DAMO-YOLO와 PP-YOLOE+ 비교

배포에 적합한 아키텍처를 선택하는 것은 실시간 컴퓨터 비전에서 중요한 결정입니다. 이 가이드에서는 DAMO-YOLO와 PP-YOLOE+의 아키텍처 설계, 학습 방법, 성능 지표를 기술적으로 비교합니다. 또한 두 모델을 2026년 1월에 출시된 Ultralytics YOLO26과 비교합니다.

모델 개요#

두 프레임워크는 서로 다른 기법으로 정확도와 추론 속도를 개선하기 위해 2022년 산업용 애플리케이션의 대안으로 등장했습니다.

DAMO-YOLO#

Alibaba Group이 개발한 DAMO-YOLO는 지연 시간과 정확도의 균형을 최적화하는 여러 가지 새로운 기법을 도입했으며, 자동 탐색 기법과 고급 특징 융합에 크게 의존합니다.

DAMO-YOLO는 하드웨어 효율성에 최적화된 백본을 자동으로 설계하기 위해 최대 엔트로피 신경망 아키텍처 탐색(MAE-NAS)을 사용합니다. 또한 넥 특징 융합을 위한 효율적인 RepGFPN(재매개변수화된 일반화 특징 피라미드 네트워크)과 경량 "ZeroHead" 설계를 갖추고 있습니다. 학습 중 지식 증류를 활용해 학생 모델의 표현력도 높입니다.

DAMO-YOLO에 대해 자세히 알아보기

PP-YOLOE+#

Baidu PaddlePaddle 팀이 개발한 PP-YOLOE+는 PP-YOLOE 아키텍처를 점진적으로 개선한 버전입니다. 대규모 사전 학습과 정교한 손실 함수에 중점을 두어 높은 mAP를 달성하며, 특히 기본 딥러닝 프레임워크에서 뛰어난 성능을 제공합니다.

PP-YOLOE+는 CSPRepResNet 백본과 ET-head(효율적인 작업 정렬 헤드)를 사용합니다. "플러스" 버전은 Objects365 데이터셋으로 사전 학습하여 다양하고 실제적인 환경에 대한 일반화 능력을 향상합니다.

PP-YOLOE+ 자세히 알아보기

아키텍처 비교#

두 모델의 서로 다른 설계 철학은 각 모델의 최적 사용 사례와 하드웨어 호환성에 영향을 줍니다.

특징 융합 및 백본#

DAMO-YOLO의 MAE-NAS 생성 백본은 엣지 디바이스에 맞춰져 있어 속도와 파라미터 수의 비율이 유리한 경우가 많습니다. 그러나 이러한 맞춤형 아키텍처는 경직되어 있어 인스턴스 분할과 같은 새로운 작업에 적용하기가 복잡할 수 있습니다. RepGFPN 넥은 다중 스케일 특징 융합을 개선하지만, 재매개변수화 내보내기 단계의 복잡성을 높입니다.

PP-YOLOE+는 더 전통적이지만 효과적인 CSPRepResNet에 의존합니다. 이 백본은 비슷한 정확도를 내기 위해 DAMO-YOLO보다 더 많은 파라미터를 필요로 하지만, 학습이 안정적이고 기존 파이프라인에 통합하기 쉽습니다. ET-head는 분류와 회귀를 효율적으로 처리하지만, 비최대 억제(NMS)와 같은 후처리 단계는 여전히 필요합니다.

후처리 지연 제거

DAMO-YOLO와 PP-YOLOE+는 모두 바운딩 박스 후처리에 NMS가 필요합니다. 추론 지연 시간이 중요하다면 선택적 일대일 헤드(nms=False)를 통해 네이티브 종단 간 NMS 없는 설계를 제공하는 Ultralytics YOLO26을 고려해 보세요. 이 접근 방식은 NMS 후처리를 제거해 더 빠르고 간단한 배포 파이프라인을 제공합니다.

성능 및 지표 분석#

프로덕션 환경에서 사용할 모델을 평가할 때는 정확도(mAP), 추론 속도, 매개변수 크기 간의 균형이 중요합니다. 아래에서 주요 변형 모델을 직접 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
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

표에서 볼 수 있듯이 DAMO-YOLO는 tiny(t) 및 small(s) 규모에서 더 높은 정확도를 제공하며, NAS 최적화 백본 덕분에 DAMO-YOLOt는 여기에 제시된 모델 중 T4 TensorRT 지연 시간이 가장 낮습니다. 반면 PP-YOLOE+는 medium(m) 및 large(l) 영역으로 확장할 때 우수한 성능을 보이며, T4 TensorRT 속도가 약간 낮아지는 대신 더 높은 mAP 점수를 달성합니다.

