콘텐츠로 건너뛰기

YOLOv7 PP-YOLOE+: 실시간 탐지기의 포괄적 비교

최첨단 컴퓨터 비전 모델을 생산 파이프라인에 적용할 때 개발자들은 종종 다양한 아키텍처의 장점을 비교 평가합니다. 객체 탐지 분야에서 주목할 만한 두 가지 모델은 YOLOv7 와 PP-YOLOE+입니다. 본 가이드는 두 모델의 아키텍처, 성능 지표, 이상적인 배포 시나리오에 대한 상세한 기술적 비교를 제공하여 다음 컴퓨터 비전 프로젝트를 위한 정보에 기반한 결정을 내리는 데 도움을 드립니다.

아키텍처 혁신

이러한 모델들 간의 핵심 구조적 차이를 이해하는 것은 훈련 및 추론 과정에서 모델이 어떻게 동작할지 예측하는 데 매우 중요합니다.

YOLOv7 주요 특징

YOLOv7 추론 비용을 크게 증가시키지 않으면서 정확도를 향상시키기 위해 설계된 몇 가지 핵심적인 발전을 YOLOv7 .

  • 확장 효율적 레이어 집계 네트워크(E-ELAN): 이 아키텍처는 가장 짧고 가장 긴 기울기 경로를 제어합니다. 이를 통해 네트워크가 더 다양한 특징을 학습할 수 있게 하며, 원래 기울기 경로를 파괴하지 않으면서 전체 학습 능력을 향상시킵니다.
  • 모델 스케일링 전략: YOLOv7 복합 모델 스케일링을 YOLOv7 깊이와 너비를 동시에 조정하며, 레이어를 연결함으로써 다양한 크기에서 최적의 아키텍처 구조를 유지합니다.
  • 훈련 가능한 프리비즈 백: 저자들은 동일 연결 없이 재매개변수화된 컨볼루션 방법(RepConv)을 통합하여 모델의 예측력을 저하시키지 않으면서 추론 속도를 크게 향상시켰다.

YOLOv7 :
저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
소속 기관: 대만 중앙연구원 정보과학연구원
날짜: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696

7에 대해 자세히 알아보기

PP-YOLOE+ 건축 하이라이트

바이두가 PaddlePaddle 내에서 개발한 PP-YOLOE+는 전작인 PP-YOLOv2를 기반으로 하며, 앵커 프리(anchor-free) 방법론과 향상된 특징 표현에 중점을 두고 있습니다.

  • 앵커 프리 설계: 앵커 기반 접근법과 달리, 이 설계는 예측 헤드를 단순화하고 하이퍼파라미터 수를 줄여 맞춤형 데이터셋에 대한 모델 튜닝을 용이하게 합니다.
  • CSPRepResNet 백본: 이 백본은 잔차 연결과 Cross Stage Partial 네트워크를 통합하여 계산 효율성을 유지하면서 특징 추출 능력을 향상시킵니다.
  • 작업 정렬 학습(TAL): PP-YOLOE+는 분류 및 위치 지정 작업을 더 잘 정렬하기 위해 ET-head(효율적 작업 정렬 헤드)를 활용하여 원스테이지 탐지기의 일반적인 병목 현상을 해결합니다.

PP-YOLOE+ 상세 정보:
저자: PaddlePaddle
소속 기관: Baidu
날짜: 2022-04-02
Arxiv: https://arxiv.org/abs/2203.16250

PP-YOLOE+에 대해 자세히 알아보세요.

성능 지표 및 벤치마크

적합한 모델 선택은 종종 하드웨어의 특정 제약 조건과 지연 시간 요구 사항에 따라 결정됩니다. 아래 표는 정확도(mAP), 속도, 모델 복잡성 간의 상충 관계를 보여줍니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
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

결과 분석

  • 고정밀 시나리오: YOLOv7x는 복잡한 탐지 작업에서 mAP 높은 mAP 달성하며 강력한 성능을 보여줍니다. PP-YOLOE+x는 mAP 약간 더 높은 성능을 보이지만, 이를 위해 매개변수와 FLOPs가 상당히 증가합니다.
  • 효율성과 속도: PP-YOLOE+의 소형 변형체(t 및 s)는 TensorRT 극히 낮아 하드웨어 제약이 엄격한 에지 배포에 매우 적합합니다.
  • 최적의 성능: YOLOv7l은 T4 GPU에서 7ms 미만의 추론 시간을 mAP 51% 이상의 mAP 제공하는 탁월한 균형을 보여줍니다. 이는 표준 실시간 서버 애플리케이션에 견고한 선택지가 됩니다.

