DAMO-YOLO와 EfficientDet 비교

컴퓨터 비전 연구에서는 다양한 실제 요구 사항에 맞춘 여러 아키텍처가 등장했습니다. 일부 프레임워크는 확장성을 우선시하는 반면, 다른 프레임워크는 실시간 추론 속도에 중점을 둡니다. 이 비교에서는 객체 탐지에 서로 다른 접근 방식을 취하는 영향력 있는 두 모델인 DAMO-YOLO와 EfficientDet을 다룹니다. 두 모델의 아키텍처를 살펴보고 벤치마크 성능을 비교하며, Ultralytics YOLO26이 최신 프로덕션 배포에 적합한 선택인 이유를 설명합니다.

아키텍처 개요#

두 모델 모두 효율성과 정확도 간의 상충 관계를 해결하기 위해 설계되었지만, 목표를 달성하는 데 사용하는 메커니즘은 근본적으로 다릅니다.

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:

DAMO-YOLO는 속도와 정확도를 모두 최적화하는 신경망 아키텍처 탐색(NAS) 백본을 기반으로 합니다. 추론 속도를 높게 유지하면서 특징 융합을 강화하는 RepGFPN(재매개변수화된 일반화 특징 피라미드 네트워크)을 도입했습니다. 또한 ZeroHead 설계는 탐지 헤드와 일반적으로 관련된 연산 오버헤드를 최소화합니다. 모델은 AlignedOTA(정렬된 최적 전송 할당) 레이블 할당과 지식 증류도 사용하므로 가장 작은 변형 모델도 대형 모델의 풍부한 표현을 학습합니다.

DAMO-YOLO에 대해 자세히 알아보기

EfficientDet: 복합 스케일링을 통한 확장성#

속도를 우선시하는 접근 방식과 달리 EfficientDet은 다양한 컴퓨팅 예산에 걸쳐 체계적인 확장성에 중점을 둡니다.

EfficientDet 세부 정보:

EfficientDet은 빠른 다중 스케일 특징 융합을 지원하는 BiFPN(양방향 특징 피라미드 네트워크)을 도입했습니다. 레이어나 채널을 임의로 추가해 아키텍처 규모를 키우는 기존 방식과 달리, EfficientDet은 백본, 특징 네트워크, 박스/클래스 예측 네트워크의 해상도와 깊이, 너비를 동시에 균일하게 확장하는 복합 스케일링 방식을 사용합니다. 이를 통해 출시 당시 고급 하드웨어에서 최첨단 정확도를 달성하는 동시에 제약이 있는 환경을 위한 소형 변형 모델도 제공했습니다.

EfficientDet에 대해 자세히 알아보기

성능 및 지표 비교#

나란히 비교해 보면 정확도와 추론 속도 간의 절충 관계가 분명해집니다. 아래 표에서는 주요 성능 지표를 정리하고 DAMO-YOLO의 추론 성능을 EfficientDet 모델 제품군과 비교합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

EfficientDet-d7은 전반적인 정확도가 가장 높아 까다로운 클라우드 기반 애플리케이션에 적합합니다. DAMO-YOLO 시리즈는 GPU 하드웨어에서 훨씬 낮은 지연 시간으로 경쟁력 있는 정확도를 제공하므로 실시간 엣지 배포에 더 적합합니다.

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: EfficientDet의 참조 구현이 TPU 학습을 지원하는 Google Cloud TPU 인프라에서 TensorFlow 기반 시스템을 사용하는 경우입니다.
  • 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.

  • 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 디바이스에서는 YOLO26n이 YOLO11n보다 CPU 추론 속도가 최대 43% 빨라 확실한 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 EfficientDet은 중요한 학술적 이정표이지만, 실제 배포에는 더 균형 잡히고 기능이 풍부하며 개발자 친화적인 접근 방식이 필요한 경우가 많습니다. Ultralytics YOLO26은 바로 이러한 요구를 충족하도록 설계되었습니다.

2026년 1월에 출시된 YOLO26은 Ultralytics YOLO11 및 YOLOv8을 포함한 이전 모델의 유산을 바탕으로 발전했으며, 객체 탐지 모델의 학습과 배포를 간소화합니다.

