YOLOX와 PP-YOLOE+ 비교
견고한 컴퓨터 비전 파이프라인을 설계할 때 적절한 객체 탐지 모델을 선택하는 것은 중요한 결정입니다. 실시간 객체 탐지 분야의 경쟁은 치열하며, 수많은 아키텍처가 추론 속도와 탐지 정확도 간의 최적 균형을 목표로 합니다. 이 기술 비교에서는 대표적인 두 모델인 YOLOX와 PP-YOLOE+의 아키텍처 설계, 학습 방법론, 성능 지표를 평가해 개발자와 연구자가 배포 환경에 적합한 도구를 선택하도록 돕습니다.
아키텍처 혁신 및 설계#
두 모델은 모두 초기 YOLO 모델의 특정 문제를 해결하도록 설계되었지만, 속도와 정확도 간의 균형을 맞추는 방식은 서로 다릅니다.
YOLOX: 연구와 산업의 연결#
Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun이 Megvii에서 개발한 YOLOX는 2021년 7월 18일에 출시되었습니다. YOLOX는 앵커 프리 설계를 완전히 채택해 YOLO 제품군에 큰 변화를 가져왔습니다. 기초 연구는 공식 arXiv 논문에서, 원본 소스 코드는 YOLOX GitHub 저장소에서 확인할 수 있습니다.
YOLOX는 분류와 회귀 작업을 분리하는 분리형 헤드를 통합해 학습 수렴 속도를 크게 향상합니다. 또한 SimOTA와 같은 고급 레이블 할당 전략을 도입해 양성 샘플을 동적으로 할당합니다. 이로써 모델의 효율성이 높아지며, 가장 작은 변형 모델은 연산 리소스가 엄격히 제한된 엣지 AI 환경에 적합합니다.
PP-YOLOE+: 고성능 산업용 탐지#
Baidu의 PaddlePaddle 개발팀이 2022년 4월 2일에 발표한 PP-YOLOE+는 PP-YOLO 시리즈를 최적화해 발전시킨 모델입니다. arXiv 논문에 자세히 소개된 PP-YOLOE+는 Baidu 생태계에 긴밀히 통합되어 있으며 PaddlePaddle 프레임워크가 필요합니다. 모델 구성은 PaddleDetection GitHub 저장소에서 확인할 수 있습니다.
PP-YOLOE+는 CSPRepResNet 백본을 사용하고 Efficient Task-aligned head(ET-head)와 Task Alignment Learning(TAL)을 함께 적용합니다. 이 아키텍처는 평균 정밀도(mAP) 측면에서 COCO 데이터셋에서 강력한 성능을 달성하므로, 정확도를 최소한의 종속성보다 우선시하는 산업 결함 탐지 및 대규모 서버 측 처리에 적합합니다.
성능 벤치마크#
배포를 위해서는 다양한 규모에서 각 모델의 성능을 이해하는 것이 중요합니다. 아래 표는 mAP와 TensorRT로 내보냈을 때의 추론 속도를 포함한 주요 지표를 정리합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
PP-YOLOE+는 비교 가능한 모든 크기에서 YOLOX보다 정확도가 높고, s 크기부터 FLOPs도 적게 사용하며, PP-YOLOE+x가 전반적으로 가장 높은 정확도를 달성합니다. 그러나 YOLOX는 Nano 및 Tiny와 같은 초경량 변형 모델을 제공하여 저전력 마이크로컨트롤러와 구형 모바일 하드웨어에 적합합니다.
사용 사례 및 권장 사항#
YOLOX와 PP-YOLOE+ 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약, 선호하는 생태계에 따라 달라집니다.
YOLOX를 선택해야 하는 경우#
YOLOX는 다음과 같은 경우에 적합합니다.
- 앵커 프리 탐지 연구: 새로운 탐지 헤드나 손실 함수를 실험하기 위한 기준 모델로 YOLOX의 간결한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
- 초경량 엣지 장치: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 구형 모바일 하드웨어에 배포하는 경우입니다.
- SimOTA 레이블 할당 연구: 최적 수송 기반 레이블 할당 전략과 해당 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.
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.
Ultralytics의 강점: YOLO26 소개#
YOLOX와 PP-YOLOE+는 각각 뚜렷한 장점을 제공하지만, AI의 빠른 발전으로 높은 정확도와 사용 편의성을 함께 갖춘 도구가 필요해졌습니다. Ultralytics 모델, 특히 Ultralytics YOLO26은 이러한 점에서 오래된 연구 저장소와 차별화됩니다.
2026년 1월에 출시된 YOLO26은 간소화된 개발자 경험과 함께 현대적인 객체 탐지 및 기타 비전 작업의 새로운 기준을 제시합니다.
개발자가 YOLO26을 선택하는 이유#
- 엔드투엔드 NMS 프리 설계: YOLOv10이 YOLO 모델에 도입한 NMS 프리 학습을 바탕으로, YOLO26은 네이티브 엔드투엔드 추론을 지원합니다. 선택적 일대일 헤드(
nms=False)를 사용해 NMS 후처리를 생략함으로써 일관된 지연 시간을 제공하고 엣지 환경의 내보내기 파이프라인을 간소화합니다. - 학습 최적화: Moonshot AI의 Kimi K2와 같은 LLM 방법론에서 영감을 얻은 MuSGD Optimizer는 SGD와 Muon을 결합한 방식으로, 학습 안정성과 수렴 속도를 향상합니다. YOLO26은 ProgLoss + STAL(점진적 손실 및 소형 객체 인식 레이블 할당)도 사용해 항공 영상과 로보틱스 관련 애플리케이션에 중요한 소형 객체 탐지 성능을 개선합니다.
