DAMO-YOLO 대 PP-YOLOE+#
실시간 컴퓨터 비전 분야의 치열한 경쟁 속에서, 특정 배포 요구 사항에 최적화된 아키텍처를 선택하는 것은 매우 중요합니다. 본 가이드에서는 DAMO-YOLO와 **PP-YOLOE+**에 대한 포괄적인 기술 비교를 제공하며, 이들의 아키텍처 설계, 학습 방법론 및 성능 지표를 심도 있게 다룹니다. 또한, 새로 출시된 Ultralytics YOLO26과 같은 최신 솔루션과 비교하여 이러한 모델들이 어떤 위치에 있는지 살펴봅니다.
모델 개요#
두 프레임워크 모두 2022년에 등장하여 산업용 애플리케이션을 위한 강력한 대안으로 자리 잡았으며, 정교한 기술을 활용하여 정확도와 추론 속도의 한계를 넓혔습니다.
DAMO-YOLO#
Alibaba Group에서 개발한 DAMO-YOLO는 자동화된 검색 기법과 고급 피처 융합에 크게 의존하여 지연 시간과 정확도의 트레이드오프를 최적화하기 위한 여러 가지 새로운 기법을 도입했습니다.
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 조직: Alibaba Group
- 날짜: 2022-11-23
- Arxiv: DAMO-YOLO: A Report on Real-Time Object Detection Design
- GitHub: tinyvision/DAMO-YOLO
- Docs: DAMO-YOLO README
DAMO-YOLO는 하드웨어 효율성에 최적화된 백본을 자동으로 설계하기 위해 다중 스케일 아키텍처 탐색(MAE-NAS)을 사용합니다. 또한, 넥 특징 융합을 위한 효율적인 RepGFPN(재매개변수화된 일반화된 특징 피라미드 네트워크)과 경량 "ZeroHead" 설계를 특징으로 합니다. 나아가 학습 과정에서 증류 기술에 크게 의존하여 학생 모델의 표현력을 향상합니다.
PP-YOLOE+#
Baidu PaddlePaddle 팀의 PP-YOLOE+는 PP-YOLOE 아키텍처를 점진적으로 업그레이드한 버전입니다. 대규모 사전 훈련과 정교한 손실 함수에 초점을 맞추어, 특히 기본 딥러닝 프레임워크 내에서 높은 mAP를 제공합니다.
- 저자: PaddlePaddle 저자진
- 조직: Baidu
- 날짜: 2022-04-02
- Arxiv: PP-YOLOE: An evolved version of YOLO
- GitHub: PaddlePaddle/PaddleDetection
- Docs: PP-YOLOE+ Configs
PP-YOLOE+는 CSPRepResNet 백본과 ET-head(Efficient Task-aligned head)를 활용합니다. "plus" 버전은 Objects365 데이터셋에 대한 강력한 사전 학습 전략을 도입하여, 다양한 실제 환경에서 일반화 성능을 크게 향상했습니다.
아키텍처 비교#
이 두 모델 간의 설계 철학 차이는 이상적인 사용 사례와 하드웨어 호환성에 큰 영향을 미칩니다.
특징 융합 및 백본#
DAMO-YOLO의 MAE-NAS 생성 백본은 엣지 디바이스에 매우 최적화되어 있으며, 종종 유리한 속도 대 파라미터 비율을 제공합니다. 그러나 이러한 커스텀 아키텍처는 인스턴스 분할(instance segmentation)과 같은 새로운 작업에 적응하기에 엄격하고 복잡할 수 있습니다. RepGFPN 넥은 멀티 스케일 피처 융합을 향상시키지만 재매개변수화(re-parameterization) 내보내기 단계에서 복잡성을 가중시킵니다.
PP-YOLOE+는 더욱 전통적이면서도 매우 효과적인 CSPRepResNet에 의존합니다. 이 백본은 유사한 정확도를 위해 DAMO-YOLO보다 더 큰 매개변수 공간을 차지하지만, 학습 시 매우 안정적이며 기존 파이프라인에 통합하기 쉽습니다. ET-head는 분류 및 회귀를 효율적으로 처리하지만, 여전히 Non-Maximum Suppression(NMS)과 같은 후처리 단계가 필요합니다.
DAMO-YOLO와 PP-YOLOE+ 모두 바운딩 박스 후처리를 위해 NMS가 필요합니다. 추론 지연 시간이 중요한 경우, 기본적으로 End-to-End NMS-Free Design을 특징으로 하는 Ultralytics YOLO26 사용을 고려해 보세요. 이 획기적인 접근 방식은 NMS 후처리를 제거하여 더 빠르고 단순한 배포 파이프라인을 제공합니다.
