YOLOv5와 PP-YOLOE+ 비교

적절한 신경망 아키텍처를 선택하는 것은 모든 최신 컴퓨터 비전 프로젝트에서 필수적입니다. 개발자와 연구자가 실시간 객체 감지 모델을 평가할 때는 대개 정확도, 추론 속도, 배포 편의성 간의 균형을 고려합니다. 이 기술 비교에서는 YOLOv5와 PP-YOLOE+의 아키텍처, 성능 지표, 학습 방법론을 살펴보고 애플리케이션에 적합한 모델을 선택할 수 있도록 돕습니다.

아키텍처 이해하기#

두 모델 모두 비전 AI에 영향을 미쳤지만, 서로 다른 구조적 방법론과 프레임워크 의존성을 통해 객체 감지 과제에 접근합니다.

Ultralytics YOLOv5: 업계 표준#

2020년 6월 출시된 Ultralytics YOLOv5는 최첨단 비전 모델을 훨씬 더 쉽게 활용할 수 있도록 했습니다. PyTorch로 기본 구현되어 전 세계 Python 개발자와 ML 엔지니어의 진입 장벽을 낮췄습니다.

YOLOv5 세부 정보:

YOLOv5는 수정된 CSPDarknet 백본을 사용해 경량 파라미터 수를 유지하면서도 풍부한 특징 표현을 효율적으로 포착합니다. 또한 학습을 시작하기 전에 커스텀 데이터셋에 적합한 앵커 차원을 자동으로 계산하는 자동 학습 앵커 박스 기능을 도입했습니다. 모자이크 데이터 증강은 더 작은 객체를 감지하고 복잡한 공간 맥락에 일반화하는 모델의 능력을 향상합니다.

YOLOv5의 강점 중 하나는 다목적성입니다. 감지 전용 모델과 달리 YOLOv5 리포지토리는 하나의 코드베이스에서 바운딩 박스 감지, 인스턴스 분할(v7.0에서 추가), 이미지 분류(v6.2에서 추가)를 지원합니다. 또한 학습과 추론 중 무거운 Transformer 기반 네트워크보다 메모리를 적게 사용합니다.

PP-YOLOE+: PaddlePaddle 기반 모델#

2022년 4월에 공개된 PP-YOLOE+는 이전 PP-YOLO 버전을 기반으로 개발되었습니다. Baidu가 PaddlePaddle 딥러닝 프레임워크용으로 개발했으며, 평균 정밀도를 높이기 위해 여러 아키텍처 개선 사항을 도입했습니다.

PP-YOLOE+ 세부 정보:

PP-YOLOE+는 앵커 프리 설계와 CSPRepResNet 백본을 사용합니다. 정밀도 향상을 위해 Task Alignment Learning(TAL)과 Efficient Task-aligned Head를 적용합니다. PP-YOLOE+는 높은 정확도를 달성하지만, PaddlePaddle 프레임워크에 의존한다는 주요 한계가 있습니다. 이미 PyTorch 또는 TensorFlow를 사용하는 팀에는 학습 부담과 통합 마찰이 발생할 수 있습니다.

PP-YOLOE+ 자세히 알아보기

성능 및 벤치마크#

프로덕션 환경에 적용할 모델을 평가할 때는 정밀도, 추론 속도, 파라미터 규모 간의 절충점을 이해하는 것이 중요합니다. 아래 표에서는 다양한 크기별 모델의 주요 성능 메트릭을 요약합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

PP-YOLOE+는 모든 모델 규모에서 더 높은 mAP를 달성하는 반면, YOLOv5는 모든 규모에서 T4 TensorRT 추론 속도가 더 빠릅니다. 메모리가 부족한 엣지 배포 환경에서는 YOLOv5n이 표에서 가장 빠른 속도(1.12 ms)와 가장 작은 크기(파라미터 1.9M)를 제공합니다.

메모리 효율

Ultralytics 모델은 효율적인 학습을 위해 설계되었습니다. RT-DETR과 같은 Transformer 기반 감지기와 비교하면 YOLOv5는 CUDA 메모리를 적게 사용하므로 더 큰 배치 크기나 일반 소비자용 하드웨어에서 학습할 수 있습니다.

Ultralytics의 장점: 에코시스템과 사용 편의성#

머신러닝 아키텍처의 가치는 단순한 수치에 그치지 않고 전체 개발자 경험을 아우릅니다. Ultralytics Platform과 오픈 소스 도구는 잘 관리되는 생태계를 제공해 개발 주기를 단축합니다.

  • 사용 편의성: Ultralytics는 복잡한 상용구 코드를 추상화합니다. 직관적인 Python API 또는 CLI를 통해 모델을 학습하고 검증 및 테스트할 수 있습니다.
  • 배포 유연성: 모델 내보내기는 간단합니다. 한 번의 명령으로 학습된 YOLOv5 가중치를 ONNX, TensorRT, OpenVINO와 같은 형식으로 변환해 엣지와 클라우드 환경 전반의 폭넓은 호환성을 확보할 수 있습니다.
  • 활발한 커뮤니티: 대규모 커뮤니티와 활발한 유지 관리 덕분에 잦은 업데이트, 방대한 문서, 일반적인 컴퓨터 비전 문제에 대한 충분히 검증된 솔루션을 이용할 수 있습니다.