- 하드웨어 효율성: Distribution Focal Loss(DFL)를 제거해 YOLO26의 탐지 헤드와 내보내기 그래프를 간소화합니다. YOLO26n은 전용 GPU 가속 기능이 없는 디바이스에 적합하며, YOLO11n보다 CPU 추론 속도가 최대 43% 더 빠릅니다.
- 다용도성: 탐지에만 집중하는 PP-YOLOE+와 달리 YOLO26은 다양한 작업을 통합적으로 지원합니다. 인스턴스 분할을 위한 특수 의미론적 분할 손실, 정확한 자세 추정을 위한 잔차 로그 우도 추정(RLE), 방향성 바운딩 박스(OBB)를 위한 특수 각도 손실을 포함합니다.
생태계 통합#
Ultralytics는 복잡한 프레임워크 설치를 피합니다. 통합 Python API 또는 직관적인 Ultralytics Platform을 사용하면 몇 줄의 코드만으로 모델을 학습하고 검증 및 내보낼 수 있습니다.
from ultralytics import YOLO
# YOLO26 소형 모델을 불러옵니다
model = YOLO("yolo26s.pt")
# CUDA 메모리 오버헤드를 최소화하면서 사용자 지정 데이터셋으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 추론 실행
predictions = model("https://ultralytics.com/images/bus.jpg")
# ONNX로 기본 내보내기를 수행하여 NMS-free 아키텍처의 이점을 온전히 활용합니다
model.export(format="onnx", nms=False)Ultralytics 생태계의 다른 견고한 아키텍처를 살펴보는 사용자에게는 기존 배포 환경에서 신뢰할 수 있는 선택지인 YOLO11과 어텐션 기반 솔루션을 찾는 경우 유용한 강력한 기능을 제공하는 Transformer 기반 RT-DETR을 고려할 수 있습니다.
요약#
YOLOX와 PP-YOLOE+ 중에서 선택할 때는 PyTorch 기반 유연성을 선호하는지, Baidu의 PaddlePaddle과 긴밀히 통합된 환경을 선호하는지 등 주로 사용하는 프레임워크의 제약이 중요한 기준이 됩니다. 그러나 새로운 AI 인프라를 구축하려는 조직에는 Ultralytics YOLO26을 대안으로 권장합니다. 선택형 NMS-Free 추론, 적은 메모리 사용량, 폭넓은 작업 지원을 갖춘 YOLO26은 팀이 빠르고 효율적인 컴퓨터 비전 애플리케이션을 구축하도록 돕습니다.
댓글6
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.
UltralyticsAssistantUltralytics
👋 Hello, thank you for sharing your interest in comparing YOLOX and PP-YOLOE+ 🚀!
For a detailed breakdown of performance, architecture, and use cases, you can explore our dedicated Compare YOLOX vs PP-YOLOE+ Guide. This resource provides valuable insights to help you choose the best model for your specific requirements.
If you have specific questions or need further assistance, please provide more details about your use case. For example:
- What type of dataset are you working with?
- Are there specific metrics or constraints you are prioritizing?
Join the Ultralytics community for more discussions and insights:
- Real-time chat? Join us on Discord 🎧.
- Prefer forum-style discussions? Check out Discourse.
- Or head over to our Subreddit to connect with other users.
Additionally, ensure you're using the latest version of the
ultralyticspackage for optimal performance and features. Upgrade with the following command:pip install -U ultralyticsThis is an automated response to assist you quickly, but don't worry—an Ultralytics engineer will review your discussion and provide further input soon. Thanks for being part of the community! 😊
Glenn JocherUltralytics(수정됨)@UltralyticsAssistant Thanks for the automated response.
@Amine-Torki You've raised a valid point about our documentation consistency. We're actively updating our comparison articles to reflect the latest models. The Ultralytics ecosystem now includes YOLO26 (our latest release) and YOLO11, both offering significant improvements over earlier models.
For those comparing YOLOX and PP-YOLOE+, both are solid anchor-free detectors, but Ultralytics YOLO26 provides advantages in terms of ecosystem integration, versatility across multiple vision tasks, and overall performance balance. Our documentation team is working to ensure all comparison pages accurately represent the current state of YOLO development.
Amine-Torki
"YOLOv8: The latest iteration in the YOLO series" Yeah another article written by ChatGPT, Ultralytics isn't what it used to be...
-1
Glenn JocherUltralytics(수정됨)@Amine-Torki thank you for your feedback. Our documentation is continuously improved by both the Ultralytics team and community contributions to ensure accuracy and relevance. For the latest advancements, check out YOLO26 and YOLO11, which showcase our ongoing commitment to innovation in computer vision.
Amine-Torki(수정됨)
Hi. My question is about why saying in this article "YOLOv8: The latest iteration in the YOLO series" when there is, as you just said, YOLO11 and YOLOv10. Since the Technical Comparison was last updated 1 month ago, it just make me think it was written by a llm with lack of knowledge/hallucination on the latest updates.
Glenn JocherUltralytics(수정됨)