YOLOv6-3.0과 PP-YOLOE+ 비교
실시간 객체 탐지 프레임워크를 선택할 때 머신러닝 엔지니어는 다양한 고성능 아키텍처를 자주 검토합니다. 산업용 애플리케이션 분야에서 주목할 만한 두 모델은 YOLOv6-3.0과 PP-YOLOE+입니다. 두 모델 모두 정확도와 속도의 한계를 확장해 왔지만, 서로 다른 생태계와 배포 하드웨어에 맞춰 설계되었습니다.
이 기술 비교에서는 두 모델의 아키텍처, 성능 지표, 학습 방법론을 심층적으로 살펴보고, 더 폭넓은 작업 지원과 간편한 워크플로를 제공하는 Ultralytics YOLO26과 같은 최신 대안도 소개합니다.
YOLOv6-3.0: 고처리량 산업용 엔진#
Meituan의 Vision AI Department에서 개발한 YOLOv6-3.0은 산업 환경, 특히 강력한 서버급 GPU를 활용하는 환경에 맞춰 대폭 최적화되었습니다.
- 저자: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, Xiangxiang Chu
- 조직: Meituan
- 날짜: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
아키텍처 혁신#
YOLOv6-3.0은 NVIDIA GPU와 같은 하드웨어 가속기의 활용도를 극대화하도록 설계된 EfficientRep 백본을 사용합니다. 아키텍처는 넥에 양방향 연결(BiC) 모듈을 도입하여 다중 스케일 특징의 융합을 개선합니다. 또한 앵커 보조 학습(AAT) 전략을 적용합니다. 이 하이브리드 접근 방식은 학습 단계에서 앵커 기반 네트워크의 안정적인 수렴을 활용하면서도, 추론 시 앵커를 제거하여 앵커 비사용 디텍터 특유의 속도를 유지합니다.
PP-YOLOE+: PaddlePaddle의 탐지 챔피언#
PP-YOLOE+는 Baidu 연구진이 PaddlePaddle 프레임워크에서 전적으로 개발한 PP-YOLO 시리즈의 발전형입니다. Paddle 생태계가 이미 구축된 환경에서 뛰어난 성능을 발휘합니다.
- 저자: PaddlePaddle 저자
- 기관: Baidu
- 날짜: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
아키텍처 혁신#
PP-YOLOE+는 TAL(Task Alignment Learning)이라는 동적 레이블 할당 전략을 도입한 앵커 비사용 디텍터입니다. CSPRepResNet 백본을 사용하여 계산 효율성을 유지하면서 의미적 특징을 효율적으로 추출합니다. TensorRT 및 OpenVINO를 통한 배포에 최적화되어 있어 PaddlePaddle 프레임워크 사용에 익숙하다면 엣지 및 서버 배포에 적합한 모델입니다. 프로젝트에서 필요할 경우 Ultralytics 모델을 PaddlePaddle로 내보낼 수도 있습니다.
PP-YOLOE+는 뛰어난 결과를 제공하지만, PaddlePaddle에 의존하므로 PyTorch에 익숙한 엔지니어에게는 학습 과정이 필요할 수 있습니다. Ultralytics와 같은 통합 프레임워크를 사용하면 설정 시간을 줄일 수 있습니다.
성능 비교#
이러한 모델을 평가하려면 평균 정밀도(mAP)와 추론 속도 사이의 균형을 살펴봐야 합니다. 아래 표는 COCO 검증 데이터셋에서의 성능을 보여줍니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| 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 |
두 모델 모두 우수한 성능을 보이지만, YOLOv6-3.0은 일반적으로 작은 모델 크기에서 TensorRT 순수 속도가 약간 더 빠르므로 고속 자동 결제나 제조 결함 감지에 효과적입니다. 반면 PP-YOLOE+는 최대 정확도를 위해 더 많은 파라미터를 사용하는 큰 모델로 확장하기에 적합합니다.
Ultralytics의 강점: YOLO26 소개#
YOLOv6-3.0과 PP-YOLOE+는 모두 뛰어난 모델이지만, 컴퓨터 비전의 빠른 발전에 따라 순수 속도뿐 아니라 사용 편의성, 낮은 메모리 요구량, 통합 생태계까지 제공하는 아키텍처가 필요합니다. 특히 YOLO11과 최신 YOLO26을 비롯한 Ultralytics YOLO 모델은 이러한 요구 사항을 중심으로 구축되었습니다.
2026년 1월에 출시된 YOLO26은 엣지 우선 및 클라우드 배포를 위해 설계되었으며, 이전 모델보다 여러 가지 장점을 제공합니다.
