DAMO-YOLO와 YOLO11#
다음 컴퓨터 비전 프로젝트를 위한 실시간 객체 검출 아키텍처를 선택할 때는 주요 모델 간의 세부적인 차이를 이해하는 것이 중요합니다. 이 종합 가이드는 DAMO-YOLO와 Ultralytics YOLO11을 비교하는 심층적인 기술 분석을 제공하며, 두 모델의 아키텍처, 성능 지표, 학습 방법론 및 실제 배포 시나리오에 적합한 활용 사례를 살펴봅니다.
DAMO-YOLO 세부 정보:
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 조직: 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 검출 모델의 기반 아키텍처는 추론 속도, 정확도 및 다양한 하드웨어 환경에 대한 적응성을 결정합니다.
DAMO-YOLO는 여러 학술적 혁신을 도입했으며, 신경망 아키텍처 탐색(NAS)에 크게 의존하여 백본을 자동으로 설계합니다. 효율적인 RepGFPN(재매개변수화된 일반화 특징 피라미드 네트워크)을 활용하여 특징 융합을 강화하고, 이전 아키텍처에서 흔히 사용되던 무거운 예측 헤드의 규모를 크게 줄이는 ZeroHead 설계를 사용합니다. 이러한 NAS 기반 접근 방식은 DAMO-YOLO가 특정 GPU에서 특정 수준의 효율성을 달성하도록 지원하지만, 그 결과 생성된 아키텍처는 다양한 엣지 디바이스에 원활하게 일반화하는 데 필요한 유연성이 부족할 수 있습니다.
반면 YOLO11은 수년간 축적된 기초 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 일반적으로 요구되는 많은 VRAM 없이도 높은 수준의 특징 표현을 달성합니다. 따라서 YOLO11은 소비자용 GPU, 모바일 디바이스 및 특수 엣지 가속기에서 원활하게 실행할 수 있는 뛰어난 범용성을 제공합니다.
성능 및 지표#
성능을 평가할 때는 최고 정확도만 보는 것이 아니라 속도, 모델 크기 및 계산 부하(FLOPs) 간의 균형을 고려해야 합니다.
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
표에서 확인할 수 있듯이 YOLO11은 매우 유리한 성능 균형을 달성합니다. 예를 들어 YOLO11s 변형은 훨씬 더 작은 파라미터 규모를 유지하면서 DAMO-YOLOs보다 높은 정확도를 보입니다. 메모리 요구 사항이 감소하면 배포 비용이 직접적으로 낮아지고 엣지 디바이스에서 더욱 민첩한 성능을 발휘할 수 있습니다.
학습 방법론 및 사용 편의성#
개발자는 대부분의 시간을 학습 파이프라인에 사용하므로 학습 효율성은 매우 중요한 고려 사항입니다.
DAMO-YOLO는 지식 증류에 크게 의존하는 다단계 학습 프로세스를 사용합니다. 레이블 할당에는 AlignedOTA(최적 수송 할당)를 활용하며, 더 큰 "teacher" 모델을 학습하여 더 작은 "student" 모델에 지식을 증류해야 하는 경우가 많습니다. 이 방법론은 최적의 수렴에 필요한 CUDA 메모리 사용량과 전체 계산 시간을 크게 증가시킵니다.
반대로 Ultralytics 생태계는 모델 학습의 복잡성을 추상화합니다. YOLO11은 간소화된 Python API와 포괄적인 CLI 인터페이스를 제공하여 뛰어난 사용 편의성을 갖추도록 설계되었으며, 엔지니어는 단일 명령으로 사용자 지정 데이터셋의 학습을 시작할 수 있습니다. 학습 파이프라인은 본질적으로 리소스 효율적이며 메모리 급증을 최소화하므로, 일반적인 하드웨어에서도 더 큰 모델을 학습할 수 있습니다.
Ultralytics 모델을 학습하는 데는 보일러플레이트 코드가 전혀 필요하지 않습니다. 기본 제공 데이터 로딩, 증강 및 손실 계산 파이프라인은 즉시 사용할 수 있도록 완전히 최적화되어 있습니다.
다음은 Ultralytics 모델을 얼마나 간단하게 학습하고 배포할 수 있는지 보여주는 간단한 예시입니다.
from ultralytics import YOLO
# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model effortlessly on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Export the trained model to ONNX for seamless deployment
model.export(format="onnx")실제 애플리케이션과 범용성#
이러한 아키텍처 중 무엇을 선택할지는 배포 환경에 필요한 작업의 범위에 따라 결정되는 경우가 많습니다.
