YOLOv8과 PP-YOLOE+ 비교

빠르게 발전하는 컴퓨터 비전 분야에서 객체 감지에 적합한 모델을 선택하는 일은 추론 속도와 정확도 간 균형을 달성하는 데 중요합니다. 업계에 큰 영향을 미친 대표 모델 두 가지는 Ultralytics YOLOv8과 PP-YOLOE+입니다. 이 가이드는 개발자와 머신러닝 엔지니어가 각 모델의 아키텍처, 성능 지표, 이상적인 배포 시나리오를 이해할 수 있도록 기술적으로 비교합니다.

Ultralytics YOLOv8: 다재다능한 생태계 표준#

Ultralytics가 선보인 YOLOv8은 수년간의 YOLO 연구를 바탕으로 여러 작업에서 뛰어난 성능을 제공하며 프로덕션 비전 애플리케이션에서 빠르게 널리 사용되었습니다.

아키텍처 혁신 및 범용성#

YOLOv8은 앵커 프리 설계를 적용하고 분류와 회귀 작업을 독립적으로 처리하는 분리형 헤드를 채택했습니다. 이러한 구조적 개선으로 특징 표현이 향상되고 학습 중 수렴 속도가 빨라집니다.

여러 특화 모델과 달리 YOLOv8은 다양한 작업을 지원합니다. 바운딩 박스 감지 외에도 동일한 통합 아키텍처와 API에서 인스턴스 세그멘테이션, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB)를 기본 지원합니다.

간소화된 개발

통합된 Ultralytics 생태계에서는 모델 가중치만 바꿔 감지, 세그멘테이션, 자세 추정 작업을 전환할 수 있어 기술 부채를 줄일 수 있습니다.

PP-YOLOE+: PaddlePaddle의 앵커 프리 탐지#

PP-YOLOE+는 이전 PP-YOLO 버전에서 발전한 모델로, Baidu의 PaddlePaddle 프레임워크에서 효율적으로 실행되도록 설계되었습니다.

PP-YOLOE+ 자세히 알아보기

아키텍처 중점 사항#

PP-YOLOE+는 감지 정확도를 높이기 위해 CSPRepResNet 백본을 도입하고 Efficient Task-aligned Head(ET-head)를 구현했습니다. 이 모델은 PaddlePaddle 딥러닝 프레임워크에 크게 의존합니다. COCO 데이터셋 같은 표준 벤치마크 데이터셋에서 높은 정확도를 달성하지만, 구현이 PaddlePaddle 생태계에 결합되어 있어 AI 커뮤니티에서 널리 사용되는 표준 PyTorch 또는 TensorFlow 파이프라인에 통합하기 어려울 수 있습니다.

성능 및 지표 비교#

모델을 엣지 디바이스나 클라우드 서버에 배포할 때는 정확도(mAP), 속도, 파라미터 수 간의 균형이 중요합니다. Ultralytics 모델은 학습 메모리 요구량이 낮고 추론 속도가 빠른 것으로 알려져 있습니다.

아래는 COCO val2017에서 평가한 모델의 상세 비교표입니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
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

절충점 분석#

PP-YOLOE+x는 mAP에서 YOLOv8x를 앞서지만(54.7 대 53.9), 파라미터가 3,000만 개 이상 더 필요합니다. 소형 및 중형 모델에서는 두 계열의 성능이 비슷합니다. PP-YOLOE+는 FLOPs가 더 낮으며, 이 표에서는 YOLOv8만 CPU ONNX 속도를 보고합니다. 경량 YOLOv8n은 파라미터가 320만 개, FLOPs가 8.7B에 불과해 이 비교에서 가장 작은 모델입니다. 다만 PP-YOLOE+t는 파라미터 485만 개로 더 높은 mAP(39.9 대 37.3)를 달성합니다.

YOLO 모델은 대규모 Transformer 기반 아키텍처보다 학습 중 메모리를 적게 사용하는 경우가 많습니다. CUDA 메모리를 많이 사용하는 모델은 고가의 하드웨어가 필요한 경우가 많지만, YOLOv8은 소비자용 GPU에서 효율적으로 학습됩니다.

생태계, 사용 편의성 및 배포#

사용자 경험은 두 아키텍처의 주요 차이점입니다.

Ultralytics Platform과 Python 패키지는 잘 관리되는 생태계를 구성하여 머신러닝 운영의 복잡성을 줄입니다. 간단한 API, 풍부한 문서, 데이터 로깅, 하이퍼파라미터 튜닝, 크로스 플랫폼 내보내기를 위한 기본 도구를 제공합니다. ONNX, TensorRT, CoreML 중 무엇을 통해 배포하든 Ultralytics가 변환을 처리합니다.

