YOLO11과 PP-YOLOE+ 비교#
프로덕션 환경에 컴퓨터 비전 애플리케이션을 배포할 때는 최적의 신경망 아키텍처를 선택하는 것이 중요합니다. 이 기술 비교에서는 실시간 객체 탐지 분야의 대표 모델인 Ultralytics YOLO11과 Baidu의 PP-YOLOE+를 살펴봅니다. 두 아키텍처 모두 강력한 성능을 제공하지만 정확도, 추론 속도, 개발자 생태계 측면의 과제에 서로 다른 방식으로 접근합니다.
아래의 대화형 차트는 모델의 성능 범위를 보여주며, 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 YOLO 시리즈를 매우 정교하게 발전시킨 모델로, 빠른 추론 속도, 탁월한 파라미터 효율성, 뛰어난 사용 편의성의 균형을 중시합니다. 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 발전형 모델입니다. CSPRepResNet 백본과 Task Alignment Learning (TAL) 등의 아키텍처 변경을 도입하여 특히 고성능 GPU에서 정확도의 한계를 넓힙니다.
- 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 기본 아키텍처 설계에는 컴퓨터 비전 분야에서 서로 다른 우선순위가 반영되어 있습니다.
YOLO11은 고도로 최적화된 백본과 앵커 프리 탐지 헤드를 기반으로 합니다. C3k2 블록과 Spatial Pyramid Pooling - Fast (SPPF)를 사용하여 계산 오버헤드를 최소화하면서 멀티스케일 특징을 추출합니다. 이 설계는 엣지 NPU와 모바일 CPU처럼 리소스가 제한된 장치에서 추론 지연 시간을 줄이는 데 매우 유리합니다. 또한 YOLO11은 멀티태스크 학습을 기본적으로 지원하도록 설계되어, 인스턴스 분할, 자세 추정, 방향성 바운딩 박스(OBB) 탐지를 별도 설정 없이 지원합니다.
PP-YOLOE+는 CSPRepResNet 백본과 Efficient Task-aligned head (ET-head)를 도입합니다. 재매개변수화 기법을 적극 활용해 학습 중 표현력을 높인 다음, 추론을 위해 해당 파라미터를 표준 컨볼루션으로 통합합니다. 이를 통해 인상적인 평균 정밀도(mAP)를 달성하지만, 결과 모델은 파라미터 수와 메모리 사용량이 더 큰 경향이 있어 경량 엣지 장치보다 강력한 서버 GPU에 배포하는 편이 적합합니다.
프로젝트에서 표준 바운딩 박스를 넘어서는 기능이 필요하다면, Ultralytics YOLO11은 동일한 API 내에서 분할, 자세 추정, 분류를 기본 지원하므로 여러 개의 개별 저장소를 통합할 때보다 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 표에서는 비교 지표를 확인할 수 있으며, 효율성이 가장 높거나 성능이 가장 뛰어난 값은 굵게 표시했습니다.
| 모델 | 크기 (픽셀) | mAP검증 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 | 21.6 |
| 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 성능 균형과 파라미터 효율성에서 뚜렷한 이점을 보입니다. 예를 들어, YOLO11m은 PP-YOLOE+m(49.8)보다 높은 mAP(51.5)를 달성하면서 파라미터 수는 더 적고(20.1M 대 23.43M), TensorRT 추론 속도는 훨씬 빠릅니다(4.7ms 대 5.56ms). YOLO11 모델은 경량이므로 모델 학습과 배포 시 메모리 요구량도 자연스럽게 낮아집니다.
학습 생태계 및 사용 편의성#
모델의 진정한 가치는 개발자가 모델을 맞춤형 컴퓨터 비전 데이터셋으로 얼마나 쉽게 학습하고 프로덕션에 배포할 수 있는지에 달려 있는 경우가 많습니다.
Ultralytics의 강점#
Ultralytics는 간소화된 개발자 경험을 중시합니다. YOLO11 학습은 간단한 Python API 또는 CLI로 진행되며, 복잡한 상용구 코드를 추상화합니다. Ultralytics Platform은 노코드 학습, 자동화된 데이터셋 관리, ONNX, CoreML, TensorRT와 같은 형식으로의 원클릭 내보내기를 제공하여 이를 더욱 강화합니다.
또한 YOLO 모델은 학습 중 메모리 효율성이 높아 Transformer 기반 아키텍처나 재매개변수화가 많이 적용된 모델에서 흔히 발생하는 막대한 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 생태계에서 작동합니다. 이 프레임워크는 강력하고 Baidu의 산업용 솔루션과 긴밀하게 통합되어 있지만, 개발자는 특정 딥러닝 프레임워크인 PaddlePaddle을 도입해야 합니다. 따라서 이미 PyTorch로 표준화된 팀에는 학습 곡선이 더 가팔라질 수 있습니다. 또한 Ultralytics 워크플로에서 제공되는 기본 내보내기 파이프라인과 비교하면, PP-YOLOE+ 모델을 엣지 장치용 표준 범용 형식으로 내보낼 때 추가 변환 단계가 필요할 수 있습니다.
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.
- 전체 프로덕션 파이프라인이 이미 PaddlePaddle 생태계에 크게 의존하거나, 메모리 제약과 하드웨어 호환성(Paddle 최적화 하드웨어 외)이 주요 고려 사항이 아닌 고성능 전용 추론 서버에 배포하는 경우에는 PP-YOLOE+를 선택하세요.
차세대 모델: YOLO26 소개#
YOLO11은 여전히 매우 강력하지만 AI 분야는 빠르게 발전하고 있습니다. 객체 탐지의 최첨단 성능을 위해 Ultralytics는 새로운 YOLO26을 선보였습니다. 2026년 1월에 출시된 YOLO26은 이전 모델의 성공을 바탕으로 전례 없는 효율성과 정확도를 제공합니다.
YOLO26의 주요 혁신:
- 엔드투엔드 NMS 프리 설계: YOLO26의 선택적 원투원 헤드(
nms=False)는 비최대 억제(NMS) 후처리를 생략합니다. 이로 인해 추론 속도가 크게 향상되고 배포 로직이 간소화됩니다. 이 아키텍처 혁신은 YOLOv10에서 처음 선보였습니다. - CPU 추론 최대 43% 향상: GPU가 없는 엣지 장치에 맞춰 특별히 최적화되어 저전력 하드웨어에서도 실시간 성능을 보장합니다.
- MuSGD 옵티마이저: LLM 학습 안정성에서 영감을 얻은 SGD와 Muon의 하이브리드 방식으로, 더 빠른 수렴과 안정적인 학습을 지원합니다.
- ProgLoss + STAL: 개선된 손실 함수로 소형 객체 인식 성능을 크게 높입니다. 이는 드론 애플리케이션과 보안 감시에 매우 중요합니다.
- DFL 제거: Distribution Focal Loss를 제거하여 모델 내보내기를 간소화하고 다양한 엣지 장치와의 호환성을 크게 향상합니다.
속도, 원활한 내보내기, 최고 수준의 정확도를 우선하는 신규 프로젝트에는 Ultralytics Platform을 통해 YOLO26의 기능을 활용하는 것을 적극 권장합니다.
다른 아키텍처를 평가하고 있다면 YOLO11과 RT-DETR을 비교하거나, 기존 YOLOv8이 최신 벤치마크에서 어떤 성능을 보이는지 살펴보는 것도 좋습니다.