YOLOX 대 PP-YOLOE+#
견고한 computer vision 파이프라인을 설계할 때 적절한 객체 검출 모델을 선택하는 것은 매우 중요한 결정입니다. 실시간 객체 검출기 분야는 추론 속도와 검출 정확도 사이의 최적의 균형을 제공하기 위해 경쟁하는 수많은 아키텍처들로 매우 경쟁이 치열합니다. 이번 기술 비교에서는 YOLOX와 PP-YOLOE+라는 두 가지 주요 모델을 평가합니다. 아키텍처 설계, 학습 방법론, 성능 지표를 검토함으로써 개발자와 연구자가 배포 환경에 적합한 도구를 선택하는 데 필요한 인사이트를 제공하고자 합니다.
아키텍처 혁신 및 설계#
두 모델 모두 초기 YOLO 버전의 특정 문제점을 해결하기 위해 설계되었지만, 속도와 정확도 간의 트레이드오프를 해결하는 방식은 근본적으로 다릅니다.
YOLOX: 연구와 산업을 잇다#
Megvii의 Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun이 개발한 YOLOX는 2021년 7월 18일에 출시되었습니다. 앵커 프리 설계를 전면적으로 도입하여 YOLO 패밀리에서 중요한 변화를 이끌어냈습니다. 공식 Arxiv paper에서 기초 연구를, YOLOX GitHub repository에서 원본 소스 코드를 확인할 수 있습니다.
YOLOX는 분류 작업과 회귀 작업을 분리하는 분리형 헤드(decoupled head)를 통합하여 학습 중 수렴 속도를 크게 향상시킵니다. 또한 SimOTA와 같은 고급 레이블 할당 전략을 도입하여 긍정 샘플을 동적으로 할당합니다. 이는 계산 리소스가 엄격히 제한된 edge AI 환경에서 모델을 매우 효율적으로 만듭니다.
PP-YOLOE+: 고성능 산업용 탐지#
Baidu의 PaddlePaddle 기여자들에 의해 2022년 4월 2일에 소개된 PP-YOLOE+는 PP-YOLO 시리즈의 고도로 최적화된 진화형을 나타냅니다. Arxiv publication에 자세히 설명된 바와 같이, PP-YOLOE+는 Baidu 생태계에 깊이 통합되어 있으며 PaddlePaddle 프레임워크가 필요합니다. 모델 구성은 PaddleDetection GitHub repository에서 찾을 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 dataset에서 뛰어난 mean Average Precision (mAP)을 달성하여, 최소한의 종속성보다 정확도를 우선시하는 산업용 결함 검사 및 대규모 서버 측 처리에 강력한 선택지가 됩니다.
성능 벤치마크#
다양한 규모에서 이러한 모델들이 어떻게 성능을 발휘하는지 이해하는 것은 배포를 위해 필수적입니다. 아래 표에는 TensorRT로 내보낼 때의 mAP 및 추론 속도를 포함한 주요 지표가 요약되어 있습니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 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+x가 절대적인 정확도 면에서 최고를 자랑하지만, YOLOX는 저전력 마이크로컨트롤러 및 레거시 모바일 하드웨어에 매우 적합한 초경량 변형 모델(Nano 및 Tiny)을 제공합니다.
활용 사례 및 권장 사항#
YOLOX와 PP-YOLOE+ 중 선택은 귀하의 특정 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
YOLOX를 선택해야 할 때#
YOLOX는 다음과 같은 경우에 강력한 선택입니다:
- 앵커 프리 탐지 연구: YOLOX의 깔끔하고 앵커 프리인 아키텍처를 새로운 탐지 헤드나 손실 함수 실험의 기본 모델로 사용하는 학술 연구.
- 초경량 에지 장치: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 필수적인 마이크로컨트롤러나 레거시 모바일 하드웨어에 배포하는 경우.
- SimOTA 라벨 할당 연구: 최적 운송 기반의 라벨 할당 전략과 그것이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트.
PP-YOLOE+를 선택해야 하는 경우#
PP-YOLOE+는 다음에 권장됩니다:
- PaddlePaddle 생태계 통합: Baidu's PaddlePaddle 프레임워크 및 툴링을 기반으로 기존 인프라가 구축된 조직.
- Paddle Lite 엣지 배포: Paddle Lite 또는 Paddle 추론 엔진에 최적화된 추론 커널을 사용하는 하드웨어에 배포하는 경우.
- 고정밀 서버 측 탐지: 프레임워크 종속성이 문제가 되지 않는 강력한 GPU 서버에서 최대 탐지 정확도를 우선시하는 시나리오.
