YOLOX와 PP-YOLOE+ 비교#

견고한 컴퓨터 비전 파이프라인을 설계할 때 적절한 객체 탐지 모델을 선택하는 것은 중요한 결정입니다. 실시간 객체 탐지 분야는 매우 경쟁이 치열하며, 다양한 아키텍처가 추론 속도와 탐지 정확도 간의 최적 균형을 구현하기 위해 경쟁하고 있습니다. 이 기술 비교에서는 YOLOX와 PP-YOLOE+라는 두 가지 주요 모델을 평가합니다. 아키텍처 설계, 학습 방법론, 성능 지표를 살펴보고 개발자와 연구자가 배포 환경에 적합한 도구를 선택하는 데 필요한 정보를 제공하고자 합니다.

아키텍처 혁신 및 설계#

두 모델은 이전 YOLO 버전의 특정 문제를 해결하도록 설계되었지만, 속도와 정확도의 절충 문제를 해결하는 방식은 근본적으로 다릅니다.

YOLOX: 연구와 산업의 연결#

Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun이 Megvii에서 개발한 YOLOX는 2021년 7월 18일에 공개되었습니다. YOLO 제품군에서 앵커 프리 설계를 전면적으로 채택한 중요한 전환점이었습니다. 기초가 된 연구는 공식 Arxiv 논문에서, 원본 소스 코드는 YOLOX GitHub 저장소에서 확인할 수 있습니다.

YOLOX는 분류 작업과 회귀 작업을 분리하는 분리형 헤드를 통합하여 학습 중 수렴 속도를 크게 높입니다. 또한 SimOTA와 같은 고급 라벨 할당 전략을 도입해 양성 샘플을 동적으로 할당합니다. 이로 인해 계산 리소스가 엄격히 제한된 엣지 AI 환경에서 특히 효율적입니다.

YOLOX에 대해 자세히 알아보기

PP-YOLOE+: 고성능 산업용 탐지#

2022년 4월 2일, Baidu의 PaddlePaddle 저자들이 공개한 PP-YOLOE+는 PP-YOLO 시리즈를 고도로 최적화하여 발전시킨 모델입니다. Arxiv 논문에 자세히 설명된 PP-YOLOE+는 Baidu 생태계에 깊이 통합되어 있으며 PaddlePaddle 프레임워크가 필요합니다. 모델 구성은 PaddleDetection GitHub 저장소에서 확인할 수 있습니다.

PP-YOLOE+는 강력한 CSPRepResNet 백본을 기반으로 하며, Efficient Task-aligned 헤드(ET-head)와 Task Alignment Learning(TAL)을 활용합니다. 이 아키텍처는 평균 정밀도(mAP)에서 COCO 데이터셋 기준으로 뛰어난 성능을 달성하므로, 의존성을 최소화하는 것보다 정확도를 우선시하는 산업 결함 탐지와 대규모 서버 측 처리에 적합한 강력한 선택지입니다.

PP-YOLOE+ 자세히 알아보기

성능 벤치마크#

배포를 위해서는 다양한 규모에서 각 모델의 성능을 이해하는 것이 중요합니다. 아래 표는 mAP와 TensorRT로 내보냈을 때의 추론 속도를 포함한 주요 지표를 정리합니다.

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.

• NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
• CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
• 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.

Ultralytics의 강점: YOLO26 소개#

YOLOX와 PP-YOLOE+는 각각 뚜렷한 장점을 제공하지만, 빠르게 발전하는 AI 분야에서는 최첨단 정확도와 탁월한 사용 편의성을 결합한 도구가 필요합니다. 이러한 점에서 Ultralytics 모델, 특히 최근 출시된 Ultralytics YOLO26은 기존 연구 저장소보다 뛰어난 성능을 발휘합니다.

2026년 1월에 출시된 YOLO26은 현대적인 객체 탐지 분야와 그 이상의 영역에서 새로운 표준을 세우며, 경쟁 프레임워크와 비교할 수 없는 개발자 경험을 제공합니다.

개발자가 YOLO26을 선택하는 이유#

1. 엔드투엔드 NMS 프리 설계: YOLOv10이 선도적으로 도입한 개념을 바탕으로 YOLO26은 기본 엔드투엔드 추론을 지원합니다. 선택 가능한 일대일 헤드(nms=False)를 사용해 Non-Maximum Suppression(NMS) 후처리 단계를 생략함으로써 일관된 지연 시간을 보장하고 엣지 환경의 내보내기 파이프라인을 크게 간소화합니다.
2. 차세대 최적화: LLM 방법론, 예를 들어 Moonshot AI의 Kimi K2에서 영감을 얻은 SGD와 Muon의 하이브리드인 MuSGD Optimizer가 학습 안정성을 혁신적으로 개선하고 더 빠른 수렴을 보장합니다. 또한 YOLO26은 ProgLoss + STAL을 활용해 소형 객체 인식 성능을 크게 향상하며, 이는 항공 이미지와 로보틱스 애플리케이션에 중요한 기능입니다.
3. 탁월한 하드웨어 효율성: Distribution Focal Loss(DFL)를 제거함으로써 YOLO26은 탐지 헤드와 내보내기 그래프를 간소화합니다. CPU 추론 속도가 최대 43% 더 빠르므로, 전용 GPU 가속 기능이 없는 디바이스에 가장 적합한 선택입니다.
4. 뛰어난 다용도성: 객체 탐지에만 집중하는 PP-YOLOE+와 달리 YOLO26은 다양한 작업을 통합적으로 지원합니다. 인스턴스 세그멘테이션을 위한 전용 의미론적 세그멘테이션 손실, 정확한 자세 추정을 위한 잔차 로그 가능도 추정(RLE), 방향성 바운딩 박스(OBB)를 위한 고급 각도 손실 메커니즘을 통합합니다.

원활한 생태계 통합#

Ultralytics는 복잡한 프레임워크 설치로 인한 어려움을 없애줍니다. 통합 Python API 또는 직관적인 Ultralytics Platform을 사용하면 몇 줄의 코드만으로 모델을 학습하고, 검증하고, 내보낼 수 있습니다.

from ultralytics import YOLO

# 최첨단 YOLO26 small 모델을 불러옵니다
model = YOLO("yolo26s.pt")

# CUDA 메모리 오버헤드를 최소화하면서 사용자 지정 데이터셋으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 손쉽게 추론을 실행합니다
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 평가하는 사용자의 경우, YOLO11은 레거시 배포 환경에서 여전히 매우 신뢰할 수 있는 선택이며, Transformer 기반 RT-DETR은 어텐션 기반 솔루션을 찾는 사용자에게 탁월한 기능을 제공합니다.

요약#

YOLOX와 PP-YOLOE+ 중 무엇을 선택할지는 대개 주요 프레임워크 제약에 따라 달라집니다. PyTorch 기반의 유연성을 선호하는지, Baidu의 PaddlePaddle과 긴밀하게 통합하는 것을 선호하는지가 관건입니다. 그러나 AI 인프라의 미래 경쟁력을 확보하려는 조직에는 Ultralytics YOLO26이 훨씬 뛰어난 대안을 제공합니다. 선택적으로 사용할 수 있는 NMS-free 추론, 낮은 메모리 사용량, 폭넓은 태스크 지원을 갖춘 YOLO26은 팀이 전례 없이 손쉽게 더 빠르고 스마트하며 효율적인 컴퓨터 비전 애플리케이션을 구축할 수 있도록 합니다.