YOLOv5와 PP-YOLOE+ 비교#
적절한 신경망 아키텍처를 선택하는 것은 현대 컴퓨터 비전 프로젝트에 필수적입니다. 실시간 객체 감지 모델을 평가할 때 개발자와 연구자는 정확도, 추론 속도, 배포 편의성의 균형을 고려하게 됩니다. 이 기술 비교에서는 YOLOv5와 PP-YOLOE+의 아키텍처, 성능 메트릭 및 학습 방법론을 살펴보고 애플리케이션에 적합한 최적의 솔루션을 선택할 수 있도록 돕습니다.
아키텍처 이해하기#
두 모델 모두 비전 AI 분야에 큰 영향을 미쳤지만, 서로 다른 구조적 방법론과 프레임워크 의존성을 통해 객체 감지 과제를 해결합니다.
Ultralytics YOLOv5: 업계 표준#
2020년 중반에 출시된 Ultralytics YOLOv5는 최첨단 비전 모델의 접근성을 혁신했습니다. PyTorch에서 기본적으로 구축되어 전 세계 Python 개발자와 ML 엔지니어의 진입 장벽을 크게 낮췄습니다.
YOLOv5 세부 정보:
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: ultralytics/yolov5
- 문서: YOLOv5 문서
YOLOv5는 수정된 CSPDarknet 백본을 사용하여 파라미터 수를 적게 유지하면서도 풍부한 특징 표현을 효율적으로 추출합니다. 또한 자동 학습 앵커 박스를 도입하여 학습을 시작하기 전에 커스텀 데이터셋에 적합한 앵커 크기를 자동으로 계산합니다. 여기에 모자이크 데이터 증강을 통합해 작은 객체를 감지하고 복잡한 공간적 맥락 전반에서 일반화하는 모델의 능력을 크게 향상합니다.
YOLOv5의 가장 큰 장점 중 하나는 뛰어난 다용도성입니다. 표준 객체 감지기와 달리 YOLOv5 제품군은 통합 API 내에서 이미지 분류, 인스턴스 분할, 바운딩 박스 감지를 원활하게 지원합니다. 또한 고도로 최적화된 아키텍처 덕분에 무거운 Transformer 기반 네트워크보다 학습 및 추론 중 메모리 사용량이 훨씬 적습니다.
PP-YOLOE+: PaddlePaddle 기반 모델#
약 2년 후에 소개된 PP-YOLOE+는 이전 PP-YOLO 버전의 기반을 발전시켰습니다. Baidu의 딥러닝 프레임워크 역량을 보여 주기 위해 개발되었으며, 평균 정밀도를 높이는 여러 아키텍처 개선 사항을 도입했습니다.
PP-YOLOE+ 세부 정보:
- 저자: PaddlePaddle 저자
- 기관: Baidu
- 날짜: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- 문서: PP-YOLOE+ README
PP-YOLOE+는 앵커 프리 패러다임을 기반으로 하며 CSPRepResNet 백본을 사용합니다. 정밀도를 향상하기 위해 강력한 Task Alignment Learning 기법과 Efficient Task-aligned Head를 적용합니다. PP-YOLOE+는 인상적인 정확도를 달성하지만, 주요 약점은 PaddlePaddle 프레임워크에 엄격하게 의존한다는 점입니다. PyTorch 또는 TensorFlow 환경을 이미 깊이 활용하는 연구팀과 기업에는 학습 곡선이 가파르고 생태계 통합에 어려움이 발생하는 경우가 많습니다.
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.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| 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 |
PP-YOLOE+는 높은 정확도 한계를 달성하지만 YOLOv5는 모든 모델 규모에서 TensorRT 추론 속도가 꾸준히 더 빠릅니다. 메모리가 부족한 엣지 배포 환경에서는 YOLOv5n이 탁월한 속도와 매우 작은 크기를 제공합니다.
Ultralytics 모델은 학습 효율성을 위해 특별히 설계되었습니다. RT-DETR과 같은 무거운 비전 Transformer와 비교하면 YOLOv5는 CUDA 메모리를 훨씬 적게 사용하므로 배치 크기를 늘리거나 일반 소비자용 하드웨어에서 학습할 수 있습니다.
