강력한 모델인 PP-YOLOE+ 간의 포괄적인 기술 비교를 제공합니다. 두 모델 모두 매우 유능하지만 YOLO11은 뛰어난 성능 균형, 탁월한 사용 용이성, 다재다능하고 잘 관리되는 에코시스템과의 통합으로 두각을 나타내므로 광범위한 컴퓨터 비전 응용 분야에 권장되는 선택입니다.

Ultralytics YOLO11: 최첨단 성능 및 다재다능함

Ultralytics YOLO11은 Glenn Jocher와 Jing Qiu가 엔지니어링한 Ultralytics의 최신 플래그십 모델입니다. 2024년 9월 27일에 출시되었으며 실시간 객체 탐지 및 그 이상에서 새로운 표준을 설정하기 위해 YOLOv8과 같은 매우 성공적인 이전 모델의 유산을 기반으로 합니다. YOLO11은 최대 효율성, 다재다능성 및 사용자 친화성을 위해 설계되어 고급 컴퓨터 비전을 모든 곳의 개발자와 연구원이 액세스할 수 있도록 합니다.

작성자: Glenn Jocher, Jing Qiu
기관: Ultralytics
날짜: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
문서: https://docs.ultralytics.com/models/yolo11/

아키텍처 및 주요 기능

YOLO11은 속도와 정확도 간의 균형을 최적화하는 정교한 단일 단계 앵커 프리(Anchor-Free) 아키텍처를 특징으로 합니다. 간소화된 네트워크 설계는 매개변수 수와 계산 부하를 줄여 더 빠른 추론 속도와 더 낮은 메모리 요구 사항을 제공합니다. 이러한 효율성 덕분에 YOLO11은 NVIDIA Jetson과 같은 리소스가 제한된 에지 장치에서 강력한 클라우드 서버에 이르기까지 다양한 하드웨어에 배포하는 데 이상적입니다.

YOLO11의 가장 큰 강점 중 하나는 다재다능함입니다. 객체 감지 모델일 뿐만 아니라 인스턴스 분할, 이미지 분류, 포즈 추정 및 OBB(Oriented Bounding Box)를 지원하는 포괄적인 비전 프레임워크입니다. 이 다중 작업 기능은 사용 편의성으로 유명한 Ultralytics 생태계에 완벽하게 통합되어 있습니다. 간단한 Python API 및 CLI, 광범위한 문서 및 지원 커뮤니티를 통해 개발자는 몇 분 안에 시작할 수 있습니다. 또한 이 생태계에는 노코드 훈련 및 배포를 위한 Ultralytics HUB와 같은 도구가 포함되어 진입 장벽을 더욱 낮춥니다.

강점

  • 뛰어난 성능 균형: 속도와 정확성 사이에서 뛰어난 균형을 이루며, 종종 더 적은 파라미터로 경쟁사보다 뛰어난 성능을 보입니다.
  • 탁월한 효율성: CPU와 GPU 모두에서 고속 추론에 최적화되었으며 교육 및 배포 중 메모리 사용량이 적습니다.
  • 탁월한 다재다능함: 단일 프레임워크가 광범위한 비전 작업을 지원하여 복잡한 프로젝트를 위한 통합 솔루션을 제공합니다.
  • 사용 편의성: 간단한 API, 포괄적인 문서, 풍부한 튜토리얼을 통해 간소화된 사용자 경험을 제공합니다.
  • 잘 관리되는 에코시스템: 활발한 개발, 잦은 업데이트, 강력한 커뮤니티 지원, 그리고 MLOps 도구와의 원활한 통합을 통해 이점을 얻습니다.
  • 효율적인 훈련: 즉시 사용 가능한 사전 훈련된 가중치와 최적화된 훈련 루틴을 제공하여 개발 주기를 단축합니다.

약점

  • 단일 단계 검출기인 YOLO는 특화된 2단계 검출기에 비해 밀집된 장면에서 매우 작은 객체에 대한 문제점이 있을 수 있습니다.
  • YOLO11x와 같은 가장 큰 모델은 실시간 성능을 달성하기 위해 상당한 컴퓨팅 리소스가 필요하며, 이는 고정밀 모델의 일반적인 특징입니다.

사용 사례

YOLO11은 속도, 정확성 및 다재다능성을 결합하여 광범위하고 까다로운 응용 분야에 이상적인 선택입니다.

YOLO11에 대해 자세히 알아보세요

PP-YOLOE+: PaddlePaddle 생태계 내의 높은 정확도

PP-YOLOE+는 Baidu에서 개발하고 2022년에 PaddleDetection 제품군의 일부로 출시한 객체 감지 모델입니다. 특히 PaddlePaddle 딥 러닝 프레임워크 내에서 합리적인 효율성을 유지하면서 높은 정확도를 달성하는 데 중점을 둔 앵커 프리(anchor-free) 단일 단계 검출기입니다.

작성자: PaddlePaddle Authors
기관: Baidu
날짜: 2022-04-02
ArXiv: https://arxiv.org/abs/2203.16250
GitHub: https://github.com/PaddlePaddle/PaddleDetection/
Docs: https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README.md

아키텍처 및 주요 기능

PP-YOLOE+는 또한 앵커 프리 설계를 채택하여 감지 헤드를 단순화합니다. 이 모델의 아키텍처는 종종 CSPRepResNet과 같은 백본을 사용하고 Varifocal Loss 및 효율적인 ET-Head와 같은 기술을 통합하여 성능을 향상시킵니다. 이 모델은 PaddlePaddle 생태계에 고도로 최적화되어 있으며, 이는 핵심 설계 고려 사항입니다.