성능 및 지표 분석#
프로덕션을 위해 이러한 모델을 평가할 때는 정확도(mAP), 추론 속도 및 매개변수 크기 간의 균형이 중요합니다. 아래는 주요 변형들에 대한 직접적인 비교입니다.
| 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 NAS 최적화 백본 덕분에 일반적으로 소형(s) 및 초소형(t) 스케일에서 더 낮은 지연 시간을 달성합니다. 그러나 PP-YOLOE+는 중형(m) 및 대형(l) 계층에서 매우 뛰어난 확장성을 보여주며, T4 TensorRT 속도에는 다소 불리할 수 있지만 훨씬 더 높은 mAP 점수를 자랑합니다.
메모리 요구 사항 및 학습 효율성#
DAMO-YOLO가 증류(distillation)에 의존한다는 것은 더 작은 학생 모델을 훈련하기 전에 훨씬 더 큰 교사 모델을 먼저 훈련해야 하는 경우가 많다는 것을 의미합니다. 이는 CUDA 메모리 요구 사항과 전체 계산 예산을 급격히 증가시킵니다. PP-YOLOE+는 표준 단일 단계(single-stage) 훈련으로 이를 단순화하지만 PaddlePaddle 프레임워크와 밀접하게 결합되어 있어 PyTorch에 익숙한 팀에게는 유연성이 제한될 수 있습니다.
대조적으로, 최신 Ultralytics YOLO26 모델은 이러한 병목 현상을 해결합니다. LLM 훈련 혁신에서 영감을 받은 SGD와 Muon의 하이브리드인 새로운 MuSGD Optimizer를 활용하여, YOLO26은 복잡한 증류 파이프라인 없이도 더 빠른 수렴과 매우 안정적인 훈련을 달성합니다. 또한, YOLO 모델은 RT-DETR과 같은 트랜스포머 기반 디텍터에 비해 훈련 중에 훨씬 적은 CUDA 메모리를 필요로 합니다.
실제 애플리케이션 및 이상적인 사용 사례#
DAMO-YOLO를 사용해야 하는 경우#
DAMO-YOLO는 지연 시간이 궁극적인 병목 현상인 고처리량 엣지 추론에 이상적입니다. 엔지니어링 팀이 복잡한 증류 및 재매개변수화 프로세스를 관리할 역량이 있다면, 소형 모델 변형들은 교통 관리 시스템이나 기본 드론 감시 같은 환경에서 탁월한 성능을 발휘합니다.
PP-YOLOE+를 사용해야 할 때#
PP-YOLOE+는 바이두 생태계에 이미 깊게 관여되어 있거나 대규모 서버 배포를 실행 중일 때 빛을 발합니다. 인상적인 mAP 덕분에 복잡한 의료 이미지 분석이나 고밀도 제조 결함 감지에 적합합니다.
Ultralytics의 장점#
DAMO-YOLO와 PP-YOLOE+ 모두 특정한 국소적 장점을 제공하지만, 최대의 범용성, 속도, 사용 편의성을 추구하는 개발자들은 지속적으로 Ultralytics Platform을 선택하고 있습니다.
컴퓨터 비전 파이프라인을 업그레이드할 때, Ultralytics YOLO26은 독보적인 개발자 경험을 제공합니다.
- 최대 43% 더 빠른 CPU 추론: Distribution Focal Loss(DFL)를 완전히 제거함으로써 YOLO26은 엣지 CPU 및 저전력 IoT 디바이스에서 놀라울 정도로 빠릅니다.
- 개선된 소형 객체 감지: ProgLoss 및 STAL 손실 함수의 통합은 항공 이미지에 필수적인 소형 객체 인식 능력을 극적으로 향상시킵니다.
- 광범위한 범용성: 감지에만 엄격하게 초점을 맞추는 PP-YOLOE+와 달리, YOLO26은 작업별 아키텍처 개선을 통해 포즈 추정(pose estimation), 회전된 바운딩 박스(OBB), 그리고 시맨틱 분할을 매끄럽게 처리합니다.
결론#
DAMO-YOLO와 PP-YOLOE+는 앵커 프리 객체 탐지 발전의 중요한 이정표를 나타냅니다. DAMO-YOLO는 엣지 지연 시간을 위한 신경망 아키텍처 탐색의 한계를 밀어붙였고, PP-YOLOE+는 대규모 사전 학습의 힘을 입증했습니다.
그러나 속도, 정확도, 배포 단순성의 최적의 균형을 찾는 개발자에게 Ultralytics YOLO26 모델은 확실한 선택입니다. NMS 없는 아키텍처, 강력한 Python API, 그리고 Weights & Biases 및 TensorRT 같은 도구와의 원활한 통합을 통해 프로젝트가 프로토타입에서 프로덕션으로 원활하게 전환될 수 있도록 보장합니다.
시작할 준비가 되셨나요? Ultralytics 빠른 시작 가이드를 살펴보거나 YOLO11 vs DAMO-YOLO 개요에서 더 많은 모델을 비교해 보세요.