DAMO-YOLO와 PP-YOLOE+ 비교#
실시간 컴퓨터 비전의 경쟁이 치열한 환경에서 특정 배포 요구 사항에 가장 적합한 아키텍처를 선택하는 것은 매우 중요합니다. 이 가이드에서는 DAMO-YOLO와 **PP-YOLOE+**의 아키텍처 설계, 학습 방법론, 성능 지표를 심층적으로 살펴보며 포괄적인 기술 비교를 제공합니다. 또한 새롭게 출시된 Ultralytics YOLO26과 같은 최신 기술 수준의 솔루션과 비교하여 이러한 모델의 성능을 검토합니다.
모델 개요#
두 프레임워크는 2022년에 등장했으며, 정교한 기술을 활용하여 정확도와 추론 속도의 한계를 확장하는 강력한 산업용 애플리케이션 대안으로 자리 잡았습니다.
DAMO-YOLO#
Alibaba Group이 개발한 DAMO-YOLO는 자동화된 검색 기법과 고급 feature fusion에 크게 의존하여 지연 시간과 정확도 간의 균형을 최적화하는 몇 가지 새로운 기술을 도입했습니다.
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 조직: Alibaba Group
- 날짜: 2022-11-23
- Arxiv: DAMO-YOLO: 실시간 객체 검출 디자인에 관한 보고서
- GitHub: tinyvision/DAMO-YOLO
- Docs: DAMO-YOLO README
DAMO-YOLO는 최대 엔트로피 신경 아키텍처 탐색(MAE-NAS)을 사용하여 하드웨어 효율성에 최적화된 백본을 자동으로 설계합니다. 또한 넥 피처 융합을 위한 효율적인 RepGFPN(재매개변수화된 일반화 피처 피라미드 네트워크)과 경량 "ZeroHead" 설계를 특징으로 합니다. 나아가 학생 모델의 표현력을 높이기 위해 학습 과정에서 증류 기법에 크게 의존합니다.
PP-YOLOE+#
Baidu PaddlePaddle 팀이 개발한 PP-YOLOE+는 PP-YOLOE 아키텍처를 점진적으로 개선한 버전입니다. 대규모 사전 학습과 정교한 loss function에 중점을 두어, 특히 기본 deep learning framework 내에서 높은 mAP를 제공합니다.
- 저자: PaddlePaddle Authors
- 조직: Baidu
- 날짜: 2022-04-02
- Arxiv: PP-YOLOE: YOLO의 진화된 버전
- GitHub: PaddlePaddle/PaddleDetection
- Docs: PP-YOLOE+ Configs
PP-YOLOE+는 CSPRepResNet backbone과 ET-head (Efficient Task-aligned head)를 사용합니다. "plus" 버전은 Objects365 dataset을 활용한 강력한 사전 학습 전략을 도입하여 다양한 실제 환경에 대한 일반화 능력을 크게 향상합니다.
아키텍처 비교#
두 모델의 설계 철학 차이는 이상적인 사용 사례와 하드웨어 호환성에 큰 영향을 미칩니다.
Feature Fusion 및 Backbone#
DAMO-YOLO의 MAE-NAS 생성 backbone은 edge device에 맞게 고도로 최적화되어 있어 parameter 대비 속도 비율이 우수한 경우가 많습니다. 그러나 이러한 사용자 지정 아키텍처는 경직되고 복잡할 수 있어 instance segmentation과 같은 새로운 작업에 적용하기 어렵습니다. RepGFPN neck은 multi-scale feature fusion을 개선하지만 re-parameterization export 단계에서 복잡성이 증가합니다.
PP-YOLOE+는 보다 전통적이면서도 매우 효과적인 CSPRepResNet을 사용합니다. 이 backbone은 비슷한 정확도를 위해 DAMO-YOLO보다 더 많은 parameter가 필요하지만, 학습 안정성이 높고 기존 pipeline에 통합하기 쉽습니다. ET-head는 classification과 regression을 효율적으로 처리하지만, 여전히 Non-Maximum Suppression (NMS)과 같은 post-processing 단계가 필요합니다.
DAMO-YOLO와 PP-YOLOE+는 모두 bounding box의 post-processing에 NMS가 필요합니다. 추론 지연 시간이 중요하다면 기본적으로 End-to-End NMS-Free Design을 제공하는 Ultralytics YOLO26을 고려해 보십시오. 이 획기적인 접근 방식은 NMS post-processing을 제거하여 더 빠르고 간단한 배포 pipeline을 구현합니다.
