YOLOv5와 PP-YOLOE+#

적절한 신경망 아키텍처를 선택하는 것은 현대 컴퓨터 비전 프로젝트에서 필수적입니다. 개발자와 연구자가 실시간 객체 감지를 위해 모델을 평가할 때 결정은 대개 정확도, 추론 속도, 배포 용이성 간의 균형을 맞추는 문제로 귀결됩니다. 이 기술 비교에서는 YOLOv5와 **PP-YOLOE+**의 아키텍처, 성능 지표, 학습 방법론을 검토하여 애플리케이션에 가장 적합한 솔루션을 선택할 수 있도록 지원합니다.

아키텍처 이해하기#

두 모델 모두 비전 AI 분야에 큰 영향을 미쳤지만, 서로 다른 구조적 방법론과 프레임워크 종속성을 통해 객체 감지 문제에 접근합니다.

Ultralytics YOLOv5: 업계 표준#

2020년 중반에 출시된 Ultralytics YOLOv5는 최첨단 비전 모델에 대한 접근성을 혁신적으로 높였습니다. YOLO 제품군 최초의 네이티브 PyTorch 구현으로서 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 Documentation

YOLOv5는 수정된 CSPDarknet 백본을 사용하여 경량 파라미터 수를 유지하면서 풍부한 특징 표현을 효율적으로 포착합니다. 또한 학습이 시작되기 전에 사용자 정의 데이터셋에 최적인 앵커 차원을 자동으로 계산하는 자동 학습 앵커 박스를 도입했습니다. 더불어 모자이크 데이터 증강을 통합하여 작은 객체를 감지하고 복잡한 공간적 맥락 전반에 일반화하는 모델의 능력을 크게 향상합니다.

YOLOv5의 가장 큰 강점 중 하나는 뛰어난 범용성입니다. 표준 객체 감지기와 달리 YOLOv5 제품군은 통합 API 내에서 이미지 분류, 인스턴스 분할, 바운딩 박스 감지를 원활하게 지원합니다. 고도로 최적화된 아키텍처 덕분에 무거운 Transformer 기반 네트워크와 비교하여 학습 및 추론 중 메모리 사용량도 크게 줄어듭니다.

PP-YOLOE+: PaddlePaddle의 경쟁 모델#

약 2년 후에 소개된 PP-YOLOE+는 이전 PP-YOLO 버전의 기반을 바탕으로 구축되었습니다. Baidu의 딥러닝 프레임워크 역량을 선보이기 위해 개발되었으며, 평균 정밀도를 높이기 위한 여러 아키텍처 개선 사항을 도입했습니다.

PP-YOLOE+ 세부 정보:

• 저자: PaddlePaddle Authors
• 조직: 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 개선하기 위해 강력한 Task Alignment Learning 기법과 Efficient Task-aligned Head를 통합했습니다. PP-YOLOE+는 인상적인 정확도 점수를 달성하지만, 주요 약점은 PaddlePaddle 프레임워크에 엄격하게 종속된다는 점입니다. 이는 이미 PyTorch 또는 TensorFlow 환경에 깊이 투자한 연구팀과 기업에 가파른 학습 곡선과 생태계 마찰을 초래하는 경우가 많습니다.

PP-YOLOE+에 대해 자세히 알아보기

성능 및 벤치마크#

프로덕션 환경에서 이러한 모델을 평가할 때는 정밀도, 추론 속도, 파라미터 규모 간의 트레이드오프를 이해하는 것이 중요합니다. 아래 표에는 다양한 크기 변형에 대한 주요 성능 지표가 정리되어 있습니다.

PP-YOLOE+가 높은 정확도 한계를 달성하는 반면, YOLOv5는 제한된 하드웨어에서 일관되게 우수한 파라미터 효율성과 더 빠른 추론을 보여줍니다. 메모리가 부족한 엣지 배포 환경에서는 YOLOv5n이 타의 추종을 불허하는 속도와 매우 작은 풋프린트를 제공합니다.

Ultralytics의 장점: 생태계 및 사용 편의성#

머신러닝 아키텍처의 진정한 가치는 단순한 수치를 넘어 전체 개발자 경험을 포괄합니다. Ultralytics Platform과 이에 상응하는 오픈 소스 도구는 고도로 정제되고 잘 유지 관리되는 생태계를 제공하여 개발 주기를 크게 단축합니다.

• 사용 편의성: Ultralytics는 복잡한 보일러플레이트 코드를 추상화합니다. 직관적인 Python API 또는 CLI를 통해 모델을 학습하고 검증하며 테스트할 수 있습니다.
• 배포 유연성: 모델 내보내기는 매우 간단합니다. 단일 명령으로 학습된 YOLOv5 가중치를 ONNX, TensorRT, OpenVINO와 같은 형식으로 변환하여 엣지 및 클라우드 환경 전반에서 폭넓은 호환성을 확보할 수 있습니다.
• 활발한 커뮤니티: 활발한 커뮤니티는 빈번한 업데이트, 광범위한 문서, 일반적인 컴퓨터 비전 문제에 대한 강력한 솔루션을 보장합니다.

반면 PP-YOLOE+는 PaddleDetection에 특화된 복잡한 구성 파일에 크게 의존하므로 신속한 프로토타이핑을 늦추고 최신 MLOps 파이프라인에 통합하는 작업을 복잡하게 만들 수 있습니다.

