DAMO-YOLO와 PP-YOLOE+ 비교#
경쟁이 치열한 실시간 컴퓨터 비전 분야에서는 특정 배포 요구사항에 맞는 최적의 아키텍처를 선택하는 것이 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 솔루션과 이 모델들을 비교합니다.
모델 개요#
두 프레임워크는 모두 2022년에 등장해 산업용 애플리케이션을 위한 강력한 대안으로 자리 잡았으며, 정교한 기법을 활용해 정확도와 추론 속도의 한계를 확장했습니다.
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.
- 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 감지 설계 보고서
- GitHub: tinyvision/DAMO-YOLO
- 문서: DAMO-YOLO README
DAMO-YOLO는 최대 엔트로피 신경망 아키텍처 탐색(MAE-NAS)을 사용해 하드웨어 효율성에 최적화된 백본을 자동으로 설계합니다. 또한 넥 특징 융합을 위한 효율적인 RepGFPN(재매개변수화된 일반화 특징 피라미드 네트워크)과 경량 "ZeroHead" 설계를 갖추고 있습니다. 아울러 학습 중 증류 기법을 적극 활용해 학생 모델의 표현력을 높입니다.
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.
- 저자: PaddlePaddle 저자
- 조직: Baidu
- 날짜: 2022-04-02
- Arxiv: PP-YOLOE: 진화된 YOLO 버전
- GitHub: PaddlePaddle/PaddleDetection
- 문서: PP-YOLOE+ 구성 파일
PP-YOLOE+는 CSPRepResNet 백본과 ET-head(효율적인 작업 정렬 헤드)를 사용합니다. "plus" 버전은 Objects365 데이터셋에 대한 강력한 사전 학습 전략을 도입하여 다양한 실제 환경에 대한 일반화 성능을 크게 높였습니다.
아키텍처 비교#
두 모델의 설계 철학 차이는 이상적인 활용 사례와 하드웨어 호환성에 큰 영향을 미칩니다.
특징 융합 및 백본#
DAMO-YOLO의 MAE-NAS가 생성한 백본은 엣지 디바이스에 맞게 세밀하게 조정되어 매개변수 대비 속도 비율이 우수한 경우가 많습니다. 하지만 이러한 맞춤형 아키텍처는 경직되어 있어 인스턴스 세그멘테이션과 같은 새로운 작업에 적용하기 어려울 수 있습니다. RepGFPN 넥은 멀티스케일 특징 융합을 개선하지만, 재매개변수화 내보내기 단계에서 복잡성을 높입니다.
PP-YOLOE+는 보다 전통적이지만 매우 효과적인 CSPRepResNet에 의존합니다. 비슷한 정확도를 내려면 DAMO-YOLO보다 더 많은 매개변수가 필요하지만, 학습 안정성이 높고 기존 파이프라인에 통합하기도 쉽습니다. ET-head는 분류와 회귀를 효율적으로 처리하지만, 비최대 억제(NMS)와 같은 후처리 단계는 여전히 필요합니다.
DAMO-YOLO와 PP-YOLOE+는 모두 바운딩 박스 후처리에 NMS가 필요합니다. 추론 지연 시간이 중요하다면, 선택적 일대일 헤드를 통해 네이티브 종단 간 NMS 미사용 설계를 제공하는 Ultralytics YOLO26(nms=False)을 고려하시기 바랍니다. 이 획기적인 접근 방식은 NMS 후처리를 없애 더 빠르고 간결한 배포 파이프라인을 구현합니다.
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.
| 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 |
| 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 초소형(t) 및 소형(s) 규모에서 더 높은 정확도를 제공하며, NAS 최적화 백본 덕분에 DAMO-YOLOt는 여기 소개된 모델 중 T4 TensorRT 지연 시간이 가장 낮습니다. 반면 PP-YOLOE+는 중형(m) 및 대형(l) 단계로 확장할 때 성능이 매우 뛰어나 더 높은 mAP 점수를 달성하지만 T4 TensorRT 속도는 약간 낮아집니다.