Ultralytics (YOLO26)를 선택해야 할 때#
대부분의 신규 프로젝트의 경우, Ultralytics YOLO26은 성능과 개발자 경험의 최상의 조합을 제공합니다.
- NMS 미사용 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
- CPU 전용 환경: 전용 GPU 가속이 없는 디바이스에서, 최대 43% 더 빠른 YOLO26의 CPU 추론 속도가 결정적인 이점을 제공합니다.
- 소형 객체 감지: 항공 드론 이미지나 IoT 센서 분석과 같은 까다로운 시나리오에서 ProgLoss와 STAL이 아주 작은 객체의 정확도를 크게 향상시킵니다.
Ultralytics의 강점: YOLO26 소개#
YOLOX와 PP-YOLOE+ 모두 뚜렷한 장점을 제공하지만, AI의 급격한 진화는 최첨단 정확도와 뛰어난 사용 편의성을 결합한 도구를 요구합니다. 이것이 바로 Ultralytics 모델, 특히 최근에 출시된 Ultralytics YOLO26이 레거시 연구 저장소보다 뛰어난 이유입니다.
2026년 1월에 출시된 YOLO26은 현대 object detection 및 그 이상의 영역에 새로운 표준을 정립하며, 경쟁 프레임워크와 비교할 수 없는 개발자 경험을 제공합니다.
개발자가 YOLO26을 선택하는 이유#
- 엔드투엔드 NMS 프리 설계: YOLOv10에서 개척된 개념을 바탕으로, YOLO26은 네이티브 엔드투엔드 방식으로 구현되었습니다. 비최대억제(NMS) 후처리를 완전히 제거하여 매우 일관된 지연 시간을 보장하고 엣지 환경을 위한 내보내기 파이프라인을 극적으로 단순화합니다.
- 차세대 최적화: 학습 안정성은 SGD와 Muon의 하이브리드인 MuSGD Optimizer(Moonshot AI의 Kimi K2와 같은 LLM 방법론에서 영감받음)에 의해 혁신적으로 개선되었습니다. 이는 더 빠른 수렴을 보장합니다. 또한 YOLO26은 ProgLoss + STAL을 활용하여 소형 객체 인식 능력을 크게 향상시키며, 이는 aerial imagery 및 로보틱스와 관련된 응용 프로그램에 중요한 기능입니다.
- 압도적인 하드웨어 효율성: 분산 초점 손실(DFL)을 제거함으로써 YOLO26은 메모리 요구 사항을 크게 낮춥니다. 최대 43% 더 빠른 CPU 추론을 자랑하여 전용 GPU 가속이 부족한 장치에 확정적인 선택지가 됩니다.
- 극대화된 범용성: 엄격하게 검출에만 초점을 맞춘 PP-YOLOE+와 달리, YOLO26은 수많은 작업에 걸쳐 통합된 지원을 제공합니다. instance segmentation을 위한 특화된 의미론적 분할 손실, 정확한 pose estimation을 위한 잔차 로그 가능도 추정(RLE), 그리고 Oriented Bounding Boxes (OBB)를 위한 고급 각도 손실 메커니즘을 통합하고 있습니다.
원활한 생태계 통합#
Ultralytics는 복잡한 프레임워크 설치의 번거로움을 없애줍니다. 통합된 Python API 또는 직관적인 Ultralytics Platform을 사용하여 단 몇 줄의 코드로 모델을 학습, 검증 및 내보내기할 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 생태계 내의 다른 강력한 아키텍처를 평가하는 사용자의 경우, YOLO11은 레거시 배포를 위한 매우 신뢰할 수 있는 선택지로 남으며, 트랜스포머 기반의 RT-DETR은 어텐션 기반 솔루션을 찾는 이들에게 훌륭한 기능을 제공합니다.
요약#
YOLOX와 PP-YOLOE+ 사이의 선택은 주로 PyTorch 기반 유연성을 선호하는지 혹은 Baidu의 PaddlePaddle과의 깊은 통합을 선호하는지와 같은 프레임워크 제약 사항에 따라 결정됩니다. 그러나 AI 인프라를 미래 지향적으로 구축하려는 조직에게 Ultralytics YOLO26은 압도적으로 우수한 대안을 제공합니다. 혁신적인 NMS 프리 설계, 경량화된 메모리 풋프린트, 포괄적인 작업 범용성을 갖춘 YOLO26은 팀이 전례 없는 손쉬움으로 더 빠르고, 스마트하며, 효율적인 컴퓨터 비전 애플리케이션을 구축할 수 있도록 지원합니다.