YOLO26 vs PP-YOLOE+
실시간 객체 탐지 모델은 빠르게 발전해 왔으며, 배포할 모델을 선택하는 엔지니어는 속도, 정확도, 도구를 비교해야 합니다. 이 페이지에서는 Ultralytics YOLO26과 PP-YOLOE+의 아키텍처, 학습 방법론, 성능 지표, 이상적인 실제 배포 시나리오를 비교합니다.
모델의 기원 및 메타데이터#
이러한 객체 탐지 아키텍처의 배경을 이해하면 각 설계 철학과 대상 환경을 맥락에 맞게 파악하는 데 도움이 됩니다.
YOLO26 개요
2026년 1월에 출시된 YOLO26은 최신 Ultralytics YOLO 모델이며 신규 프로젝트에 권장되는 선택입니다. 작은 크기, 선택적 엔드투엔드 추론, 빠른 CPU 및 GPU 처리 속도를 갖춰 엣지 AI 배포에 적합하도록 설계되었습니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2026-01-14
- GitHub: Ultralytics GitHub 저장소
- 문서: YOLO26 공식 문서
PP-YOLOE+ 개요
PP-YOLO 시리즈의 발전형으로 개발된 PP-YOLOE+는 PaddlePaddle 생태계에 최적화된 앵커 프리 탐지기입니다. 표준 탐지 지표를 개선하기 위해 CSPRepResNet 백본과 ET-head를 사용합니다.
- 저자: PaddlePaddle 저자
- 기관: Baidu
- 날짜: 2022-04-02
- arXiv: PP-YOLOE+ 연구 논문
- GitHub: PaddleDetection 저장소
- 문서: PP-YOLOE+ 문서
아키텍처 혁신#
이러한 모델이 시각 데이터를 처리하는 방식의 차이는 메모리 요구량, 학습 안정성, 추론 지연 시간에 영향을 줍니다.
YOLO26: 네이티브 엔드투엔드 탐지#
YOLO26에는 모델 배포를 간소화하도록 설계된 여러 아키텍처 변경 사항이 도입되었습니다.
- 엔드투엔드 NMS 제거 설계: YOLOv10에서 처음 도입된 개념을 바탕으로, YOLO26은 선택적 일대일 헤드(
nms=False)를 통해 비최대 억제(NMS) 후처리를 생략하는 네이티브 엔드투엔드 추론을 지원합니다. 이를 통해 지연 시간의 변동성을 줄이고 배포 파이프라인을 간소화합니다. - DFL 제거: 분포 초점 손실(DFL)을 제거하면 탐지 헤드가 간소화되어 TensorRT 및 CoreML과 같은 형식으로 더 쉽게 내보낼 수 있습니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2에서 영감을 얻은 YOLO26은 LLM 학습 혁신을 컴퓨터 비전에 도입합니다. 하이브리드 MuSGD 옵티마이저(SGD + Muon)는 더 안정적인 학습과 빠른 수렴을 제공합니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식형 레이블 할당(STAL)은 작은 객체 인식을 향상시켜 드론 이미지 및 농업 애플리케이션에 효과적인 아키텍처를 구현합니다.
PP-YOLOE+: Paddle 중심 접근 방식#
PP-YOLOE+는 표준 서버 하드웨어에서 높은 정확도를 얻는 데 초점을 맞춘 앵커 프리 설계를 사용합니다. CSPRepResNet 백본은 특징 추출을 개선합니다. 그러나 Baidu 딥러닝 스택 전용 연산에 의존하기 때문에 네트워크를 수정하거나 리소스가 제한된 엣지 장치용으로 내보내는 과정이 Ultralytics 프레임워크보다 복잡할 수 있습니다.
성능 및 지표 비교#
PP-YOLOE+는 경쟁력 있는 정확도를 제공하지만, 아래 표의 모든 크기에서 YOLO26은 더 낮은 T4 TensorRT 지연 시간으로 더 높은 mAP를 달성합니다. 예를 들어 x 모델의 경우 mAP는 57.5 대 54.7, 지연 시간은 11.8 ms 대 14.3 ms입니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| 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 |
엣지 최적화와 DFL 제거를 통해 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행됩니다. PP-YOLOE+의 CPU ONNX 속도는 여기에 보고되어 있지 않으므로, Raspberry Pi나 다른 엣지 컴퓨팅 장치와 같은 대상 장치에서 두 모델을 모두 벤치마크하세요.
모델 아키텍처를 비교할 때 Ultralytics YOLO 모델은 일반적으로 Transformer 기반 모델보다 학습 중 메모리를 적게 사용하므로 소비자용 GPU에서 프로토타이핑하기에 적합하다는 점에 유의하세요.
