DAMO-YOLO와 YOLO11 비교
다음 컴퓨터 비전 프로젝트에 사용할 실시간 객체 감지 아키텍처를 선택할 때는 주요 모델 간의 차이를 이해하는 것이 도움이 됩니다. 이 가이드에서는 DAMO-YOLO와 Ultralytics YOLO11의 아키텍처, 성능 지표, 학습 방식 및 적합한 배포 시나리오를 기술적으로 비교합니다.
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 Neural Architecture Search(NAS)에 크게 의존합니다. 효율적인 RepGFPN(Reparameterized Generalized Feature Pyramid Network)을 사용해 특징 융합을 강화하고, ZeroHead 설계를 통해 이전 아키텍처에서 사용된 무거운 예측 헤드의 규모를 크게 줄입니다. NAS 기반 접근 방식으로 DAMO-YOLO는 일부 GPU에서 특정 효율성을 달성하지만, 그 결과로 만들어지는 아키텍처는 다양한 엣지 디바이스에 일반화하는 데 필요한 유연성이 부족할 수 있습니다.
반면 YOLO11은 수년간 축적된 기초 연구를 바탕으로 최적화된 수작업 아키텍처를 제공합니다. 간결한 백본과 중복 연산을 줄이는 효율적인 넥에 중점을 둡니다. YOLO11의 주요 장점 중 하나는 개선된 파라미터 효율성입니다. RT-DETR와 같은 Transformer 기반 모델에서 흔히 필요한 대용량 VRAM 없이도 높은 특징 표현 능력을 달성합니다. 덕분에 YOLO11은 일반 사용자용 GPU, 모바일 디바이스, 특수 엣지 가속기에서 원활하게 실행할 수 있는 다목적 모델입니다.
성능 및 지표#
성능을 평가할 때는 전체 정확도만 볼 것이 아니라 속도, 모델 크기, 연산 부하(FLOPs) 간의 균형도 고려해야 합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 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 보듯 YOLO11은 우수한 성능 균형을 제공합니다. 예를 들어 YOLO11s 변형은 DAMO-YOLOs보다 정확도가 높으면서도 파라미터 규모는 훨씬 작습니다. 메모리 요구량의 감소는 배포 비용 절감과 엣지 디바이스에서의 민첩한 성능으로 이어집니다.
학습 방법 및 사용성#
개발자는 학습 파이프라인에서 많은 시간을 보내므로 학습 효율성이 중요한 고려 사항입니다.
DAMO-YOLO는 지식 증류에 크게 의존하는 다단계 학습 과정을 사용합니다. 레이블 할당에 AlignedOTA(Optimal Transport Assignment)를 활용하며, 대형 "교사" 모델을 학습해 소형 "학생" 모델에 지식을 증류해야 하는 경우가 많습니다. 이 방법은 CUDA 메모리 사용량과 수렴에 필요한 전체 연산 시간을 크게 늘립니다.
반대로 Ultralytics 생태계는 모델 학습의 복잡성을 추상화합니다. YOLO11은 사용 편의성을 고려해 설계되었으며, 간결한 Python API와 포괄적인 CLI를 제공하므로 엔지니어는 명령 하나로 커스텀 데이터셋 학습을 시작할 수 있습니다. 학습 파이프라인은 리소스 효율이 높고 메모리 급증을 최소화하므로, 표준 하드웨어에서도 더 큰 모델을 학습할 수 있습니다.
Ultralytics 모델을 학습하는 데는 상용구 코드가 필요하지 않습니다. 내장된 데이터 로딩, 증강, 손실 계산 파이프라인을 바로 사용할 수 있습니다.
다음은 Ultralytics 모델을 학습하고 내보내는 간단한 예시입니다.
from ultralytics import YOLO
# 사전 학습된 YOLO11 소형 모델을 불러옵니다
model = YOLO("yolo11s.pt")
# 사용자 지정 데이터 세트로 모델을 학습합니다.
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# 학습된 모델을 배포용으로 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 감지 전용 프레임워크입니다. 재매개변수화 연구를 진행하거나 특정 Neural Architecture Search 실험을 재현하는 학술 연구에 적합합니다. NAS로 생성한 백본에 맞는 특정 GPU 가속기가 갖춰진, 제약이 엄격한 산업 환경에도 배포할 수 있습니다.
Ultralytics의 강점#
YOLO11을 포함한 Ultralytics 모델은 다목적이며 잘 유지 관리되는 생태계를 갖춰 상용 애플리케이션에서 널리 사용됩니다. DAMO-YOLO와 달리 Ultralytics 프레임워크는 여러 작업을 기본적으로 지원합니다. 의료 영상의 인스턴스 세그멘테이션부터 스포츠 생체역학 분석을 위한 포즈 추정까지, 하나의 통합 코드베이스로 모두 처리할 수 있습니다.
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: 단일 통합 프레임워크에서 객체 감지, 세그멘테이션, 포즈 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.
- NMS 프리 엣지 배포: 비최대 억제 (NMS) 후처리의 복잡성 없이 일관되고 낮은 지연 시간으로 추론해야 하는 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 장치에서는 YOLO26이 최대 43% 더 빠른 CPU 추론 속도(YOLO26n과 YOLO11n 비교)를 제공하므로 확실한 이점을 얻을 수 있습니다.
- 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 선택이지만, 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 새 프로젝트를 시작하는 개발자에게는 최신 YOLO26 모델을 시작점으로 권장합니다.
2026년 1월에 출시된 YOLO26에는 다음과 같은 여러 개선 사항이 포함되어 있습니다.
- 엔드투엔드 NMS-Free 설계: 선택 사항인 일대일 헤드(
nms=False)를 사용하면 YOLO26은 Non-Maximum Suppression 후처리를 생략하여 더 빠르고 예측 가능한 추론 시간과 간소화된 배포 파이프라인을 제공합니다. - 최대 43% 더 빠른 CPU 추론: Distribution Focal Loss(DFL)를 제거한 YOLO26n은 YOLO11n보다 CPU에서 최대 43% 빠르게 실행되며, 전용 GPU가 없는 엣지 및 저전력 디바이스에 적합합니다.
- MuSGD 옵티마이저: Moonshot AI에서 영감을 받은 LLM 학습 기법을 비전 분야에 적용한 이 하이브리드 옵티마이저는 학습 중 안정적이고 빠른 수렴을 지원합니다.
- 고급 학습 기법: ProgLoss + STAL을 적용한 YOLO26은 소형 객체 인식 성능을 향상합니다. 이는 항공 영상과 로보틱스에 매우 중요합니다.
결론#
DAMO-YOLO와 YOLO11은 모두 빠르고 정확한 컴퓨터 비전의 발전에 크게 기여했습니다. DAMO-YOLO는 아키텍처 탐색과 증류에 관한 흥미로운 학술적 통찰을 제공하지만, Ultralytics YOLO11(및 더 최신 모델인 YOLO26)은 더욱 원활한 개발자 경험을 제공합니다.
메모리 요구량이 낮고, 문서가 풍부하며, 멀티태스크 기능을 제공하고, Ultralytics Platform과 통합된 Ultralytics 모델은 견고하고 확장 가능한 AI 솔루션을 구축하려는 연구자와 기업 엔지니어에게 여전히 가장 적합한 선택입니다. 다른 고급 아키텍처를 살펴보려면 YOLO26과 RT-DETR 비교를 통해 Transformer 기반 대안에 관한 추가 정보를 확인할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.