YOLOv7과 PP-YOLOE+#
프로덕션 파이프라인에 사용할 최첨단 컴퓨터 비전 모델을 평가할 때 개발자는 다양한 아키텍처의 장단점을 비교하는 경우가 많습니다. 객체 탐지 분야에서 주목할 만한 두 모델은 YOLOv7과 PP-YOLOE+입니다. 이 가이드에서는 아키텍처, 성능 지표, 적합한 배포 시나리오를 상세히 비교하여 다음 컴퓨터 비전 프로젝트에서 정보에 기반한 결정을 내릴 수 있도록 돕습니다.
아키텍처 혁신#
학습과 추론 과정에서 각 모델이 어떻게 작동할지 예측하려면 핵심적인 구조 차이를 이해하는 것이 중요합니다.
YOLOv7 아키텍처 주요 특징#
YOLOv7은 추론 비용을 크게 늘리지 않으면서 정확도를 높이도록 설계된 몇 가지 주요 개선 사항을 도입했습니다.
- Extended Efficient Layer Aggregation Networks (E-ELAN): 이 아키텍처는 가장 짧은 그래디언트 경로와 가장 긴 그래디언트 경로를 제어합니다. 이를 통해 원래의 그래디언트 경로를 훼손하지 않으면서 네트워크가 더욱 다양한 특징을 학습하고 전반적인 학습 능력을 높일 수 있습니다.
- 모델 스케일링 전략: YOLOv7은 복합 모델 스케일링을 적용하여 깊이와 너비를 동시에 조정하고, 서로 다른 크기에서도 최적의 아키텍처 구조를 유지하도록 레이어를 연결합니다.
- 학습 가능한 Bag-of-Freebies: 저자는 항등 연결이 없는 재매개변수화 합성곱 방식 (RepConv)을 통합하여 모델의 예측 성능을 저하시키지 않으면서 추론 속도를 크게 향상했습니다.
YOLOv7 세부 정보:
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2022-07-06
- Arxiv: https://arxiv.org/abs/2207.02696
PP-YOLOE+ 아키텍처 주요 특징#
Baidu가 PaddlePaddle 생태계에서 개발한 PP-YOLOE+는 이전 버전인 PP-YOLOv2를 기반으로 하며, 앵커 프리 방식과 향상된 특징 표현에 중점을 둡니다.
- 앵커 프리 설계: 앵커 기반 방식과 달리 이 설계는 예측 헤드를 단순화하고 하이퍼파라미터 수를 줄여 사용자 지정 데이터셋에 맞게 모델을 더 쉽게 튜닝할 수 있도록 합니다.
- CSPRepResNet 백본: 이 백본은 잔차 연결과 Cross Stage Partial 네트워크를 통합해 계산 효율성을 유지하면서 특징 추출 성능을 향상합니다.
- 태스크 정렬 학습(TAL): PP-YOLOE+는 ET-head(효율적인 태스크 정렬 헤드)를 활용해 분류 및 위치 추정 태스크를 더 잘 정렬하고, 1단계 검출기에서 흔히 발생하는 병목 현상을 해결합니다.
PP-YOLOE+ 세부 정보:
- 저자: PaddlePaddle 저자
- 조직: Baidu
- 날짜: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
성능 지표 및 벤치마크#
적절한 모델을 선택하려면 하드웨어 제약 조건과 지연 시간 요구 사항을 구체적으로 고려해야 하는 경우가 많습니다. 아래 표는 정확도(mAP), 속도, 모델 복잡도 간의 상충 관계를 보여줍니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
결과 분석#
- 높은 정확도가 필요한 시나리오: YOLOv7x는 복잡한 검출 작업에 경쟁력 있는 높은 mAP를 달성하며 뛰어난 성능을 보여줍니다. PP-YOLOE+x는 mAP가 약간 더 높지만, 파라미터와 FLOPs가 상당히 증가합니다.
- 효율성과 속도: PP-YOLOE+의 소형 변형 모델(t 및 s)은 TensorRT 지연 시간이 매우 낮아 하드웨어 제약이 엄격한 엣지 배포에 적합합니다.
- 최적의 균형: YOLOv7l은 T4 GPU에서 7ms 미만의 추론 시간을 유지하면서 mAP 51% 이상을 달성해 매력적인 균형을 제공합니다. 따라서 일반적인 실시간 서버 애플리케이션에 적합한 견고한 선택지입니다.
Ultralytics의 강점#
YOLOv7과 PP-YOLOE+는 모두 벤치마크에서 뛰어난 성능을 제공하지만, 프로젝트의 성공에는 개발 경험과 생태계 지원도 그만큼 중요합니다.
