YOLOX와 PP-YOLOE+ 비교#

강력한 컴퓨터 비전 파이프라인을 설계할 때 적절한 객체 탐지 모델을 선택하는 것은 매우 중요한 결정입니다. 실시간 객체 탐지기 분야는 경쟁이 치열하며, 수많은 아키텍처가 추론 속도와 탐지 정확도 사이에서 최적의 균형을 제공하기 위해 노력하고 있습니다. 이 기술 비교에서는 대표적인 두 모델인 YOLOX와 PP-YOLOE+를 평가합니다. 두 모델의 아키텍처 설계, 학습 방법론, 성능 지표를 살펴봄으로써 개발자와 연구자가 배포 환경에 적합한 도구를 선택하는 데 필요한 인사이트를 제공하고자 합니다.

아키텍처 혁신 및 설계#

두 모델 모두 초기 YOLO 버전의 특정 문제를 해결하기 위해 설계되었지만, 속도와 정확도 간의 트레이드오프를 해결하는 방식은 근본적으로 다릅니다.

YOLOX: 연구와 산업의 연결#

YOLOX는 Megvii의 Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun이 개발했으며 2021년 7월 18일에 출시되었습니다. YOLO 제품군에서 앵커 프리 설계를 전면적으로 도입하며 큰 변화를 이끌었습니다. 기반이 된 연구는 공식 Arxiv 논문에서, 원본 소스 코드는 YOLOX GitHub 저장소에서 확인할 수 있습니다.

YOLOX는 분류와 회귀 작업을 분리하는 디커플드 헤드를 통합하여 학습 중 수렴 속도를 크게 향상합니다. 또한 SimOTA와 같은 고급 라벨 할당 전략을 도입하여 양성 샘플을 동적으로 할당합니다. 이를 통해 특히 컴퓨팅 리소스가 엄격하게 제한된 엣지 AI 환경에서 모델의 효율성이 매우 높아집니다.

YOLOX에 대해 자세히 알아보세요

PP-YOLOE+: 고성능 산업용 탐지#

PP-YOLOE+는 Baidu의 PaddlePaddle Authors가 2022년 4월 2일에 공개했으며, PP-YOLO 시리즈를 고도로 최적화한 발전형 모델입니다. Arxiv 논문에 자세히 설명된 PP-YOLOE+는 Baidu 생태계에 긴밀하게 통합되어 있으며 PaddlePaddle 프레임워크가 필요합니다. 모델 구성은 PaddleDetection GitHub 저장소에서 확인할 수 있습니다.

PP-YOLOE+는 강력한 CSPRepResNet 백본을 기반으로 하며, Task Alignment Learning (TAL)과 함께 Efficient Task-aligned head (ET-head)를 활용합니다. 이 아키텍처는 COCO 데이터셋에서 뛰어난 평균 정밀도 (mAP)를 달성하므로, 최소한의 종속성보다 정확도가 우선시되는 산업용 결함 탐지와 대규모 서버 측 처리에 강력한 선택지가 됩니다.

PP-YOLOE+에 대해 자세히 알아보기

성능 벤치마크#

배포를 위해서는 다양한 규모에서 이러한 모델이 어떻게 동작하는지 이해하는 것이 중요합니다. 아래 표에는 mAP과 TensorRT로 내보냈을 때의 추론 속도를 비롯한 주요 지표가 정리되어 있습니다.

사용 사례 및 권장 사항#

YOLOX와 PP-YOLOE+ 중 무엇을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.

YOLOX를 선택할 시점#

YOLOX는 다음과 같은 경우에 적합합니다:

• 앵커 프리 감지 연구: 새로운 감지 헤드 또는 손실 함수를 실험하기 위한 기준선으로 YOLOX의 깔끔한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
• 초경량 엣지 디바이스: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 레거시 모바일 하드웨어에 배포하는 경우입니다.
• SimOTA 라벨 할당 연구: 최적 수송 기반 라벨 할당 전략과 이러한 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.

PP-YOLOE+를 선택해야 하는 경우#

다음과 같은 경우 PP-YOLOE+를 권장합니다.

• PaddlePaddle 생태계 통합: 기존 인프라가 Baidu의 PaddlePaddle 프레임워크와 도구를 기반으로 구축된 조직입니다.
• Paddle Lite 엣지 배포: Paddle Lite 또는 Paddle 추론 엔진에 특화된 고도로 최적화된 추론 커널을 갖춘 하드웨어에 배포하는 경우입니다.
• 고정밀 서버 측 감지: 프레임워크 종속성이 문제가 되지 않는 강력한 GPU 서버에서 최고 수준의 감지 정확도를 우선시하는 시나리오입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

• NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
• CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
• 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.

