DAMO-YOLO와 YOLO11 비교#
다음 컴퓨터 비전 프로젝트에 사용할 실시간 객체 탐지 아키텍처를 선택할 때는 주요 모델 간의 차이를 이해하는 것이 중요합니다. 이 종합 가이드에서는 DAMO-YOLO와 Ultralytics YOLO11의 아키텍처, 성능 지표, 학습 방법론, 실제 배포에 적합한 시나리오를 심층적으로 기술 분석합니다.
DAMO-YOLO 세부 정보:
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 기관: Alibaba Group
- 날짜: 2022-11-23
- Arxiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
- 문서: DAMO-YOLO 문서
YOLO11 세부 정보:
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: ultralytics/ultralytics
- 문서: YOLO11 문서
아키텍처 설계 철학#
객체 탐지 모델의 기반 아키텍처는 추론 속도와 정확도, 다양한 하드웨어 환경에 대한 적응성을 좌우합니다.
DAMO-YOLO는 여러 학술적 혁신을 도입했으며, 백본을 자동으로 설계하기 위해 신경망 아키텍처 탐색(NAS)에 크게 의존합니다. 효율적인 RepGFPN(재매개변수화된 일반화 특징 피라미드 네트워크)을 활용해 특징 융합을 강화하고, ZeroHead 설계로 이전 아키텍처에서 흔히 볼 수 있는 대규모 예측 헤드의 크기를 크게 줄입니다. NAS 기반 접근 방식 덕분에 DAMO-YOLO는 일부 GPU에서 특정 효율성을 달성할 수 있지만, 결과 아키텍처가 다양한 엣지 디바이스 전반에 원활하게 일반화하는 데 필요한 유연성이 부족할 때도 있습니다.
반면 YOLO11은 오랜 기반 연구를 바탕으로 고도로 최적화된 수작업 설계 아키텍처를 제공합니다. 간소화된 백본과 중복 연산을 줄이는 고효율 넥에 중점을 둡니다. YOLO11의 주요 장점 중 하나는 개선된 파라미터 효율성입니다. RT-DETR과 같은 Transformer 기반 모델에서 일반적인 대규모 VRAM 요구량 없이 높은 특징 표현력을 구현합니다. 따라서 YOLO11은 소비자용 GPU, 모바일 디바이스, 특수 엣지 가속기에서 원활하게 실행할 수 있어 활용 범위가 매우 넓습니다.
성능 및 지표#
성능을 평가할 때는 전체 정확도만 볼 것이 아니라 속도, 모델 크기, 연산 부하(FLOPs) 간의 균형도 고려해야 합니다.
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
표에서 볼 수 있듯이 YOLO11은 매우 우수한 성능 균형을 제공합니다. 예를 들어 YOLO11s 변형은 DAMO-YOLOs보다 훨씬 적은 파라미터를 사용하면서 더 높은 정확도를 달성합니다. 메모리 요구량이 줄어들면 배포 비용이 직접적으로 낮아지고 엣지 디바이스에서 더 민첩하게 동작합니다.
학습 방법 및 사용성#
개발자는 대부분의 시간을 학습 파이프라인에 사용하므로 학습 효율성이 매우 중요합니다.
DAMO-YOLO는 지식 증류에 크게 의존하는 다단계 학습 프로세스를 사용합니다. 레이블 할당에 AlignedOTA(최적 수송 할당)를 활용하며, 더 큰 "교사" 모델을 학습해 더 작은 "학생" 모델에 지식을 증류해야 하는 경우가 많습니다. 이 방법론은 최적의 수렴에 필요한 CUDA 메모리 사용량과 전체 연산 시간을 크게 늘립니다.
반면 Ultralytics 생태계는 모델 학습의 복잡성을 추상화합니다. YOLO11은 사용 편의성을 극대화하도록 설계되었으며, 간소화된 Python API와 포괄적인 CLI 인터페이스를 제공하므로 엔지니어는 단일 명령으로 사용자 지정 데이터셋 학습을 시작할 수 있습니다. 학습 파이프라인은 본질적으로 리소스 효율적이며 메모리 급증을 최소화해 표준 하드웨어에서도 더 큰 모델을 학습할 수 있습니다.
Ultralytics 모델 학습에는 상용구 코드가 전혀 필요하지 않습니다. 내장된 데이터 로딩, 증강, 손실 계산 파이프라인은 기본적으로 완전히 최적화되어 있습니다.
Ultralytics 모델을 학습하고 배포하는 과정이 얼마나 간단한지 보여주는 간단한 예시입니다.
from ultralytics import YOLO
# 사전 학습된 YOLO11 소형 모델을 불러옵니다
model = YOLO("yolo11s.pt")
# 사용자 지정 데이터셋으로 간편하게 모델 학습
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# 원활한 배포를 위해 학습된 모델을 ONNX로 내보내기
model.export(format="onnx")실제 애플리케이션 및 활용성#
이러한 아키텍처 중 무엇을 선택할지는 배포 환경에서 필요한 작업의 범위에 따라 달라지는 경우가 많습니다.
