DAMO-YOLO와 YOLO26#

컴퓨터 비전 분야는 높은 정확도와 낮은 지연 시간의 추론 간 균형을 이루는 아키텍처에 대한 요구를 바탕으로 끊임없이 발전하고 있습니다. 이 비교에서는 DAMO-YOLO와 Ultralytics YOLO26의 기술적 세부 사항을 살펴보고, 아키텍처 혁신, 학습 방법론 및 이상적인 사용 사례를 비교합니다.

엣지 디바이스에 비전 모델을 배포하거나 높은 처리량의 클라우드 파이프라인을 구축하는 경우에 관계없이, 현대 AI 개발에서 정보에 기반한 아키텍처 결정을 내리려면 이러한 모델 간의 차이점을 이해하는 것이 중요합니다.

DAMO-YOLO: 대규모 Neural Architecture Search#

DAMO-YOLO는 Alibaba Group이 개발했으며 2022년 11월 23일에 공개되었습니다. Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun이 설계한 이 모델은 신경망 아키텍처 탐색(NAS)을 사용하여 효율적인 아키텍처를 자동으로 발견하는 데 중점을 둡니다.

ArXiv 논문에서 원본 연구를 검토하거나 DAMO-YOLO GitHub repository에서 소스 코드를 확인할 수 있습니다.

주요 아키텍처 특징#

DAMO-YOLO는 실시간 객체 감지의 한계를 확장하도록 설계된 여러 기술 혁신을 도입합니다.

• MAE-NAS 백본: DAMO-YOLO는 최대 엔트로피 유도 탐색을 활용하여 최적의 백본을 찾습니다. 이러한 NAS 접근 방식은 특정 하드웨어에서 탐지 정확도와 추론 속도의 균형을 엄격하게 유지하는 아키텍처를 찾아냅니다.
• Efficient RepGFPN: 특징 융합을 크게 향상하는 복잡한 neck 설계로, aerial imagery와 같은 복잡한 장면을 분석할 때 특히 유용합니다.
• ZeroHead 설계: 최종 예측 레이어의 계산 복잡도를 최소화하는 대폭 간소화된 detection head입니다.
• AlignedOTA 및 Distillation: DAMO-YOLO는 레이블 할당의 모호성을 해결하기 위해 Aligned Optimal Transport Assignment(AlignedOTA)를 사용하며, 대규모 teacher network를 활용해 소규모 student model의 정확도를 높이는 강력한 knowledge distillation 향상 전략을 함께 적용합니다.

Ultralytics의 강점: YOLO26#

2026년 1월 14일 글렌 조처(Glenn Jocher)와 징 큐(Jing Qiu)가 Ultralytics를 통해 발표한 YOLO26은 접근성이 높고 고성능인 비전 AI의 정점을 나타냅니다. YOLO11과 YOLOv10의 유산을 바탕으로 구축된 YOLO26은 엣지 중심 배포, 멀티태스킹 다목적성, 그리고 뛰어난 사용 편의성을 위해 처음부터 설계되었습니다.

YOLO26의 혁신#

Ultralytics YOLO26은 현대 컴퓨터 비전 애플리케이션에 최적의 선택이 되도록 하는 여러 획기적인 기능을 도입합니다.

• End-to-End NMS-Free 설계: YOLO26은 Non-Maximum Suppression(NMS) 후처리를 기본적으로 제거합니다. YOLOv10에서 처음 도입된 이 end-to-end 접근 방식은 배포 파이프라인을 크게 간소화하고 결정론적인 저지연 추론을 보장합니다.
• 최대 43% 향상된 CPU 추론 속도: 엣지 컴퓨팅에 맞게 아키텍처를 최적화한 YOLO26은 엣지 디바이스와 일반 CPU에서 뛰어난 속도를 제공하므로 배터리로 구동되는 IoT 디바이스에 적합합니다.
• MuSGD Optimizer: LLM 학습(예: Moonshot AI의 Kimi K2)에서 영감을 받은 YOLO26은 SGD와 Muon의 하이브리드 방식을 도입합니다. 이를 통해 대규모 언어 모델 학습의 안정성을 컴퓨터 비전에 적용하여 더 빠르고 안정적인 수렴을 달성합니다.
• DFL 제거: Distribution Focal Loss를 제거하여 모델 그래프를 간소화하므로 ONNX 및 TensorRT와 같은 형식으로 원활하게 export할 수 있습니다.
• ProgLoss + STAL: 이러한 고급 loss function은 소규모 객체 인식 성능을 크게 향상하며, 이는 drone operations 및 agriculture에 중요한 기능입니다.

성능 비교#

이러한 모델을 평가할 때는 정확도(mAP)와 계산 효율성(Speed/FLOPs) 간의 균형이 가장 중요합니다. 아래 표에서는 업계 표준인 COCO dataset을 사용하여 이러한 모델을 비교한 결과를 보여줍니다.

