YOLOv10과 PP-YOLOE+ 비교
컴퓨터 비전에서 실시간 객체 디텍션에 적합한 아키텍처를 선택하려면 정확도, 추론 속도, 배포 효율성 사이의 균형을 맞춰야 합니다. 주목할 만한 두 가지 옵션은 YOLOv10과 PP-YOLOE+입니다. 두 모델 모두 뛰어난 디텍터이지만 서로 다른 설계 철학과 생태계를 기반으로 합니다.
이 기술 가이드에서는 두 아키텍처의 성능 지표, 구조적 차이, 실제 환경에 적합한 애플리케이션을 분석합니다. 차이점을 이해하면 머신러닝 엔지니어와 연구자가 배포 파이프라인에 관한 충분한 정보를 바탕으로 결정을 내릴 수 있습니다.
YOLOv10: NMS 프리 실시간 탐지#
칭화대학교 연구진이 개발한 YOLOv10은 후처리 중 비최대 억제(NMS)가 필요하지 않도록 하여 아키텍처의 큰 변화를 도입했습니다. 이 엔드투엔드 접근 방식은 실시간 추론의 오랜 병목을 해결하여 배포 속도와 예측 가능성을 높이며, 특히 컴퓨팅 리소스가 제한된 디바이스에서 효과적입니다.
기술 메타데이터#
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 날짜: 2024-05-23
- arXiv: 2405.14458
- GitHub: THU-MIG/yolov10
- 문서: YOLOv10 문서
아키텍처의 강점과 약점#
YOLOv10의 두드러진 특징은 NMS 없는 학습을 위한 일관된 이중 할당 방식으로, 휴리스틱 임계값 설정에 의존하지 않고 경계 상자를 직접 예측할 수 있습니다. 그 결과 속도와 정밀도가 훌륭하게 균형을 이루며, 특히 소형 모델 변형에서 강점이 나타납니다. 또한 전체적인 효율성·정확도 중심 설계를 적용해 연산 중복을 최소화합니다.
그러나 탐지에만 초점을 맞춘 모델이므로 인스턴스 세그멘테이션이나 포즈 추정을 기본 제공하는 모델에서 볼 수 있는 폭넓은 활용성은 부족합니다.
PP-YOLOE+: PaddlePaddle의 앵커 프리 탐지#
PP-YOLOE+는 Baidu의 PaddlePaddle 팀이 개발한 원본 PP-YOLOE의 업그레이드 버전입니다. 최적화된 앵커 프리 설계를 바탕으로 개선된 학습 전략을 적용하여 표준 벤치마크에서 평균 정밀도(mAP)를 높입니다.
기술 메타데이터#
- 저자: PaddlePaddle 저자
- 기관: Baidu
- 날짜: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- 문서: PP-YOLOE+ GitHub README
아키텍처의 강점과 약점#
PP-YOLOE+는 확장 가능한 CSPRepResNet 백본과 CSPPAN 넥을 사용하여 특징 추출을 강화합니다. 학습 방법론은 Objects365와 같은 대규모 데이터셋의 사전 학습에 의존하며, 이는 특히 더 큰 x 및 l 변형 모델에서 높은 정확도에 기여합니다.
PP-YOLOE+의 주요 단점은 PaddlePaddle 프레임워크와 긴밀하게 결합되어 있다는 점입니다. PyTorch 또는 통합 Ultralytics 생태계에 익숙한 팀에는 PP-YOLOE+ 도입이 번거로울 수 있습니다. 또한 파라미터 수가 많아 동급 Ultralytics YOLO 모델보다 학습 중 더 많은 메모리가 필요합니다.
성능 벤치마크#
다음 표는 여러 규모에 걸쳐 YOLOv10과 PP-YOLOE+를 직접 비교하고, 파라미터 효율성, 연산 비용(FLOPs), 실제 정확도 간의 절충점을 보여 줍니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| 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 |
YOLOv10은 모든 규모에서 T4 TensorRT 기준 PP-YOLOE+보다 빠르고 파라미터 수도 적습니다(예: YOLOv10m은 파라미터 15.4M으로 51.1 mAP를 4.74ms에 달성하는 반면, PP-YOLOE+m은 파라미터 23.43M으로 49.8 mAP를 5.56ms에 달성). 따라서 엣지 컴퓨팅 환경에 더 적합한 선택입니다. PP-YOLOE+는 규모 양 끝에서 우위를 보입니다. PP-YOLOE+t는 YOLOv10n보다 정확도가 높고(39.9 대 38.5 mAP), PP-YOLOE+x는 YOLOv10x를 근소하게 앞서지만(54.7 대 54.4 mAP) 파라미터 수는 세 배 이상입니다.