DAMO-YOLO의 적합한 활용 분야#
DAMO-YOLO는 객체 탐지 전용 프레임워크입니다. 재매개변수화를 연구하거나 특정 신경망 아키텍처 탐색 실험을 재현하는 학술 연구 환경에서 탁월한 성능을 발휘합니다. 또한 특정 GPU 가속기가 NAS로 생성된 백본과 완벽하게 부합하는, 제약이 엄격한 산업 환경에도 배포할 수 있습니다.
Ultralytics의 강점#
YOLO11을 비롯한 Ultralytics 모델은 탁월한 활용성과 체계적으로 관리되는 생태계 덕분에 실제 상업용 애플리케이션에서 뛰어난 성능을 발휘합니다. DAMO-YOLO와 달리 Ultralytics 프레임워크는 여러 작업을 기본적으로 지원합니다. 의료 영상의 인스턴스 분할부터 스포츠 생체역학 분석을 위한 자세 추정까지, 통합된 단일 코드베이스로 모든 작업을 처리합니다.
YOLO11을 활용하는 산업 분야는 다음과 같습니다.
- 스마트 농업: 객체 탐지를 활용해 작물 상태를 모니터링하고 수확 기계를 자동화합니다.
- 리테일 분석: 스마트 감시를 도입해 고객 유동량을 분석하고 재고 관리를 자동화합니다.
- 물류 및 공급망: 빠르게 움직이는 컨베이어 벨트에서 방향성 바운딩 박스(OBB)를 활용해 바코드와 패키지를 고속으로 탐지합니다.
사용 사례 및 권장 사항#
DAMO-YOLO와 YOLO11 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구사항, 배포 제약 조건, 선호하는 생태계에 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.
YOLO11을 선택해야 하는 경우#
YOLO11은 다음과 같은 경우에 권장됩니다:
- 프로덕션 엣지 배포: 안정성과 지속적인 유지 관리가 가장 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서 상용 애플리케이션을 실행하는 경우입니다.
- 멀티태스크 비전 애플리케이션: 하나의 통합 프레임워크에서 감지, 분할, 자세 추정, OBB가 필요한 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션 배포까지 빠르게 진행해야 하는 팀에 적합합니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
차세대 모델: YOLO26 소개#
YOLO11은 여전히 강력하고 신뢰할 수 있는 선택지이지만, 컴퓨터 비전 분야는 빠르게 변화하고 있습니다. 새로운 프로젝트를 시작하는 개발자에게 최신 YOLO26 모델은 새로운 최첨단 기술을 대표합니다.
2026년 1월에 출시된 YOLO26은 여러 획기적인 발전을 도입했습니다.
- 종단 간 NMS-Free 설계: 선택적 일대일 헤드(
nms=False)를 사용하는 YOLO26은 비최대 억제 후처리 단계를 생략하여 더 빠르고 결정론적인 추론 시간을 보장하며 배포 파이프라인을 크게 단순화합니다. - 최대 43% 빠른 CPU 추론: Distribution Focal Loss(DFL)를 제거한 덕분에 전용 GPU가 없는 엣지 및 저전력 디바이스에 특히 적합합니다.
- MuSGD 옵티마이저: Moonshot AI에서 영감을 얻은 LLM 학습 혁신을 통합한 하이브리드 옵티마이저로 안정적이고 빠른 학습 수렴을 보장합니다.
- 고급 손실 함수: ProgLoss + STAL을 활용하는 YOLO26은 항공 영상 및 로보틱스에서 중요한 소형 객체 인식 성능을 크게 개선합니다.
결론#
DAMO-YOLO와 YOLO11은 모두 빠르고 정확한 컴퓨터 비전의 발전에 크게 기여했습니다. DAMO-YOLO는 아키텍처 탐색과 증류에 관한 흥미로운 학술적 통찰을 제공하는 반면, Ultralytics YOLO11과 획기적인 YOLO26은 더 나은 개발자 경험을 제공합니다.
더 낮은 메모리 요구량, 방대한 문서, 멀티태스크 기능, 강력한 Ultralytics Platform과의 통합을 바탕으로 Ultralytics 모델은 견고하고 확장 가능한 AI 솔루션을 구축하려는 연구자와 기업 엔지니어에게 여전히 가장 추천할 만한 선택입니다. 다른 고급 아키텍처를 살펴보고 싶다면 YOLO26과 RT-DETR 비교를 통해 Transformer 기반 대안에 대한 추가 정보를 확인할 수 있습니다.