DAMO-YOLO와 EfficientDet 비교#
컴퓨터 비전의 발전으로 다양한 실제 요구에 맞춘 강력한 아키텍처가 다수 등장했습니다. 일부 프레임워크는 대규모 확장성을 우선시하는 반면, 다른 프레임워크는 실시간 추론 속도에 주력합니다. 이 기술 비교에서는 객체 감지 문제 해결에 각기 다른 접근 방식을 보여준 영향력 있는 두 모델인 DAMO-YOLO와 EfficientDet을 살펴봅니다. 두 모델의 아키텍처를 분석하고 벤치마크 성능을 비교한 뒤, 새롭게 출시된 Ultralytics YOLO26이 현대적인 프로덕션 배포를 위한 최적의 선택인 이유를 살펴봅니다.
아키텍처 개요#
두 모델 모두 효율성과 정확도 간의 상충 관계를 해결하기 위해 설계되었지만, 목표를 달성하는 데 사용하는 메커니즘은 근본적으로 다릅니다.
DAMO-YOLO: 신경망 아키텍처 탐색을 통한 속도 향상#
실시간 객체 감지의 한계를 넓히기 위해 개발된 DAMO-YOLO는 자동 탐색 기법을 활용해 지연 시간이 짧은 환경에 적합한 고효율 네트워크를 구축합니다.
DAMO-YOLO 세부 정보:
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 기관: Alibaba Group
- 날짜: 2022-11-23
- Arxiv: https://arxiv.org/abs/2211.15444v2
- GitHub: https://github.com/tinyvision/DAMO-YOLO
DAMO-YOLO는 속도와 정확도를 모두 최적화하는 신경망 아키텍처 탐색(NAS) 백본을 기반으로 합니다. 이 모델은 높은 추론 속도를 유지하면서 특징 융합을 향상하는 재매개변수화된 일반화 특징 피라미드 네트워크(RepGFPN)를 도입합니다. 또한 ZeroHead 설계는 일반적으로 감지 헤드에 수반되는 계산 오버헤드를 최소화합니다. 모델은 AlignedOTA(정렬된 최적 수송 할당)와 증류 개선 기법의 이점도 활용하므로, 가장 작은 변형 모델도 대형 모델로부터 풍부한 표현을 학습할 수 있습니다.
EfficientDet: 복합 스케일링을 통한 확장성#
속도를 우선시하는 접근 방식과 달리 EfficientDet은 다양한 컴퓨팅 예산에 걸쳐 체계적인 확장성에 중점을 둡니다.
EfficientDet 세부 정보:
- 저자: Mingxing Tan, Ruoming Pang, Quoc V. Le
- 기관: Google Brain
- 날짜: 2019-11-20
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
EfficientDet은 쉽고 빠른 멀티스케일 특징 융합을 지원하는 양방향 특징 피라미드 네트워크(BiFPN)를 도입합니다. 레이어나 채널을 임의로 추가해 아키텍처를 확장하는 기존 방식과 달리, EfficientDet은 복합 스케일링 방법을 사용해 백본, 특징 네트워크, 박스/클래스 예측 네트워크의 해상도, 깊이, 너비를 동시에 균일하게 확장합니다. 이를 통해 고성능 하드웨어에서 최첨단 정확도를 달성하는 동시에, 리소스가 제한된 환경에 적합한 소형 변형 모델도 제공합니다.
성능 및 지표 비교#
두 모델을 나란히 비교하면 순수 정확도와 추론 속도 사이의 상충 관계가 분명하게 드러납니다. 아래 표에서는 주요 성능 지표를 보여 주며, DAMO-YOLO의 추론 성능이 EfficientDet 모델 제품군과 어떻게 비교되는지 설명합니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
위에서 확인했듯이 EfficientDet-d7은 전반적인 정확도가 가장 높아 엄격한 요구 사항을 충족해야 하는 클라우드 기반 애플리케이션에 적합합니다. 반면 DAMO-YOLO 시리즈는 GPU 하드웨어에서 지연 시간이 훨씬 짧으면서도 매우 경쟁력 있는 정확도를 제공하므로, 실시간 엣지 배포에 더 적합한 후보입니다.
사용 사례 및 권장 사항#
DAMO-YOLO와 EfficientDet 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 에코시스템 선호도에 따라 달라집니다.
DAMO-YOLO를 선택해야 하는 경우#
DAMO-YOLO는 다음과 같은 경우에 적합합니다:
- 높은 처리량의 비디오 분석: 배치 크기 1의 처리량이 주요 지표인 고정형 NVIDIA GPU 인프라에서 높은 FPS의 비디오 스트림을 처리하는 경우입니다.