간소화된 사용자 경험#
Ultralytics 모델은 통합 Python API를 통해 사용 편의성을 우선시합니다. PaddlePaddle 생태계와 관련 구성 파일을 다뤄야 하는 PP-YOLOE+와 달리, Ultralytics를 사용하면 학습에서 배포까지 원활하게 전환할 수 있습니다.
from ultralytics import YOLO
# 사전 학습된 YOLO26 모델을 불러옵니다(Ultralytics 패키지는 YOLOv7 학습을 지원하지 않습니다).
model = YOLO("yolo26n.pt")
# 간편하게 모델을 학습합니다.
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 최적화된 배포를 위해 내보냅니다.
model.export(format="engine") # TensorRT 내보내기리소스 효율성#
Ultralytics YOLO 모델의 주요 강점은 학습과 추론 모두에서 메모리 요구량이 낮다는 점입니다. 이러한 효율성 덕분에 연구자와 개발자는 일반 소비자용 하드웨어에서 더 큰 배치 크기를 사용할 수 있으며, 이를 통해 더 무거운 모델이나 RT-DETR과 같은 복잡한 Transformer 아키텍처보다 학습 시간을 단축할 수 있습니다.
생태계 및 다재다능함#
Ultralytics 생태계는 업데이트가 빈번하고 문서가 방대하며, 일반적인 검출 외의 다양한 태스크를 기본 지원하는 등 유지 관리가 매우 잘 이루어집니다. Ultralytics에서는 하나의 프레임워크로 인스턴스 분할, 자세 추정, 분류, 회전 경계 상자(OBB)를 지원하므로, 경쟁 모델에서 흔히 부족한 다목적성을 제공합니다.
비전 AI의 미래: YOLO26#
컴퓨터 비전이 빠르게 발전하면서 속도와 효율성의 기준을 새롭게 정의하는 아키텍처가 등장했습니다. 2026년 1월에 출시된 Ultralytics YOLO26은 이러한 발전의 정점을 나타내며, 모든 신규 프로젝트에 적극 권장되는 선택지입니다.
YOLO26의 주요 혁신:
- 종단 간 NMS 없는 설계: YOLO26의 선택적 일대일 헤드(
nms=False)는 후처리 단계에서 비최대 억제(NMS)를 생략합니다. 이처럼 기본적으로 종단 간 방식으로 처리하면 배포 로직이 크게 단순해지고 가변 지연 시간이 줄어듭니다. 이 혁신은 YOLOv10에서 처음 도입되었습니다. - 전례 없는 엣지 성능: Distribution Focal Loss(DFL)를 제거한 YOLO26은 CPU 추론 속도를 최대 43% 향상해 이전 세대보다 IoT 및 엣지 디바이스에 더 적합합니다.
- 고급 학습 역학: Moonshot AI의 Kimi K2와 같은 LLM 혁신에서 영감을 얻은 MuSGD Optimizer를 통합해 더 안정적인 학습과 빠른 수렴을 실현합니다.
- 뛰어난 소형 객체 검출: 개선된 손실 함수, 특히 ProgLoss + STAL은 소형 객체 인식의 기존 약점을 해결하며, 항공 이미지와 같은 애플리케이션에 매우 중요합니다.
실제 애플리케이션#
이러한 아키텍처 중 어느 것을 선택할지는 배포 환경에 따라 달라지는 경우가 많습니다.
PP-YOLOE+를 선택할 경우#
- PaddlePaddle 통합: 인프라가 이미 Baidu의 PaddlePaddle 생태계와 긴밀하게 통합되어 있다면 PP-YOLOE+를 기본 솔루션으로 사용할 수 있습니다.
- 아시아 지역의 산업 검사: Baidu 도구에 맞게 하드웨어 및 소프트웨어 스택이 사전 구성된 아시아 제조 허브에서 자주 활용됩니다.
YOLOv7을 선택할 경우#
- GPU 가속 시스템: 비디오 분석처럼 높은 처리량이 필요한 작업에서 서버급 GPU를 사용하면 탁월한 성능을 발휘합니다.
- 로보틱스 통합: 로보틱스에 컴퓨터 비전 통합에 적합하며, 동적인 환경에서 신속한 의사 결정을 지원합니다.
- 학술 연구: PyTorch 기반 연구에서 널리 지원되고 신뢰할 수 있는 기준 모델로 자주 사용됩니다.
기존 모델은 역사적으로 중요한 의미가 있지만, Ultralytics Platform을 통해 YOLO26 또는 YOLO11과 같은 최신 아키텍처로 전환하면 최신 최적화, 가장 간단한 학습 워크플로, 현재 제공되는 가장 폭넓은 멀티태스크 지원을 이용할 수 있습니다.