DAMO-YOLO 대 YOLOv10#
컴퓨터 비전 분야는 실시간 object detection 아키텍처에서 급격한 발전을 목격해 왔습니다. DAMO-YOLO와 YOLOv10을 비교할 때, 모델 설계에서 자동화된 아키텍처 탐색 대 엔드투엔드 NMS-free 최적화라는 두 가지 뚜렷한 철학을 관찰할 수 있습니다. 두 모델 모두 정확도와 속도의 한계를 넓히지만, 그 기저의 구조와 이상적인 사용 사례는 크게 다릅니다.
DAMO-YOLO: 대규모 신경 아키텍처 탐색#
Alibaba Group에서 개발한 DAMO-YOLO는 구조적 효율성을 위해 자동화된 탐색을 활용하는 데 초점을 맞춘 강력한 디텍터로 등장했습니다.
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 날짜: 2022년 11월 23일
- Arxiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
아키텍처 주요 특징#
DAMO-YOLO는 성능과 지연 시간의 균형을 맞추기 위해 신경망 아키텍처 탐색(NAS)에 크게 의존합니다. MAE-NAS라고 불리는 백본은 엄격한 계산 예산 하에서 다목적 진화 탐색을 사용하여 최적의 레이어 깊이와 너비를 찾아냅니다.
스케일에 걸친 피처 융합을 처리하기 위해, 이 모델은 효율적인 RepGFPN(Reparameterized Generalized Feature Pyramid Network)을 채택합니다. 이 헤비 넥 디자인은 복잡한 공간 계층 구조를 추출하는 데 특히 능숙하여 aerial imagery analysis와 같은 시나리오에서 유용합니다. 또한, DAMO-YOLO는 최종 예측 레이어의 복잡성을 크게 줄이고 훈련 중 강력한 증류 강화 프로세스에 의존하는 간소화된 검출 헤드인 ZeroHead를 도입합니다.
DAMO-YOLO는 종종 다단계 지식 증류 프로세스를 활용합니다. 이는 더 높은 mAP (mean Average Precision)를 추출하지만 필요한 GPU compute 시간을 크게 늘리는 더 무거운 "교사" 모델을 훈련하여 더 작은 "학생" 모델을 안내해야 합니다.
YOLOv10: 엔드투엔드 객체 탐지의 선구자#
1년 반 후에 출시된 YOLOv10은 추론 중 비최대 억제(NMS)의 필요성을 완전히 제거함으로써 패러다임의 전환을 가져왔습니다.
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: Tsinghua University
- 날짜: 2024년 5월 23일
- Arxiv: 2405.14458
- Docs: Ultralytics YOLOv10
아키텍처 주요 특징#
YOLOv10의 가장 큰 특징은 NMS-free 훈련을 위한 일관된 듀얼 할당입니다. 기존 탐지기는 단일 객체에 대해 여러 개의 겹치는 경계 상자를 예측하므로 중복을 필터링하기 위해 NMS가 필요합니다. 이러한 후처리 단계는 특히 엣지 디바이스에서 병목 현상을 일으킵니다. YOLOv10은 모델이 객체당 단일하고 정확한 경계 상자를 자연스럽게 예측하도록 하여 이 문제를 해결합니다.
저자들은 또한 전체적인 효율성 및 정확도 중심의 모델 설계에 집중했습니다. 기존 아키텍처의 연산 중복성을 면밀히 분석함으로써, 백본과 헤드를 최적화하여 FLOPs 및 파라미터 수를 줄였습니다. 이 경량화된 디자인은 YOLOv10이 TensorRT나 OpenVINO 같은 포맷으로 내보내질 때 뛰어난 추론 지연 시간을 제공하도록 보장합니다.
성능 및 벤치마크#
아래 표는 COCO dataset에서의 원시 성능 지표를 보여줍니다. 각 열의 최고 전체 값은 굵은 글씨로 강조되어 있습니다.
| 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 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
DAMO-YOLO가 정확도 측면에서 선방하는 동안, YOLOv10은 일관되게 더 낮은 지연 시간과 훨씬 더 작은 model weights를 제공합니다. 예를 들어, YOLOv10s는 파라미터의 절반 미만(7.2M 대 16.3M)을 사용하면서도 DAMO-YOLOs(46.0%)보다 약간 더 높은 mAP(46.7%)를 달성합니다. 더 낮은 memory requirements 덕분에 YOLOv10은 임베디드 시스템을 위한 예외적으로 다재다능한 선택지가 됩니다.
학습 효율성 및 사용성#
학술 연구에서 프로덕션 환경으로 전환할 때는 사용 편의성이 가장 중요합니다. DAMO-YOLO의 다단계 증류 프로세스와 복잡한 NAS 구성은 엔지니어링 팀에게 높은 학습 곡선을 요구할 수 있습니다.
반면, YOLOv10은 Ultralytics Python SDK에 완전히 통합되는 엄청난 이점을 누립니다. 커스텀 모델을 훈련하는 것은 최소한의 보일러플레이트 코드를 수반합니다. Ultralytics는 data augmentation, hyperparameter tuning, 그리고 experiment tracking을 자동으로 처리합니다.
from ultralytics import YOLO
# Load a pretrained YOLOv10 nano model
model = YOLO("yolov10n.pt")
# Train on a custom dataset with built-in validation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference on an image seamlessly
prediction = model("path/to/image.jpg")
prediction[0].show()Ultralytics 생태계를 사용하면 개발자는 구형 프레임워크에서 요구하는 복잡한 환경 설정을 우회하여 단 몇 줄의 코드로 프로토타입에서 완전히 exported ONNX model로 전환할 수 있습니다.