생산 환경 최적화

이러한 모델을 배포할 때, TensorRT 또는 ONNXPyTorch 활용하면 네이티브 PyTorch 비해 지연 시간을 크게 줄일 수 있습니다.

Ultralytics 이점

YOLOv7 PP-YOLOE+ 모두 강력한 벤치마크 성능을 제공하지만, 프로젝트 성공을 위해서는 개발 경험과 생태계 지원 역시 동등하게 중요합니다.

간소화된 사용자 경험

Ultralytics 통합된 Python 통해 사용 편의성을 최우선으로 합니다. PaddlePaddle 특정 구성 파일을 탐색해야 하는 PP-YOLOE+와 달리, Ultralytics 훈련에서 배포까지 원활하게 전환할 수 있도록 Ultralytics .

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov7.pt")

# Train the model effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export for optimized deployment
model.export(format="engine")  # TensorRT export

리소스 효율성

YOLO 주요 강점은 훈련 및 추론 과정에서 모두 메모리 요구량이 적다는 점입니다. 이러한 효율성 덕분에 연구자와 개발자는 소비자용 하드웨어에서 더 큰 배치 크기를 사용할 수 있어, 더 무거운 모델이나 복잡한 Transformer 아키텍처(예: RT-DETR과 비교하여 가속화합니다.

생태계와 다용도성

Ultralytics 매우 잘 관리되어 있으며, 빈번한 업데이트, 방대한 문서화, 표준 탐지 기능을 넘어선 다양한 작업에 대한 네이티브 지원을 특징으로 합니다. Ultralytics 사용하면 단일 프레임워크로 인스턴스 세그멘테이션, 포즈 추정, 분류, 방향성 바운딩 박스(OBB)를 지원하여 경쟁 모델들이 종종 갖추지 못한 탁월한 다용도성을 제공합니다.

비전 AI의 미래: YOLO26

컴퓨터 비전이 급속히 발전함에 따라 속도와 효율성의 기준을 재정의하는 새로운 아키텍처가 등장했습니다. 2026년 1월에 출시된 Ultralytics 이러한 진화의 정점을 이루며, 모든 신규 프로젝트에 강력히 추천되는 선택지입니다.

YOLO26의 주요 혁신 사항:

  • 엔드투엔드 NMS 설계: YOLO26은 비최대 억제(NMS) 후처리 단계를 제거합니다. 이 본질적인 엔드투엔드 접근법은 배포 로직을 획기적으로 단순화하고 가변 지연 시간을 줄여주며, 이는 YOLOv10에서 처음 선보인 혁신적인 기술입니다.
  • 전례 없는 엣지 성능: 분포 초점 손실(DFL)을 제거함으로써 YOLO26은 CPU 속도를 최대 43%까지 향상시켜, 이전 세대에 비해 IoT 및 엣지 디바이스에 탁월한 성능을 제공합니다.
  • 고급 훈련 역학: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델(LLM) 혁신에서 영감을 받은 MuSGD 최적화기의통합은 보다 안정적인 훈련과 더 빠른 수렴을 보장합니다.
  • 우수한 소형 물체 탐지: 향상된 손실 함수, 특히 ProgLoss + STAL은 항공 촬영과 같은 응용 분야에서 중요한 소형 물체 인식의 기존 취약점을 해결합니다.

실제 응용 분야

이러한 아키텍처 중 하나를 선택하는 것은 종종 특정 배포 환경에 따라 달라집니다.

PP-YOLOE+를 선택해야 하는 경우

  • PaddlePaddle : 인프라가 이미 바이두의 PaddlePaddle 깊이 통합되어 있다면, PP-YOLOE+는 원활한 호환성을 제공합니다.
  • 아시아 산업 현장 검사: 하드웨어 및 소프트웨어 스택이 바이두 도구에 사전 구성된 아시아 제조 허브에서 흔히 활용됩니다.

7 선택해야 할 때

  • GPU 가속 시스템: 비디오 분석과 같이 높은 처리량이 필요한 작업에서 서버급 GPU에서 탁월한 성능을 발휘합니다.
  • 로봇 공학 통합: 로봇 공학에 컴퓨터 비전을 통합하는 데 이상적이며, 동적 환경에서 신속한 의사 결정을 가능하게 합니다.
  • 학술 연구: PyTorch 기반 연구에서 널리 지원되며 신뢰할 수 있는 기준선으로 자주 활용됩니다.

구형 모델들은 역사적 의미를 지니지만, YOLO26이나 YOLO11 으로의 Ultralytics 최신 최적화 기술, 가장 간소화된 훈련 워크플로우, 그리고 현재 이용 가능한 가장 광범위한 다중 작업 지원을 보장합니다.


댓글