강점과 약점

PP-YOLOE+는 특히 더 큰 모델 변형에서 높은 mAP 점수를 제공하는 강력한 성능을 자랑합니다. 그러나 주요 약점은 생태계 종속성에 있습니다. PaddlePaddle에 종속되어 있다는 점은 PyTorch를 사용하는 대다수의 개발자와 연구자에게 상당한 학습 곡선과 통합 문제를 야기할 수 있습니다. 또한 성능 표에서 볼 수 있듯이 YOLO11과 비슷한 정확도를 얻기 위해 모델이 훨씬 더 많은 파라미터와 FLOP를 요구하는 경우가 많아 계산 효율성이 떨어집니다.

사용 사례

PP-YOLOE+는 높은 정확도가 가장 중요하고 개발 환경이 이미 PaddlePaddle 기반인 애플리케이션에 적합합니다.

  • 산업 검사: 제조 라인의 결함 감지.
  • 리테일: 자동 재고 점검 및 분석.
  • 재활용: 자동 분류를 위해 재료를 식별합니다.

PP-YOLOE+에 대해 자세히 알아보세요.

성능 분석: YOLO11 vs. PP-YOLOE+

성능 지표를 비교할 때 Ultralytics YOLO11은 최첨단 정확도를 제공하면서 효율성과 속도에서 분명한 이점을 보여줍니다.

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
  • 정확도 vs. 효율성: YOLO11은 유사한 모델 규모에서 PP-YOLOE+보다 일관되게 더 높은 mAP 점수를 달성합니다(예: YOLO11m vs. PP-YOLOE+m). 중요한 점은 파라미터와 FLOP 수가 훨씬 적다는 것입니다. 예를 들어 YOLO11x는 PP-YOLOE+x의 mAP와 일치하지만 파라미터는 58%에 불과하고 FLOP 수도 더 적어 훨씬 효율적인 모델입니다.
  • 추론 속도: YOLO11은 전반적으로 훨씬 빠릅니다. T4 GPU에서 모든 YOLO11 변형이 PP-YOLOE+ 대응 모델보다 성능이 뛰어납니다. YOLO11의 CPU 벤치마크 가용성은 전용 GPU가 없는 애플리케이션에 중요한 이점인 배포 유연성을 더욱 강조합니다.

학습, 사용성 및 생태계

원시 성능 외에도 개발자 경험은 Ultralytics YOLO11이 진정으로 빛을 발하는 곳입니다. Ultralytics 생태계는 가장 인기 있는 딥 러닝 프레임워크인 PyTorch를 기반으로 구축되어 방대한 커뮤니티, 광범위한 리소스 및 광범위한 하드웨어 지원을 보장합니다. 훈련, 유효성 검사 및 배포는 간단하고 직관적인 명령으로 간소화됩니다.

반면, PP-YOLOE+는 PaddlePaddle 프레임워크에 국한됩니다. 강력하기는 하지만, 이 생태계는 덜 널리 퍼져 있어 학습 곡선이 더 가파르고, 커뮤니티에서 제공되는 리소스가 적으며, 다른 도구와의 통합 시 더 많은 어려움이 발생할 수 있습니다. YOLO11의 학습 과정 및 메모리 사용량 또한 고도로 최적화되어 있어 더 광범위한 하드웨어에서 더 빠른 실험과 배포가 가능합니다.

PP-YOLOE+는 훌륭한 객체 감지 모델이지만, 대다수의 사용 사례에서 Ultralytics YOLO11이 더 나은 선택입니다. 최첨단 정확도, 뛰어난 추론 속도 및 뛰어난 컴퓨팅 효율성을 제공하는 더욱 강력한 패키지입니다.

YOLO11의 주요 장점은 다음과 같습니다.

  • 더 나은 전체 성능: 더 적은 컴퓨팅 자원으로 더 높은 정확도를 제공합니다.
  • 더 큰 다양성: 여러 비전 작업을 위한 단일 통합 프레임워크입니다.
  • 탁월한 사용 편의성: 개발을 가속화하는 사용자 친화적인 API 및 에코시스템입니다.
  • 더 넓은 커뮤니티 및 지원: PyTorch를 기반으로 구축되었으며 활발한 Ultralytics 팀과 커뮤니티에서 지원합니다.

강력하고 유연하며 사용하기 쉬운 비전 AI 모델을 찾는 개발자 및 연구자에게 YOLO11은 명확한 승자이며, 더 빠른 속도와 효율성으로 최첨단 애플리케이션을 만들 수 있도록 지원합니다.

다른 모델 살펴보기

다양한 아키텍처를 탐색하는 경우 Ultralytics 생태계 내에서 사용 가능한 다른 최첨단 모델에도 관심이 있을 수 있습니다. 다른 비교 페이지를 확인하십시오.



📅 1년 전에 생성됨 ✏️ 1개월 전에 업데이트됨
glenn-jocher

댓글