반면 PP-YOLOE+를 사용하려면 PaddlePaddle 프레임워크에 대한 깊은 지식이 필요한 경우가 많습니다. Ultralytics 도구의 내보내기 자동화 기능 없이 이러한 모델을 표준 NVIDIA GPU나 Paddle 생태계 외부의 엣지 디바이스에서 효율적으로 실행하도록 변환하려면 여러 단계를 거쳐야 할 수 있습니다.

Ultralytics를 통한 효율적인 학습#

Ultralytics 모델 학습에는 상용구 코드가 거의 필요하지 않습니다. 다음 예제에서는 Python으로 YOLOv8 모델을 학습하고 TensorRT용으로 내보냅니다.

from ultralytics import YOLO

# 사전 학습된 YOLOv8 소형 모델 불러오기
model = YOLO("yolov8s.pt")

# COCO8 예제 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# 학습된 모델을 TensorRT 배포용으로 빠르게 내보내기
model.export(format="engine", device=0)

사용 사례 및 권장 사항#

YOLOv8과 PP-YOLOE+ 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약, 생태계 선호도에 따라 달라집니다.

YOLOv8을 선택해야 하는 경우#

YOLOv8은 다음과 같은 경우에 적합합니다.

  • 다목적 배포: Ultralytics 생태계에서 탐지, 분할, 분류, 자세 추정을 수행할 검증된 모델이 필요한 프로젝트입니다.
  • 안정적인 프로덕션 시스템: 이미 YOLOv8 아키텍처를 기반으로 구축되어 안정적이고 충분히 테스트된 배포 파이프라인을 갖춘 기존 프로덕션 환경.
  • 폭넓은 커뮤니티 및 생태계 지원: YOLOv8의 방대한 튜토리얼, 타사 통합, 활발한 커뮤니티 리소스를 활용하는 애플리케이션.

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.

  • NMS 프리 엣지 배포: 비최대 억제 (NMS) 후처리의 복잡성 없이 일관되고 낮은 지연 시간으로 추론해야 하는 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 장치에서는 YOLO26의 최대 43% 빠른 CPU 추론(YOLO26n 대 YOLO11n)이 결정적인 이점을 제공합니다.
  • 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.

앞으로의 방향: YOLO26의 이점#

새 애플리케이션에는 2026년 1월에 출시된 Ultralytics YOLO26이 다음 기능을 통해 YOLOv8과 YOLO11을 대체합니다.

  • 엔드투엔드 NMS 프리 설계: YOLO26의 선택적 원투원 헤드(nms=False)는 후처리에서 NMS를 제거하여 지연 시간의 변동성을 줄이고 배포 로직을 간소화합니다.
  • MuSGD Optimizer: SGD와 Muon의 하이브리드인 이 최적화 기법은 LLM 학습 기술을 비전 AI에 적용해 더 안정적인 학습과 빠른 수렴을 제공합니다.
  • CPU 추론 속도 최대 43% 향상: Distribution Focal Loss(DFL)를 제거하고 감지 헤드를 경량화한 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되어 IoT 및 모바일 애플리케이션에 적합합니다.
  • ProgLoss + STAL: Progressive Loss와 Small-Target-Aware Label Assignment(STAL)은 드론 분석과 항공 이미지에 필수적인 소형 객체 감지 성능을 개선합니다.
업그레이드 권장 사항

YOLOv8은 여전히 견고하고 지원이 잘되는 선택지이지만, YOLO26은 더 높은 정확도, 더 빠른 CPU 추론, 네이티브 엔드투엔드 처리를 제공하므로 새로운 엔터프라이즈 및 연구 프로젝트에 권장되는 아키텍처입니다.

결론#

YOLOv8과 PP-YOLOE+ 모두 실시간 감지 기술을 발전시켰습니다. 그러나 대부분의 개발자와 연구자에게는 Ultralytics YOLOv8과 그 후속 모델인 YOLO26이 더 실용적인 선택입니다. 직관적인 API, 활발한 오픈소스 커뮤니티, 낮은 학습 메모리 요구량, 통합 멀티태스크 프레임워크를 통해 데이터셋 생성부터 프로덕션 배포까지의 과정을 간소화합니다.

댓글1

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.

  1. godm4352GitHub(수정됨)

    Very informative comparison! PP-YOLOE+ is known for its powerful backbone and enhanced post-processing strategies, delivering strong performance on benchmark datasets. However, this YOLOv8 comparison highlights v8’s advantages in terms of model simplicity, faster inference speed, and ease of integration into production pipelines. Both models have their own strengths depending on whether the focus is on raw accuracy or real-time deployment.