엔드투엔드의 간결함

YOLO26은 기본 종단 간 NMS 프리 설계(nms=False)를 제공합니다. 객체 탐지기의 오랜 배포 병목이었던 비최대 억제(NMS)를 후처리에서 제거함으로써, 특히 엣지 하드웨어에서 더 간단하고 빠른 배포 파이프라인을 구현합니다.

성능과 다재다능함#

YOLO26은 속도뿐 아니라 학습 안정성과 정확도도 향상합니다. LLM 학습에서 영감을 받은 SGD와 Muon의 하이브리드인 MuSGD 옵티마이저를 도입하여 수렴을 앞당기고 학습 효율을 높입니다. RT-DETR과 같은 더 무거운 Transformer 기반 대안과 달리, YOLO26은 메모리 요구량을 낮게 유지하므로 일반 소비자용 하드웨어에서도 학습할 수 있습니다.

YOLO26은 또한 ProgLoss + STAL을 통합하여 드론 항공 영상 및 로보틱스와 같은 사용 사례에서 소형 객체 인식 성능을 높입니다. 저전력 장치에 최적화하기 위해 Distribution Focal Loss(DFL)를 제거하여 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빨라졌습니다.

생태계와 사용 편의성#

EfficientDet과 같은 모델의 가장 큰 난관 중 하나는 복잡한 통합 프로세스입니다. 반면 Ultralytics Platform은 잘 관리되는 종단 간 생태계를 제공합니다. 통합 API를 통해 탐지, 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB) 간에 쉽게 전환할 수 있습니다.

Ultralytics Python 패키지를 사용하면 몇 줄의 코드만으로 YOLO26을 학습하고 추론을 실행할 수 있습니다:

from ultralytics import YOLO

# 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 EfficientDet을 비교하면 신경망 아키텍처 탐색과 복합 스케일링 간의 절충 관계를 확인할 수 있지만, 프로덕션 환경에서는 학술 연구와 배포 간의 격차를 해소하는 도구도 필요합니다.

사용 편의성, 활발한 오픈 소스 커뮤니티, 속도와 정확도의 균형을 중시하는 개발자에게는 Ultralytics YOLO26을 권장합니다. NMS가 필요 없는 아키텍처와 낮은 학습 오버헤드, Ultralytics 생태계와의 통합 덕분에 다음 컴퓨터 비전 프로젝트를 위한 실용적인 기반이 됩니다.

댓글2

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.

  1. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for starting this discussion and for your interest in Ultralytics 🚀! For more details on model comparisons and best practices, we recommend checking out the Docs where you’ll find further insights on different architectures, metrics, and use cases.

    If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us investigate.

    If you have a custom training ❓ Question, please include all relevant information such as dataset examples, training logs, and verify you are following our Tips for Best Training Results.

    Join our vibrant community! For real-time chat, visit Discord 🎧. For more in-depth discussions, check out Discourse, or join our Subreddit to connect with fellow users.

    Upgrade

    Please upgrade to the latest ultralytics package and all requirements in a Python>=3.8 environment with PyTorch>=1.8 to ensure you’re using the most up-to-date features:

    pip install -U ultralytics

    Environments

    YOLO runs in the following up-to-date verified environments (all dependencies including CUDA/CUDNN, Python, and PyTorch preinstalled):

    Status

    Ultralytics CI

    If this badge is green, all Ultralytics CI tests are currently passing. CI tests verify correct operation of all YOLO Modes and Tasks on macOS, Windows, and Ubuntu every 24 hours and on every commit.

    This is an automated response to help guide you. An Ultralytics engineer will also review your discussion and assist you soon! 😊

    1. Glenn JocherUltralytics(수정됨)

      Welcome to the discussion about DAMO-YOLO vs. EfficientDet! This is a great place to ask questions or share your experiences with either model.

      The comparison highlights how DAMO-YOLO generally achieves higher mAP with faster TensorRT speeds, while EfficientDet offers strong CPU performance and parameter efficiency. For most users seeking a balance of performance, ease of use and versatility, Ultralytics models like YOLO26 provide significant advantages with our well-maintained ecosystem.

      If you have specific questions about implementation details, performance in certain scenarios, or need guidance choosing between these architectures for your specific use case, please drop them here. The Ultralytics team regularly monitors these discussions and is happy to provide insights.