실제 활용 사례#
- Smart Retail (DAMO-YOLO): DAMO-YOLO의 정확도는 GPU가 풍부하고 실시간 NMS 병목 현상을 관리할 수 있는 customer behavior를 분석하는 고밀도 서버 환경에 적합합니다.
- Autonomous Vehicles (YOLOv10): NMS-free 아키텍처는 autonomous driving의 안전 시스템에 필수적인 결정론적이고 예측 가능한 지연 시간을 보장합니다.
- Industrial Automation (YOLOv10): 빠르게 움직이는 조립 라인에서 결함을 감지하려면 방대한 VRAM을 소비하지 않으면서 real-time inference 속도를 극대화하는 모델이 필요하므로, YOLOv10은 엣지 배포를 위한 최고의 후보가 됩니다.
활용 사례 및 권장 사항#
DAMO-YOLO와 YOLOv10 중 무엇을 선택할지는 귀하의 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
DAMO-YOLO를 선택해야 할 때#
DAMO-YOLO는 다음 상황에 적합합니다:
- 고처리량 영상 분석: 배치-1(batch-1) 처리량이 주요 지표인 고정 NVIDIA GPU 인프라에서 높은 FPS 영상 스트림을 처리할 때.
- 산업 제조 라인: 조립 라인의 실시간 품질 검사와 같이 전용 하드웨어에서 엄격한 GPU 지연 시간 제약이 있는 시나리오.
- 신경망 아키텍처 탐색 연구: 자동화된 아키텍처 탐색(MAE-NAS) 및 효율적인 재매개변수화 백본이 탐지 성능에 미치는 영향을 연구할 때.
YOLOv10을 선택해야 할 때#
YOLOv10은 다음 상황에 권장됩니다:
- NMS 없는 실시간 탐지: Non-Maximum Suppression 없이 엔드 투 엔드 탐지를 수행하여 배포 복잡성을 줄이는 애플리케이션.
- 균형 잡힌 속도-정확도 트레이드오프: 다양한 모델 스케일 전반에서 추론 속도와 탐지 정확도 사이의 강력한 균형이 필요한 프로젝트.
- 일관된 지연 시간 애플리케이션: robotics 또는 자율 시스템과 같이 예측 가능한 추론 시간이 중요한 배포 시나리오.
Ultralytics (YOLO26)를 선택해야 할 때#
대부분의 신규 프로젝트의 경우, Ultralytics YOLO26은 성능과 개발자 경험의 최상의 조합을 제공합니다.
- NMS 미사용 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
- CPU 전용 환경: 전용 GPU 가속이 없는 디바이스에서, 최대 43% 더 빠른 YOLO26의 CPU 추론 속도가 결정적인 이점을 제공합니다.
- 소형 객체 감지: 항공 드론 이미지나 IoT 센서 분석과 같은 까다로운 시나리오에서 ProgLoss와 STAL이 아주 작은 객체의 정확도를 크게 향상시킵니다.
차세대 기술: Ultralytics YOLO26 도입#
YOLOv10이 NMS-free 탐지의 기반을 마련했지만, 기술은 빠르게 발전했습니다. 현대적인 애플리케이션을 위해 Ultralytics YOLO26 모델은 이전 세대의 장점을 취하고 프로덕션을 위해 개선하여 타의 추종을 불허하는 성능과 사용 편의성을 제공합니다.
YOLO26은 엄격하게 네이티브한 엔드투엔드 설정을 특징으로 하며, 엣지 기기 전반에서 더 간단한 배포 파이프라인을 위해 NMS 후처리를 제거합니다. 더욱이 Distribution Focal Loss(DFL)의 제거는 저전력 edge AI 하드웨어와의 호환성을 극적으로 향상시켰습니다.
훈련 측면에서 YOLO26은 LLM(Large Language Model) 훈련 기술에서 영감을 받은 하이브리드인 MuSGD Optimizer를 도입합니다. 이는 더 안정적인 훈련과 더 빠른 수렴을 보장합니다. ProgLoss + STAL 손실 함수와 결합된 YOLO26은 wildlife conservation 및 drone operations에 중요한 기능인 소형 객체 인식에서 놀라운 개선을 보여줍니다.
결정적으로, YOLO26은 단순한 객체 검출기가 아닙니다. Instance Segmentation, Residual Log-Likelihood Estimation(RLE)을 사용하는 Pose Estimation, 그리고 Oriented Bounding Boxes (OBB)를 위한 특화된 각도 손실을 네이티브로 지원하며 전반적으로 작업별 개선 사항을 제공합니다. 이전 버전보다 최대 43% 더 빠른 CPU 추론 속도를 자랑하는 이 모델은 민첩한 엔지니어링 팀을 위한 확실한 선택입니다.
중앙 집중식 관리, 주석 작업, 그리고 YOLO26 모델의 클라우드 훈련을 위해 Ultralytics Platform은 전체 컴퓨터 비전 라이프사이클을 간소화하는 직관적인 인터페이스를 제공합니다.
다른 최근의 발전 사항을 탐구하는 데 관심이 있는 개발자는 독특한 아키텍처 솔루션이 필요한 시나리오를 위해 Ultralytics YOLO11 또는 트랜스포머 기반의 RT-DETR 프레임워크를 평가할 수도 있습니다.