Ultralytics의 장점: 에코시스템과 사용 편의성#
머신러닝 아키텍처의 진정한 가치는 단순한 수치를 넘어 개발자 경험 전체를 아우릅니다. Ultralytics Platform과 이에 대응하는 오픈 소스 도구는 정교하고 잘 관리되는 생태계를 제공하여 개발 주기를 크게 단축합니다.
- 사용 편의성: Ultralytics는 복잡한 상용구 코드를 추상화합니다. 직관적인 Python API 또는 CLI를 통해 모델을 학습하고 검증 및 테스트할 수 있습니다.
- 유연한 배포: 모델 내보내기는 매우 간단합니다. 단일 명령어로 학습된 YOLOv5 가중치를 ONNX, TensorRT 또는 OpenVINO와 같은 형식으로 변환하여 엣지 및 클라우드 환경 전반에서 폭넓은 호환성을 확보할 수 있습니다.
- 활발한 커뮤니티: 활발한 커뮤니티는 잦은 업데이트, 방대한 문서, 일반적인 컴퓨터 비전 문제에 대한 견고한 해결책을 제공합니다.
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 매우 간단합니다. 사전 학습된 YOLOv5 모델을 불러와 커스텀 데이터셋으로 학습하고 결과를 내보내는 전체 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, 방대한 문서, 대규모 커뮤니티 지원을 중요하게 여기는 기존 배포 환경입니다.
- 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 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
고려해 볼 만한 다른 최첨단 모델#
YOLOv5는 견고하고 검증된 표준이지만 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 새로운 프로젝트를 시작하는 팀에는 최신 아키텍처를 살펴보는 것을 적극 권장합니다.
Ultralytics YOLO26#
2026년 1월에 출시된 YOLO26은 연구의 정점을 보여 줍니다. 정확도와 속도를 모두 크게 향상합니다. 주요 혁신은 다음과 같습니다.
- 엔드투엔드 NMS 없는 설계: YOLOv10의 개념을 발전시킨 YOLO26의 선택형 일대일 헤드(
nms=False)는 비최대 억제(NMS) 후처리를 생략하여 지연 시간을 줄이고 배포 로직을 간소화합니다. - DFL 제거: Distribution Focal Loss를 제거하여 YOLO26은 CPU 추론 속도를 최대 43% 향상하며, 저전력 엣지 장치에서 매우 강력한 성능을 발휘합니다.
- MuSGD Optimizer: 고급 LLM 학습 기법에서 영감을 받은 SGD와 Muon의 하이브리드로, 매우 안정적인 학습과 빠른 수렴을 보장합니다.
- ProgLoss + STAL: 이 고급 손실 함수는 소형 객체 인식 성능을 크게 향상하며, 이는 드론 이미지와 스마트 농업에 매우 중요합니다.
또한 뛰어난 성능을 제공하며 레거시 시스템과 YOLO26의 최첨단 기능을 이어 주는 매우 신뢰할 수 있는 모델인 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 리소스 요구량이 적고 사용하기 매우 쉬워 엣지 AI에 가장 적합한 선택입니다. 제한된 하드웨어에서 높은 프레임 속도가 필요한 실시간 로보틱스, 모바일 애플리케이션 통합, 다중 카메라 교통 모니터링 시스템 등의 애플리케이션에서 뛰어난 성능을 발휘합니다. 동일한 프레임워크에서 인스턴스 분할과 이미지 분류를 처리할 수 있어 활용성이 매우 높습니다.
PP-YOLOE+에 적합한 애플리케이션: PP-YOLOE+는 실시간 처리 제약보다 정적 이미지에서의 최고 정확도를 우선시하는 시나리오에 가장 적합합니다. 산업 검사 파이프라인에서 제한적으로 사용되며, 특히 Baidu 및 PaddlePaddle 생태계에 깊이 투자한 기존 기술 스택을 보유한 아시아 제조 분야에서 활용됩니다.
요약하면 PP-YOLOE+는 높은 정밀도 벤치마크 성능을 제공하지만, Ultralytics YOLO 모델은 성능 균형, 원활한 배포, 개발자 친화적 설계를 결합해 컴퓨터 비전 프로젝트를 구상 단계에서 프로덕션까지 성공적으로 이끄는 탁월한 솔루션입니다.