메모리 요구량 및 학습 효율성#

DAMO-YOLO는 증류에 의존하므로 소형 학생 모델을 학습하기 전에 훨씬 더 큰 교사 모델을 학습해야 하는 경우가 많습니다. 이로 인해 CUDA 메모리 요구량과 전체 연산 예산이 크게 늘어납니다. PP-YOLOE+는 표준 단일 단계 학습으로 과정을 간소화하지만 PaddlePaddle 프레임워크에 긴밀하게 연결되어 있어 PyTorch에 익숙한 팀의 유연성을 제한할 수 있습니다.

이와 달리 최신 Ultralytics YOLO26 모델은 이러한 병목을 피합니다. LLM 학습에서 영감을 얻은 SGD와 Muon의 하이브리드인 새로운 MuSGD 옵티마이저를 사용하여 YOLO26은 복잡한 증류 파이프라인 없이 빠른 수렴과 안정적인 학습을 실현합니다. 또한 YOLO 모델은 일반적으로 RT-DETR과 같은 Transformer 기반 탐지기에 비해 학습 중 CUDA 메모리를 훨씬 적게 사용합니다.

실제 애플리케이션과 적합한 사용 사례#

DAMO-YOLO를 사용하기 좋은 경우#

DAMO-YOLO는 지연 시간이 주요 병목인 고처리량 엣지 추론에 적합합니다. 소형 변형 모델은 교통 관리 시스템이나 기본적인 드론 감시와 같은 환경에서 뛰어난 성능을 발휘하며, 엔지니어링 팀이 복잡한 증류 및 재매개변수화 프로세스를 관리할 여력이 있다는 전제하에 사용할 수 있습니다.

PP-YOLOE+를 사용하는 경우#

이미 Baidu 생태계에 투자했거나 대규모 서버 배포를 운영 중이라면 PP-YOLOE+가 적합합니다. 높은 mAP를 제공하므로 복잡한 의료 영상 분석이나 밀집된 제조 결함 탐지에 적합합니다.

Ultralytics의 강점#

DAMO-YOLO와 PP-YOLOE+는 각각 고유한 장점을 제공하지만, 다재다능함과 속도, 사용 편의성을 원하는 개발자는 Ultralytics Platform에서 모델을 학습하고 배포할 수 있습니다.

컴퓨터 비전 파이프라인을 업그레이드할 때 Ultralytics YOLO26은 간소화된 개발자 경험을 제공합니다:

  • 최대 43% 더 빠른 CPU 추론: Distribution Focal Loss(DFL)를 완전히 제거하여 YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 엣지 CPU와 저전력 IoT 장치에 적합합니다.
  • 소형 객체 탐지 성능 향상: ProgLoss 목적 함수와 STAL 레이블 할당은 항공 영상에 중요한 소형 객체 인식을 개선합니다.
  • 뛰어난 다용도성: 탐지에만 집중하는 PP-YOLOE+와 달리 YOLO26은 작업별 아키텍처 개선을 통해 자세 추정, 방향성 바운딩 박스(OBB), 시맨틱 분할도 처리합니다.

결론#

DAMO-YOLO와 PP-YOLOE+는 앵커 프리 객체 감지 발전의 중요한 이정표입니다. DAMO-YOLO는 엣지 지연 시간을 줄이기 위한 신경망 아키텍처 탐색의 한계를 확장했고, PP-YOLOE+는 대규모 사전 학습의 효과를 입증했습니다.

그러나 속도와 정확도, 배포 간편성의 최적 균형을 원하는 개발자에게는 Ultralytics YOLO26 모델을 권장합니다. NMS가 필요 없는 아키텍처, 강력한 Python API, Weights & Biases 및 TensorRT와 같은 도구와의 통합을 통해 프로젝트를 프로토타입에서 프로덕션으로 원활하게 전환할 수 있습니다.

시작할 준비가 되셨나요? Ultralytics 빠른 시작 가이드를 살펴보거나 YOLO11 vs DAMO-YOLO 개요에서 더 많은 모델을 비교해 보세요.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.