실용적인 구현 및 코드 예제#

Ultralytics를 시작하는 작업은 매우 간단합니다. 사전 학습된 YOLOv5 모델을 로드하고, 사용자 정의 데이터셋으로 학습하며, 결과를 내보내는 방법을 보여주는 완전하고 실행 가능한 예제는 다음과 같습니다.

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset for 50 epochs
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on a sample image
predict_results = model("https://ultralytics.com/images/bus.jpg")

# Export the optimized model to ONNX format
path = model.export(format="onnx")

사용 사례 및 권장 사항#

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

YOLOv5를 선택해야 하는 경우#

YOLOv5는 다음과 같은 경우에 적합합니다.

• 검증된 프로덕션 시스템: YOLOv5의 오랜 안정성 기록, 광범위한 documentation, 대규모 community support가 중요한 기존 deployment입니다.
• 리소스가 제한된 training: YOLOv5의 효율적인 training pipeline과 낮은 memory requirement가 유리한 제한된 GPU resource 환경입니다.
• 광범위한 export format support: ONNX, TensorRT, CoreML, TFLite를 비롯한 다양한 format으로 deployment해야 하는 project입니다.

PP-YOLOE+를 선택해야 하는 경우#

다음과 같은 경우 PP-YOLOE+를 권장합니다.

• PaddlePaddle 생태계 통합: 기존 인프라가 Baidu의 PaddlePaddle 프레임워크와 도구를 기반으로 구축된 조직입니다.
• Paddle Lite 엣지 배포: Paddle Lite 또는 Paddle 추론 엔진에 특화된 고도로 최적화된 추론 커널을 갖춘 하드웨어에 배포하는 경우입니다.
• 고정밀 서버 측 감지: 프레임워크 종속성이 문제가 되지 않는 강력한 GPU 서버에서 최고 수준의 감지 정확도를 우선시하는 시나리오입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

• NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
• CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
• 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.

고려할 만한 대체 최첨단 모델#

YOLOv5는 강력하고 검증된 표준이지만 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 새로운 프로젝트를 시작하는 팀에는 최신 아키텍처를 살펴보는 것을 적극 권장합니다.

Ultralytics YOLO26#

2026년 1월에 출시된 YOLO26은 당사 연구의 절대적인 정점을 보여줍니다. 정확도와 속도 모두에서 대폭 향상된 성능을 제공합니다. 주요 혁신 사항은 다음과 같습니다.

• 엔드 투 엔드 NMS 프리 설계: YOLOv10의 개념을 기반으로 구축된 YOLO26은 비최대 억제(NMS) 후처리를 네이티브로 제거하여 지연 시간을 줄이고 배포 로직을 간소화합니다.
• DFL 제거: Distribution Focal Loss를 제거함으로써 YOLO26은 CPU 추론 속도를 최대 43% 높여 저전력 엣지 디바이스에서 매우 강력한 성능을 발휘합니다.
• MuSGD 옵티마이저: 고급 LLM 학습 기법에서 영감을 얻은 SGD와 Muon의 하이브리드 방식으로, 매우 안정적인 학습 실행과 더 빠른 수렴을 보장합니다.
• ProgLoss + STAL: 이러한 고급 손실 함수는 작은 객체 인식 성능을 크게 향상하며, 이는 드론 이미지와 스마트 농업에 매우 중요합니다.

또한 뛰어난 성능을 제공하며 레거시 시스템과 YOLO26의 최첨단 기능 사이를 연결하는 매우 안정적인 가교 역할을 하는 YOLO11을 고려할 수 있습니다.

실제 사용 사례#

YOLOv5와 PP-YOLOE+ 중 선택은 궁극적으로 배포 환경과 프로젝트 제약 조건에 따라 달라집니다.

이상적인 YOLOv5 애플리케이션: YOLOv5의 최소한의 리소스 요구 사항과 뛰어난 사용 편의성은 YOLOv5를 엣지 AI 분야의 최고 선택지로 만듭니다. YOLOv5는 실시간 로보틱스, 모바일 애플리케이션 통합, 다중 카메라 교통 모니터링 시스템과 같이 제한된 하드웨어에서 높은 프레임 레이트가 요구되는 애플리케이션에서 뛰어난 성능을 발휘합니다. 동일한 프레임워크 내에서 인스턴스 세그멘테이션과 이미지 분류를 모두 처리할 수 있는 능력 덕분에 적응성이 매우 뛰어납니다.

PP-YOLOE+에 적합한 애플리케이션: PP-YOLOE+는 실시간 처리 제약보다 정적 이미지에서 최고의 정확도를 달성하는 것이 우선시되는 시나리오에 가장 적합합니다. 산업 검사 파이프라인, 특히 Baidu 및 PaddlePaddle 생태계에 크게 투자한 기존 기술 스택이 구축된 아시아 제조 부문에서 틈새 용도로 활용됩니다.

요약하면 PP-YOLOE+가 강력한 정밀도 벤치마크를 제공하는 반면, Ultralytics YOLO 모델은 성능 균형, 원활한 배포, 개발자 친화적 설계를 독보적으로 결합하여 컴퓨터 비전 프로젝트를 구상부터 프로덕션까지 성공적으로 이끕니다.