- 산업 제조 라인: 조립 라인의 실시간 품질 검사처럼 전용 하드웨어에서 GPU 지연 시간 제약이 엄격한 시나리오입니다.
- 신경망 아키텍처 탐색 연구: 자동 아키텍처 탐색(MAE-NAS)과 효율적으로 재매개변수화된 백본이 감지 성능에 미치는 영향을 연구하는 경우입니다.
EfficientDet을 선택해야 하는 경우#
다음과 같은 경우 EfficientDet을 권장합니다.
- Google Cloud 및 TPU 파이프라인: EfficientDet이 기본 최적화된 Google Cloud Vision API 또는 TPU 인프라와 긴밀하게 통합된 시스템입니다.
- 복합 스케일링 연구: 네트워크 깊이, 너비, 해상도를 균형 있게 조정하는 효과를 연구하는 데 중점을 둔 학술 벤치마킹입니다.
- LiteRT를 통한 모바일 배포: Android 또는 임베디드 Linux 장치용으로 LiteRT(구 TensorFlow Lite) 내보내기가 필요한 프로젝트입니다.
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.
최신 대안: Ultralytics YOLO26#
DAMO-YOLO와 EfficientDet 모두 학술적으로 중요한 성과이지만, 실제 배포에는 대개 균형 잡히고 기능이 풍부하며 개발자 친화적인 접근 방식이 필요합니다. 이 지점에서 Ultralytics YOLO26이 업계의 새로운 표준을 제시합니다.
2026년 1월에 출시된 YOLO26은 Ultralytics YOLO11과 YOLOv8을 비롯한 이전 모델의 유산을 계승하고, 객체 감지에 대한 접근 방식을 획기적으로 바꿉니다.
YOLO26은 네이티브 엔드투엔드 NMS 미사용 설계(nms=False)를 갖추고 있습니다. 수년간 객체 감지기의 병목 요인이었던 후처리 단계의 비최대 억제(NMS)를 제거해, 특히 엣지 하드웨어에서 더 간단하고 훨씬 빠른 배포 파이프라인을 제공합니다.
탁월한 성능과 다용도성#
YOLO26은 속도만 개선하는 데 그치지 않고, 학습 안정성과 정확도를 새롭게 정의합니다. LLM 학습 혁신에서 영감을 받아 SGD와 Muon을 결합한 하이브리드 방식인 MuSGD 옵티마이저를 도입해 수렴 속도와 학습 효율을 크게 높입니다. RT-DETR과 같은 무거운 Transformer 기반 대안과 달리 YOLO26은 메모리 요구량이 매우 낮아, 일반 소비자용 하드웨어에서도 학습할 수 있습니다.
또한 YOLO26은 ProgLoss + STAL을 적용해 드론 항공 이미지 및 로보틱스와 같은 사용 사례에 필수적인 소형 객체 인식 성능을 크게 향상합니다. 저전력 장치에 최적화하기 위해 YOLO26은 분포 초점 손실(DFL)을 제거했으며, 그 결과 이전 세대 모델보다 CPU 추론 속도가 최대 43% 빨라졌습니다.
생태계와 사용 편의성#
EfficientDet과 같은 모델의 가장 큰 과제 중 하나는 복잡한 통합 과정입니다. 반면 Ultralytics Platform은 체계적으로 관리되는 엔드투엔드 에코시스템을 제공합니다. 통합 API를 사용하면 사용자는 감지, 인스턴스 분할, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB) 간에 쉽게 전환할 수 있습니다.
Ultralytics Python 패키지를 사용해 YOLO26을 학습하고 추론을 실행하는 방법은 다음과 같이 간단합니다.
from ultralytics import YOLO
# 최첨단 YOLO26 나노 모델을 불러옵니다
model = YOLO("yolo26n.pt")
# 메모리 사용량을 최소화하면서 사용자 지정 데이터셋으로 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# 초고속 NMS 미사용 추론을 실행합니다
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)결론#
DAMO-YOLO와 EfficientDet 비교를 살펴보면 신경망 아키텍처 탐색과 복합 스케일링 간의 상충 관계를 파악하는 데 도움이 되지만, 현대의 개발자에게는 학술 연구와 프로덕션 환경 사이의 간극을 메워 주는 도구가 필요합니다.
사용 편의성, 활발한 오픈 소스 커뮤니티, 속도와 정확도 간의 균형을 중시하는 개발자에게 Ultralytics YOLO26은 확실한 선택입니다. NMS 미사용 아키텍처, 낮은 학습 오버헤드, 포괄적인 Ultralytics 에코시스템과의 원활한 통합을 제공하는 YOLO26은 다음 컴퓨터 비전 프로젝트를 위한 최적의 프레임워크입니다.