위에서 확인할 수 있듯이 YOLO26은 훨씬 적은 수의 parameters와 FLOPs로 일관되게 더 높은 정확도를 제공하므로, 학습과 추론 모두에서 훨씬 효율적인 아키텍처를 구현합니다.

학습 효율성과 사용성#

DAMO-YOLO의 복잡성#

DAMO-YOLO는 경쟁력 있는 정확도를 달성하지만 학습 방법론은 매우 복잡합니다. 신경망 아키텍처 탐색(NAS)과 대규모 knowledge distillation에 의존하므로, custom model을 학습하려면 상당한 GPU 리소스와 전문 지식이 필요한 경우가 많습니다. 대규모 teacher model을 학습한 후 이를 소규모 student model로 distillation하는 이 다단계 프로세스는 custom dataset에서 신속하게 반복 작업을 수행하려는 민첩한 엔지니어링 팀의 작업을 병목 현상으로 만들 수 있습니다.

간소화된 Ultralytics 경험#

반면 Ultralytics YOLO26은 "zero-to-hero" 사용성을 목표로 설계되었습니다. 전체 학습, validation 및 deployment 수명 주기가 깔끔하고 통합된 Python API와 CLI 뒤에 추상화되어 있습니다. 또한 YOLO26은 RT-DETR과 같은 Transformer 기반 모델에 비해 학습 중 필요한 CUDA 메모리가 훨씬 적으므로, 연구자들이 소비자용 하드웨어에서 최첨단 모델을 학습할 수 있습니다.

다음은 Ultralytics SDK를 사용하여 YOLO26 모델을 학습하고, 평가하고, export하는 방법이 얼마나 간단한지 보여주는 예시입니다.

from ultralytics import YOLO

# Load the latest YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Evaluate the model's performance on the validation set
metrics = model.val()

# Run inference on a sample image
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Export the model to ONNX format for deployment
model.export(format="onnx")

코드가 없는 환경을 선호하는 팀을 위해 Ultralytics Platform은 dataset annotation, 클라우드 학습 및 원활한 deployment를 위한 직관적인 인터페이스를 제공합니다.

실제 애플리케이션#

적합한 아키텍처의 선택은 target deployment 환경과 하드웨어 제약 조건에 크게 좌우됩니다.

산업 품질 관리#

고속 manufacturing automation의 경우 DAMO-YOLO는 전용 GPU 하드웨어에서 우수한 성능을 발휘할 수 있습니다. 그러나 현대적인 조립 라인에는 YOLO26이 더 적합합니다. End-to-End NMS-Free design은 결정론적이고 jitter가 없는 지연 시간을 보장하며, 이는 시각 데이터를 로봇 액추에이터와 실시간으로 동기화할 때 필수적입니다.

엣지 AI 및 모바일 디바이스#

배터리로 구동되는 디바이스에 컴퓨터 비전을 배포하려면 극도의 효율성이 필요합니다. DAMO-YOLO가 특정 RepGFPN neck에 의존하는 반면, YOLO26n(Nano)은 엣지 컴퓨팅에 맞게 특별히 최적화되었습니다. DFL 제거와 43% 향상된 CPU 추론 속도를 갖춘 YOLO26n은 smart camera, 모바일 애플리케이션 및 security alarm systems을 위한 최고의 솔루션입니다.

멀티태스킹 프로젝트 요구사항#

프로젝트에서 객체 감지 이상의 기능이 필요한 경우, 예를 들어 pose estimation을 사용하여 sports에서 선수의 움직임을 분석하거나 instance segmentation을 사용하여 정확한 픽셀 경계를 추출하는 경우, YOLO26은 하나의 통합된 codebase에서 이러한 모든 작업을 기본적으로 지원합니다. DAMO-YOLO는 bounding box detection으로 엄격히 제한됩니다.

사용 사례 및 권장 사항#

DAMO-YOLO와 YOLO26 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, deployment 제약 조건 및 ecosystem 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.

YOLO26을 선택해야 하는 경우#

YOLO26은 다음과 같은 경우에 권장됩니다:

• 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.

결론#

두 아키텍처 모두 deep learning 분야에서 중요한 성과를 보여줍니다. DAMO-YOLO는 특정 하드웨어 benchmark에 맞게 조정된 신경망 아키텍처 탐색과 distillation 기법의 강력한 가능성을 흥미롭게 보여줍니다.

그러나 프로덕션 준비가 완료된 솔루션을 찾는 개발자, 연구원, 기업에게 Ultralytics YOLO26은 우수한 선택지로 돋보입니다. 엔드투엔드 NMS 프리 설계, 대규모 CPU 추론 성능 향상, 멀티태스킹 다목적성, 그리고 유지보수가 잘 되는 Ultralytics 생태계와의 통합이 결합되어 오늘날 실제 컴퓨터 비전 문제를 해결하는 가장 강력하고 실용적인 도구가 됩니다.

Ultralytics ecosystem 내 다른 모델을 살펴보려는 사용자를 위해 YOLO11, YOLOv8 및 Transformer 기반 RT-DETR에 대한 종합 문서를 제공합니다.