사용 사례 및 권장 사항#
YOLOv10과 PP-YOLOE+ 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
YOLOv10을 선택해야 하는 경우#
YOLOv10은 다음과 같은 경우에 적합합니다:
- NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
- 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
- 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.
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.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 장치에서는 YOLO26의 최대 43% 빠른 CPU 추론(YOLO26n 대 YOLO11n)이 결정적인 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석과 같이 ProgLoss와 STAL이 작은 객체의 정확도를 높이는 까다로운 시나리오입니다.
Ultralytics의 강점과 미래: YOLO26#
YOLOv10과 PP-YOLOE+는 각각 특화된 장점을 제공하지만, 새로 시작하는 프로덕션급 컴퓨터 비전 프로젝트에는 Ultralytics YOLO26을 권장합니다. 2026년 1월에 출시된 YOLO26은 YOLOv10이 YOLO 모델에 도입한 NMS 프리 설계 등 검증된 아키텍처 아이디어를 멀티태스크 프레임워크에 적용합니다.
Ultralytics 모델은 사용 편의성을 중시합니다. 통합 Python API를 사용하면 복잡한 설정 파일을 직접 다루지 않아도 됩니다. 또한 YOLO 모델은 일반적으로 Transformer 기반 탐지기보다 CUDA 메모리 사용량이 적어 더 빠르고 비용 효율적인 학습이 가능합니다.
YOLO26의 주요 혁신#
- 엔드투엔드 NMS 없는 설계: 선택적 일대일 헤드(
nms=False)로 NMS 후처리 지연 시간을 없애는 YOLO26은 자율주행 차량과 고속 로보틱스에 필수적인 안정적인 고속 추론을 제공합니다. - 엣지 우선 최적화: 분포 초점 손실(DFL)을 제거하여 모델 내보내기 형식을 간소화하고, YOLO26n의 CPU 추론 속도를 YOLO11n보다 최대 43% 높입니다.
- 고급 학습 동역학: SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 통해 YOLO26은 대규모 언어 모델(LLM) 학습의 안정성을 비전 작업에 적용하여 더 빠르고 안정적으로 수렴합니다.
- ProgLoss + STAL을 통한 정확도 향상: 점진적 손실과 소형 객체 인식 레이블 할당(STAL)은 어려운 시나리오를 겨냥하여 항공 이미지 및 농업 분야의 소형 객체 디텍션을 개선합니다.
다재다능함#
디텍션에 중점을 둔 PP-YOLOE+와 달리 YOLO26은 단일 통합 코드베이스에서 인스턴스 분할, 시맨틱 분할, 깊이 추정, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB)를 처리합니다. 데이터셋을 관리하고 모델을 학습 및 배포하는 작업을 Ultralytics Platform에서 바로 수행할 수 있습니다.
from ultralytics import YOLO
# YOLO26 나노 모델을 초기화합니다
model = YOLO("yolo26n.pt")
# Ultralytics 엔진으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# GPU 배포를 위해 TensorRT로 내보냅니다
model.export(format="engine", quantize=16)실제 애플리케이션#
적합한 모델은 배포 제약 조건에 따라 달라집니다.
- PP-YOLOE+는 PaddlePaddle 하드웨어 및 소프트웨어 스택이 이미 구축된 산업용 배포 환경에 적합합니다. 정적인 고해상도 제조 품질 검사를 효과적으로 처리합니다.
- YOLOv10은 밀집된 군중 관리와 NMS 제거로 지연 시간 변동성이 줄어 실시간 추적의 일관성이 높아지는 환경에 적합합니다.
- Ultralytics YOLO26은 기업 전반의 확장을 위한 권장 모델입니다. 스마트 시티의 교통 상황을 분석하거나 Raspberry Pi와 같은 저전력 엣지 디바이스에 배포할 때도 작은 메모리 사용량, 문서, 통합 학습 파이프라인 덕분에 프로덕션 적용까지 걸리는 시간을 단축할 수 있습니다.
생태계에서 지원하는 이전 아키텍처나 Transformer 대안을 살펴보려면 YOLO11 또는 RT-DETR 문서를 확인하세요.
잘 관리되는 생태계와 간단한 API를 통해 개발자는 구성 파일 디버깅에 쓰는 시간을 줄이고 실제 비전 AI 문제 해결에 더 많은 시간을 할애할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.