성능 및 지표 분석#
production 환경에서 이러한 모델을 평가할 때는 정확도(mAP), 추론 속도, parameter 크기 간의 균형이 중요합니다. 아래에서는 주요 variant를 직접 비교합니다.
| 모델 | 크기 (픽셀) | mAPval 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 |
| 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 |
표에서 볼 수 있듯이 DAMO-YOLO는 NAS로 최적화된 backbone 덕분에 일반적으로 small (s) 및 tiny (t) scale에서 더 낮은 지연 시간을 달성합니다. 그러나 PP-YOLOE+는 medium (m) 및 large (l) tier로 확장할 때 성능이 매우 뛰어나며, T4 TensorRT 속도가 약간 저하되는 대신 mAP 점수가 크게 높습니다.
메모리 요구 사항 및 학습 효율성#
DAMO-YOLO는 distillation에 의존하므로 더 작은 student model을 학습하기 전에 훨씬 큰 teacher model을 학습해야 하는 경우가 많습니다. 이로 인해 CUDA memory requirements와 전체 computational budget이 크게 증가합니다. PP-YOLOE+는 표준 single-stage training으로 이 과정을 간소화하지만 PaddlePaddle framework와 긴밀하게 결합되어 있어 PyTorch에 익숙한 팀의 유연성을 제한할 수 있습니다.
반면 최신 Ultralytics YOLO26 model은 이러한 병목을 해결합니다. LLM 학습 혁신에서 영감을 받은 SGD와 Muon의 hybrid인 새로운 MuSGD Optimizer를 활용하여, YOLO26은 복잡한 distillation pipeline 없이 더 빠른 수렴과 매우 안정적인 학습을 달성합니다. 또한 YOLO model은 일반적으로 RT-DETR과 같은 Transformer 기반 detector에 비해 학습 중 훨씬 적은 CUDA memory를 필요로 합니다.
실제 애플리케이션 및 이상적인 사용 사례#
DAMO-YOLO를 사용해야 하는 경우#
DAMO-YOLO는 지연 시간이 가장 큰 병목인 high-throughput edge inference에 적합합니다. engineering 팀이 복잡한 distillation 및 re-parameterization 프로세스를 관리할 여력이 있다면, 소형 variant는 traffic management systems나 기본적인 drone surveillance와 같은 환경에서 뛰어난 성능을 발휘합니다.
PP-YOLOE+를 사용해야 하는 경우#
PP-YOLOE+는 이미 Baidu ecosystem에 깊이 투자했거나 대규모 server deployment를 운영하는 경우 탁월한 선택입니다. 인상적인 mAP 덕분에 복잡한 medical image analysis나 밀집된 manufacturing defect detection에 적합합니다.
Ultralytics의 강점#
DAMO-YOLO와 PP-YOLOE+는 각각 특정 영역에서 장점을 제공하지만, 최고의 versatility, speed, ease of use를 원하는 개발자는 꾸준히 Ultralytics Platform을 선택합니다.
computer vision pipeline을 업그레이드할 때 Ultralytics YOLO26은 탁월한 developer experience를 제공합니다:
- 최대 43% 더 빠른 CPU 추론: Distribution Focal Loss (DFL)을 완전히 제거한 YOLO26은 edge CPU와 저전력 IoT device에서 놀라운 속도를 제공합니다.
- 향상된 소형 객체 감지: ProgLoss와 STAL loss function을 통합하여 소형 객체 인식 성능을 크게 향상하며, 이는 aerial imagery에 매우 중요합니다.
- 폭넓은 versatility: 감지에만 집중하는 PP-YOLOE+와 달리 YOLO26은 작업별 아키텍처 개선을 통해 pose estimation, oriented bounding boxes (OBB), semantic segmentation을 원활하게 처리합니다.
결론#
DAMO-YOLO와 PP-YOLOE+는 anchor-free object detection의 발전 과정에서 중요한 이정표입니다. DAMO-YOLO는 edge 지연 시간을 위해 neural architecture search의 한계를 확장했으며, PP-YOLOE+는 대규모 사전 학습의 강력한 성능을 입증했습니다.
그러나 속도, 정확도, 배포 간소화의 최적 균형을 원하는 개발자에게는 Ultralytics YOLO26 model이 확실한 선택입니다. NMS-free 아키텍처, 견고한 Python API, Weights & Biases 및 TensorRT와 같은 도구와의 원활한 통합을 통해 프로젝트를 prototype에서 production으로 순조롭게 전환할 수 있습니다.
시작할 준비가 되셨습니까? Ultralytics Quickstart Guide를 살펴보거나 YOLO11 vs DAMO-YOLO 개요에서 더 많은 모델을 비교해 보십시오.