- 엔드 투 엔드 NMS 비사용 설계: YOLOv10이 마련한 기반을 바탕으로 YOLO26의 선택적 일대일 헤드(
nms=False)는 후처리 중 비최대 억제(NMS)를 생략합니다. 이를 통해 배포 로직을 간소화하고 혼잡한 장면에서 지연 시간 변동성을 줄입니다. - CPU 추론 속도 최대 43% 향상: Distribution Focal Loss(DFL)를 제거하여 YOLO26n은 YOLO11n보다 CPU에서 최대 43% 빠르게 실행되므로 IoT 디바이스와 모바일 애플리케이션에 적합합니다.
- MuSGD 옵티마이저: 대규모 언어 모델(LLM) 학습 기법(예: Moonshot AI의 Kimi K2)에서 영감을 얻은 하이브리드 MuSGD 옵티마이저는 SGD와 Muon을 결합하여 안정적이고 효율적인 학습을 지원합니다.
- ProgLoss + STAL: 점진적 손실 함수와 작은 객체 인식형 레이블 할당으로 소형 객체 인식 성능을 개선합니다. 이는 드론 영상과 항공 감시에서 중요한 요소입니다.
- 다양한 작업 지원: 감지에 집중하는 YOLOv6-3.0과 달리 YOLO26은 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 포즈 추정, 방향 경계 상자(OBB) 감지를 기본 지원합니다.
간소화된 학습 생태계#
PP-YOLOE+를 배포하려면 PaddlePaddle 환경을 관리해야 하며, YOLOv6-3.0은 연구 중심 스크립트를 다뤄야 합니다. 반면 ultralytics Python 패키지와 Ultralytics Platform은 학습, 검증, 내보내기를 단일 워크플로로 제공합니다.
최첨단 YOLO26 모델은 Python 코드 몇 줄만으로 학습할 수 있습니다.
from ultralytics import YOLO
# YOLO26 나노 모델을 초기화합니다
model = YOLO("yolo26n.pt")
# 커스텀 데이터셋으로 모델 학습(optimizer='auto'는 학습 시간이 긴 실행에서 MuSGD를 선택합니다)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 모델의 정확도 검증
metrics = model.val()
# TensorRT로 내보내기(OpenVINO에는 format="openvino" 사용)
path = model.export(format="engine")Transformer 중심 모델인 RT-DETR보다 학습 중 메모리 사용량이 적고 API도 간단하여 더 많은 팀이 고성능 감지 기능을 활용할 수 있습니다.
적합한 사용 사례 및 배포 전략#
적절한 모델을 선택하는 것이 배포 파이프라인의 성공을 좌우합니다.
YOLOv6-3.0을 사용해야 하는 경우#
- 고속 제조: 산업용 카메라가 전용 NVIDIA T4 또는 A100 GPU에 직접 연결되어 5ms 미만의 일관된 추론이 필요한 환경입니다.
- 서버 측 비디오 분석: 순수 GPU 처리량이 주된 병목인 환경에서 밀집된 비디오 스트림을 여러 개 처리합니다.
PP-YOLOE+를 사용하는 경우#
- Baidu/Paddle 생태계: PaddlePaddle 기술 스택에 크게 투자했거나 Baidu 도구 체인에 최적화된 하드웨어에 특별히 배포하는 엔터프라이즈 환경입니다.
- 정확도가 중요한 정지 이미지: 엣지 배포 속도보다 Extra-Large(PP-YOLOE+x) 모델의 높은 mAP가 더 중요한 시나리오입니다.
Ultralytics YOLO26을 선택하는 경우#
- 엣지 및 IoT 디바이스: 선택적 NMS 비사용 추론과 DFL 제거 기능 덕분에 YOLO26은 Raspberry Pi, NXP 또는 모바일 CPU에 배포하기 적합합니다.
- 멀티태스크 애플리케이션: 통합 API를 사용해 객체 추적, 포즈 추정 또는 세그멘테이션을 동시에 수행해야 하는 프로젝트입니다.
- 신속한 프로토타이핑부터 프로덕션까지: Ultralytics Platform을 활용하여 데이터셋 어노테이션, 하이퍼파라미터 튜닝, 원클릭 모델 배포를 간소화하는 팀에 적합합니다.
객체 감지 모델의 폭넓은 생태계를 살펴보려는 개발자라면 YOLOX와 DAMO-YOLO 같은 프레임워크도 고유한 아키텍처 접근 방식을 제공하므로 Ultralytics 문서에서 확인해 볼 만합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.