메모리 요구량 및 학습 효율성#
DAMO-YOLO는 증류에 의존하므로 소형 학생 모델을 학습하기 전에 훨씬 큰 교사 모델을 먼저 학습해야 하는 경우가 많습니다. 이로 인해 CUDA 메모리 요구량과 전체 계산 예산이 크게 증가합니다. PP-YOLOE+는 표준 단일 단계 학습으로 이 과정을 단순화하지만, PaddlePaddle 프레임워크에 긴밀하게 묶여 있어 PyTorch에 익숙한 팀의 유연성을 제한할 수 있습니다.
반면 최신 Ultralytics YOLO26 모델은 이러한 병목을 해결합니다. LLM 학습 혁신에서 영감을 얻은 SGD와 Muon의 하이브리드인 새로운 MuSGD 옵티마이저를 사용해, YOLO26은 복잡한 증류 파이프라인 없이 더 빠른 수렴과 매우 안정적인 학습을 실현합니다. 또한 YOLO 모델은 일반적으로 RT-DETR과 같은 Transformer 기반 감지기보다 학습 중 필요한 CUDA 메모리가 훨씬 적습니다.
실제 애플리케이션과 적합한 사용 사례#
DAMO-YOLO를 사용하기 좋은 경우#
DAMO-YOLO는 지연 시간이 가장 큰 병목인 고처리량 엣지 추론에 적합합니다. 소형 변형 모델은 교통 관리 시스템이나 기본적인 드론 감시와 같은 환경에서 뛰어난 성능을 발휘합니다. 단, 엔지니어링 팀이 복잡한 증류 및 재매개변수화 프로세스를 관리할 여력이 있어야 합니다.
PP-YOLOE+를 사용하는 경우#
Baidu 에코시스템에 이미 깊이 투자했거나 대규모 서버 배포를 운영 중인 경우 PP-YOLOE+가 강점을 발휘합니다. 뛰어난 mAP 덕분에 복잡한 의료 이미지 분석이나 밀집된 제조 결함 감지에 적합합니다.
Ultralytics의 강점#
DAMO-YOLO와 PP-YOLOE+ 모두 특정 분야에서 장점이 있지만, 다용성, 속도, 사용 편의성을 극대화하려는 개발자들은 꾸준히 Ultralytics Platform을 선택합니다.
컴퓨터 비전 파이프라인을 업그레이드할 때 Ultralytics YOLO26은 탁월한 개발자 경험을 제공합니다.
- 최대 43% 더 빠른 CPU 추론: Distribution Focal Loss(DFL)를 완전히 제거한 YOLO26은 엣지 CPU와 저전력 IoT 디바이스에서 매우 빠르게 실행됩니다.
- 향상된 소형 객체 감지: ProgLoss 및 STAL 손실 함수를 통합하여 소형 객체 인식 성능을 크게 향상합니다. 이는 항공 이미지에서 매우 중요합니다.
- 폭넓은 다용성: 감지에만 초점을 맞추는 PP-YOLOE+와 달리 YOLO26은 작업별 아키텍처 개선을 통해 자세 추정, 회전 경계 상자(OBB), 시맨틱 세그멘테이션을 원활하게 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.
하지만 속도, 정확도, 배포 편의성의 균형을 가장 중요하게 여기는 개발자에게 Ultralytics YOLO26 모델은 확실한 선택입니다. NMS-free 아키텍처와 견고한 Python API, Weights & Biases 및 TensorRT와 같은 도구와의 원활한 통합을 통해 프로젝트를 프로토타입에서 프로덕션까지 순조롭게 진행할 수 있습니다.
시작할 준비가 되셨나요? Ultralytics 빠른 시작 가이드를 살펴보거나 YOLO11과 DAMO-YOLO 비교 개요에서 더 많은 모델을 비교해 보세요.