Ultralytics의 강점: YOLO26 소개#

YOLOX와 PP-YOLOE+는 각각 뚜렷한 장점을 제공하지만, AI의 빠른 발전으로 인해 최첨단 정확도와 탁월한 사용 편의성을 결합한 도구가 필요해지고 있습니다. 바로 이러한 점에서 최근 출시된 Ultralytics YOLO26을 포함한 Ultralytics 모델이 레거시 연구 저장소보다 뛰어난 성능을 발휘합니다.

2026년 1월에 출시된 YOLO26은 최신 객체 탐지 및 그 이상의 분야에서 새로운 표준을 제시하며, 경쟁 프레임워크와 비교할 수 없을 정도로 뛰어난 개발자 경험을 제공합니다.

개발자가 YOLO26을 선택하는 이유#

1. 엔드 투 엔드 NMS 없는 설계: YOLOv10에서 개척한 개념을 기반으로 하는 YOLO26은 기본적으로 엔드 투 엔드 방식으로 동작합니다. 비최대 억제 (NMS) 후처리를 완전히 제거하여 지연 시간을 매우 일관되게 유지하고 엣지 환경을 위한 내보내기 파이프라인을 크게 단순화합니다.
2. 차세대 최적화: SGD와 Muon을 결합한 하이브리드인 MuSGD Optimizer를 통해 학습 안정성이 획기적으로 향상됩니다. 이 방식은 Moonshot AI의 Kimi K2와 같은 LLM 방법론에서 영감을 받았습니다. 이를 통해 더 빠른 수렴을 보장합니다. 또한 YOLO26은 ProgLoss + STAL을 활용하여 소형 객체 인식을 크게 향상하며, 이는 항공 이미지와 로보틱스 관련 애플리케이션에 중요한 기능입니다.
3. 탁월한 하드웨어 효율성: Distribution Focal Loss (DFL)를 제거하여 YOLO26은 메모리 요구 사항을 크게 낮춥니다. 전용 GPU 가속이 없는 디바이스에 확실한 선택지가 되도록 CPU 추론을 최대 43% 더 빠르게 수행합니다.
4. 극도의 범용성: 탐지에만 집중하는 PP-YOLOE+와 달리 YOLO26은 다양한 작업을 통합적으로 지원합니다. 인스턴스 세그멘테이션을 위한 특화된 시맨틱 세그멘테이션 손실, 정확한 포즈 추정을 위한 Residual Log-Likelihood Estimation (RLE), Oriented Bounding Boxes (OBB)를 위한 고급 각도 손실 메커니즘을 통합합니다.

원활한 생태계 통합#

Ultralytics는 복잡한 프레임워크 설치로 인한 불편을 없앱니다. 통합 Python API 또는 직관적인 Ultralytics Platform을 사용하면 몇 줄의 코드만으로 모델을 학습하고 검증하며 내보낼 수 있습니다.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train on a custom dataset with minimal CUDA memory overhead
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Effortlessly run inference
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX natively, fully benefiting from the NMS-free architecture
model.export(format="onnx")

Ultralytics 생태계에서 다른 강력한 아키텍처를 검토하는 사용자에게 YOLO11은 여전히 레거시 배포에 매우 신뢰할 수 있는 선택지이며, Transformer 기반의 RT-DETR은 어텐션 기반 솔루션을 찾는 사용자에게 뛰어난 기능을 제공합니다.

요약#

YOLOX와 PP-YOLOE+ 중 무엇을 선택할지는 주로 PyTorch 기반의 유연성을 선호하는지, Baidu의 PaddlePaddle과 긴밀하게 통합된 방식을 선호하는지와 같은 프레임워크 제약 조건에 따라 결정되는 경우가 많습니다. 그러나 AI 인프라의 미래 경쟁력을 확보하려는 조직에는 Ultralytics YOLO26이 훨씬 뛰어난 대안을 제공합니다. 혁신적인 NMS 없는 설계, 경량 메모리 사용량, 포괄적인 작업 범용성을 갖춘 YOLO26은 팀이 전례 없이 간편하게 더 빠르고 지능적이며 효율적인 컴퓨터 비전 애플리케이션을 구축할 수 있도록 지원합니다.