반면 PP-YOLOE+는 PaddleDetection 전용 복잡한 구성 파일에 크게 의존하므로 신속한 프로토타이핑이 느려지고 최신 MLOps 파이프라인과의 통합이 복잡해질 수 있습니다.

실제 구현과 코드 예제#

Ultralytics를 시작하는 과정은 간단합니다. 사전 학습된 YOLOv5u 모델을 불러와 COCO8 예제 데이터셋으로 학습하고, 추론을 실행한 뒤 결과를 내보내는 완전한 실행 가능 예제는 다음과 같습니다:

from ultralytics import YOLO

# 사전 학습된 YOLOv5 소형 모델 로드
model = YOLO("yolov5su.pt")  # YOLOv5u: ultralytics 패키지용 앵커 프리 YOLOv5 가중치

# COCO8 데이터셋으로 50 에포크 동안 모델 학습
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# 샘플 이미지에서 추론 실행
predict_results = model("https://ultralytics.com/images/bus.jpg")

# 최적화된 모델을 ONNX 형식으로 내보내기
path = model.export(format="onnx")

사용 사례 및 권장 사항#

YOLOv5와 PP-YOLOE+ 중 어느 것을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.

YOLOv5를 선택할 경우#

YOLOv5는 다음과 같은 경우에 적합합니다:

  • 프로덕션에서 검증된 시스템: YOLOv5의 오랜 안정성 기록, 폭넓은 문서, 대규모 커뮤니티가 중요한 기존 배포 환경에 적합합니다.
  • 리소스 제약이 있는 학습: GPU 리소스가 제한된 환경에서 YOLOv5의 효율적인 학습 파이프라인과 적은 메모리 요구 사항이 유리합니다.
  • 폭넓은 내보내기 형식 지원: ONNX, TensorRT, CoreML, LiteRT 등 다양한 형식으로 배포해야 하는 프로젝트입니다.

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 기기에서 YOLO26n은 CPU 기준 YOLO11n보다 최대 43% 빠르게 실행됩니다.
  • 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.

고려해 볼 만한 다른 최첨단 모델#

YOLOv5는 검증된 표준 모델이지만 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 새로운 프로젝트를 시작하는 팀에는 Ultralytics의 최신 아키텍처를 권장합니다.

Ultralytics YOLO26#

2026년 1월 출시된 YOLO26은 최신 Ultralytics 모델 제품군으로, 이전 세대보다 정확도와 속도가 모두 향상되었습니다. 주요 혁신 사항은 다음과 같습니다:

  • 종단 간 NMS 없는 설계: YOLOv10의 개념을 발전시킨 YOLO26의 선택형 일대일 헤드(nms=False)는 비최대 억제(NMS) 후처리를 건너뛰어 지연 시간을 줄이고 배포 로직을 단순화합니다.
  • DFL 제거: Distribution Focal Loss를 제거한 YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠르므로 저전력 엣지 장치에 적합합니다.
  • MuSGD Optimizer: LLM 학습 기법에서 영감을 얻은 SGD와 Muon의 하이브리드로, 안정적인 학습과 빠른 수렴을 지원합니다.
  • ProgLoss + STAL: 점진적 손실과 소형 객체 인식형 라벨 할당은 소형 객체 인식 성능을 향상하며, 이는 드론 이미지와 스마트 농업에서 매우 중요합니다.

또한 강력한 성능을 제공하며 레거시 시스템과 YOLO26 사이에서 신뢰할 수 있고 완전히 지원되는 옵션인 YOLO11도 고려할 수 있습니다.

실제 활용 사례#

궁극적으로 YOLOv5와 PP-YOLOE+ 중 어느 것을 선택할지는 배포 환경과 프로젝트 제약 조건에 따라 달라집니다.

YOLOv5에 적합한 애플리케이션: YOLOv5는 적은 리소스 요구량과 사용 편의성 덕분에 엣지 AI에서 흔히 선택됩니다. 제한된 하드웨어에서 높은 프레임 속도가 필요한 실시간 로보틱스, 모바일 애플리케이션 통합, 다중 카메라 교통 모니터링 시스템 등의 애플리케이션에서 효과적으로 작동합니다. 동일한 프레임워크에서 인스턴스 분할과 이미지 분류를 지원하므로 다양한 용도에 맞게 적용할 수 있습니다.

PP-YOLOE+에 적합한 애플리케이션: PP-YOLOE+는 가장 빠른 추론보다 최고 수준의 정확도가 중요하며, 조직의 기술 스택이 이미 Baidu의 PaddlePaddle 생태계를 기반으로 구축된 산업 검사 파이프라인에 가장 적합합니다.

요약하면 PP-YOLOE+는 우수한 정밀도 벤치마크를 제공하지만, Ultralytics YOLO 모델은 균형 잡힌 성능, 간편한 배포, 개발자 친화적 설계를 결합해 컴퓨터 비전 프로젝트가 구상 단계에서 프로덕션으로 나아가도록 지원합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.