Ultralytics 생태계의 이점#
PP-YOLOE+는 유능한 모델이지만 개발자 경험은 크게 다릅니다. 통합된 Ultralytics 생태계는 비전 AI 실무자의 전체 워크플로를 지원합니다.
- 사용 편의성: 간단한 Python API가 데이터 파이프라인과 학습 루프의 복잡성을 추상화하며, 방대하고 활발하게 유지 관리되는 문서가 이를 뒷받침합니다.
- 다용성: 주로 객체 탐지에 초점을 맞춘 PP-YOLOE+와 달리 YOLO26은 동일한 API로 인스턴스 분할, 시맨틱 분할, 깊이 추정, 이미지 분류, 포즈 추정, 방향 바운딩 박스(OBB)를 지원합니다.
- 학습 효율성: 사전 학습된 가중치는 자동으로 다운로드되며, 기본 제공 증강 기능은 구형 프레임워크보다 일반적으로 CUDA 메모리와 시간이 적게 필요한 효율적인 학습을 지원합니다.
코드 예제: 간편한 사용법#
다음 예제에서는 Ultralytics API로 프로젝트를 시작하는 방법을 보여줍니다.
from ultralytics import YOLO
# 최적의 엣지 성능을 위해 사전 학습된 YOLO26 nano 모델을 불러옵니다
model = YOLO("yolo26n.pt")
# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")
# 대상 이미지에서 NMS 프리 추론을 수행합니다
inference_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)
# 배포를 위해 ONNX 형식으로 내보냅니다
model.export(format="onnx")실제 환경에 적합한 애플리케이션#
YOLO26과 PP-YOLOE+ 중 어떤 모델을 선택할지는 주로 프로덕션 환경의 제약 조건에 따라 달라집니다.
PP-YOLOE+를 배포할 경우:
- Baidu 생태계 통합: PaddlePaddle 인프라를 기반으로 구축된 프로젝트 또는 Baidu 소프트웨어 스택을 표준으로 사용하는 환경에 적합합니다.
- 서버 측 배치 처리: NMS로 인한 지연 시간 변동이 크게 중요하지 않은 엔터프라이즈급 하드웨어에서 실행되는 시나리오.
YOLO26을 배포할 경우:
- 엣지 장치 및 IoT: YOLO26은 CPU 속도가 더 빠르므로 스마트 카메라, 드론, 저전력 로보틱스에 적합합니다.
- 시간이 중요한 배포: 선택적 NMS 제거 추론 모드(
nms=False)는 안정적이고 지연 시간이 짧은 추론을 제공하므로 자율 주행 연구와 고속 제조 품질 관리에 중요합니다. - 다중 작업 프로젝트: 프로젝트에서 객체 탐지와 분할 마스크 또는 포즈 추정 키포인트를 결합하는 경우, 통합 YOLO26 프레임워크가 이 모든 작업을 처리합니다.
사용 사례 및 권장 사항#
YOLO26과 PP-YOLOE+ 중 무엇을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 선호하는 생태계에 따라 달라집니다.
YOLO26을 선택해야 하는 경우#
YOLO26은 다음과 같은 경우에 적합합니다:
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서는 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
- 작은 객체 탐지: ProgLoss와 STAL이 작은 객체의 정확도를 향상시키는 항공 드론 이미지나 IoT 센서 분석과 같은 까다로운 시나리오에 적합합니다.
PP-YOLOE+를 선택할 경우#
다음과 같은 경우 PP-YOLOE+를 권장합니다.
- PaddlePaddle 생태계 통합: Baidu의 PaddlePaddle 프레임워크와 도구를 기반으로 기존 인프라를 구축한 조직.
- Paddle Lite 엣지 배포: Paddle Lite 또는 Paddle 추론 엔진에 맞춰 특별히 최적화된 추론 커널을 갖춘 하드웨어에 배포하는 경우.
- 높은 정확도의 서버 측 감지: 프레임워크 종속성이 문제가 되지 않는 고성능 GPU 서버에서 최대 감지 정확도를 우선시하는 시나리오.
다른 아키텍처 살펴보기#
더 폭넓게 살펴보려면 Ultralytics 모델의 이전 세대인 YOLO11을 고려해 보세요. YOLO11은 여전히 프로덕션에서 널리 사용됩니다. Transformer 기반 탐지 모델로는 RT-DETR이 대안이지만 학습 중 메모리를 더 많이 필요로 합니다.
MuSGD 옵티마이저, ProgLoss + STAL, 선택적 NMS 제거 추론 기능을 갖춘 YOLO26은 확장 가능하고 효율적인 비전 AI 솔루션에 권장되는 선택입니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.