DAMO-YOLO의 적합한 활용 분야#
DAMO-YOLO는 엄격한 객체 검출 프레임워크입니다. 이 프레임워크는 팀이 재매개변수화를 탐색하거나 특정 신경망 구조 탐색 실험을 재현하는 학술 연구 환경에서 뛰어난 성능을 발휘합니다. 또한, 매우 특정한 GPU 가속기가 NAS 생성 백본과 완벽하게 일치하는 엄격하게 제한된 산업 환경에서도 배포될 수 있습니다.
Ultralytics의 강점#
YOLO11을 포함한 Ultralytics 모델은 비할 데 없는 범용성과 잘 유지보수되는 생태계 덕분에 실제 상업용 애플리케이션에서 빛을 발합니다. DAMO-YOLO와 달리 Ultralytics 프레임워크는 여러 작업을 네이티브로 지원합니다. 의료 영상의 Instance Segmentation부터 스포츠 생체 역학 분석을 위한 Pose Estimation에 이르기까지 단일하고 통합된 코드베이스가 모든 것을 처리합니다.
YOLO11을 활용하는 산업 분야는 다음과 같습니다.
- 스마트 농업: 객체 검출을 활용하여 작물 상태를 모니터링하고 수확 장비를 자동화합니다.
- 리테일 분석: 스마트 감시를 구현하여 고객 이동을 분석하고 재고 관리를 자동화합니다.
- 물류 및 공급망: 빠르게 이동하는 컨베이어 벨트에서 방향성 바운딩 박스(OBB)를 사용하여 고속으로 바코드와 패키지를 검출합니다.
사용 사례 및 권장 사항#
DAMO-YOLO와 YOLO11 중 어떤 것을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건 및 생태계 선호도에 따라 달라집니다.
DAMO-YOLO를 선택해야 하는 경우#
DAMO-YOLO가 적합한 경우:
- High-Throughput Video Analytics: batch-1 throughput이 주요 metric인 고정 NVIDIA GPU infrastructure에서 high-FPS video stream을 처리하는 경우입니다.
- Industrial Manufacturing Lines: assembly line에서의 real-time quality inspection과 같이 전용 하드웨어에서 엄격한 GPU latency constraint가 있는 경우입니다.
- Neural Architecture Search Research: automated architecture search(MAE-NAS)와 효율적인 reparameterized backbone이 detection performance에 미치는 영향을 연구하는 경우입니다.
YOLO11을 선택해야 하는 경우#
YOLO11은 다음과 같은 경우에 권장됩니다:
- 프로덕션 엣지 배포: 신뢰성과 지속적인 유지 관리가 무엇보다 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서 실행되는 상용 애플리케이션입니다.
- 멀티태스크 비전 애플리케이션: 단일 통합 프레임워크에서 감지, 세그멘테이션, 포즈 추정, OBB가 필요한 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션까지 빠르게 진행해야 하는 팀입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
- 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 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 성능을 제시합니다.
2026년 1월에 출시된 YOLO26은 다음과 같은 획기적인 발전을 도입합니다.
- 엔드투엔드 NMS-Free 설계: Non-Maximum Suppression 후처리를 제거하여 YOLO26은 더 빠르고 결정론적인 추론 시간을 보장하며 배포 파이프라인을 크게 간소화합니다.
- 최대 43% 향상된 CPU 추론 속도: Distribution Focal Loss(DFL)를 제거하여 전용 GPU가 없는 엣지 및 저전력 디바이스에 매우 적합합니다.
- MuSGD 옵티마이저: LLM 학습 혁신(Moonshot AI에서 영감을 받음)을 통합한 이 하이브리드 옵티마이저는 학습 중 안정적이고 빠른 수렴을 보장합니다.
- 고급 손실 함수: ProgLoss + STAL을 활용하는 YOLO26은 소형 객체 인식에서 주목할 만한 개선을 보이며, 이는 항공 영상 및 로보틱스에 매우 중요합니다.
결론#
DAMO-YOLO와 YOLO11은 모두 빠르고 정확한 컴퓨터 비전의 발전에 크게 기여했습니다. DAMO-YOLO가 아키텍처 탐색과 증류에 관한 흥미로운 학술적 통찰을 제공하는 반면, Ultralytics YOLO11(및 획기적인 YOLO26)은 더욱 뛰어난 개발자 경험을 제공합니다.
더 낮은 메모리 요구 사항, 광범위한 문서, 멀티태스크 기능 및 강력한 Ultralytics Platform과의 통합을 제공하는 Ultralytics 모델은 견고하고 확장 가능한 AI 솔루션을 구축하려는 연구자와 엔터프라이즈 엔지니어에게 여전히 가장 권장되는 선택지입니다. 다른 고급 아키텍처를 살펴보려는 경우 YOLO26과 RT-DETR 비교를 통해 Transformer 기반 대안에 대한 추가적인 통찰을 얻을 수 있습니다.