DAMO-YOLO와 YOLOv10 비교#
컴퓨터 비전 분야에서는 실시간 객체 탐지 아키텍처가 빠르게 발전해 왔습니다. DAMO-YOLO와 YOLOv10을 비교하면 자동화된 아키텍처 탐색과 종단 간 NMS-Free 최적화라는 두 가지 뚜렷한 모델 설계 철학을 확인할 수 있습니다. 두 모델 모두 정확도와 속도의 한계를 넓히고 있지만, 기반 구조와 이상적인 사용 사례는 크게 다릅니다.
DAMO-YOLO: 대규모 신경망 아키텍처 탐색#
Alibaba Group이 개발한 DAMO-YOLO는 구조적 효율성을 위해 자동화된 탐색을 활용하는 데 중점을 둔 강력한 탐지 모델로 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 연산 예산 내에서 최대 엔트로피 기반 탐색을 사용해 최적의 레이어 깊이와 너비를 찾습니다.
다중 스케일에 걸친 특징 융합을 위해 이 모델은 효율적인 RepGFPN(재매개변수화된 일반화 특징 피라미드 네트워크)을 사용합니다. 이 대규모 넥 설계는 복잡한 공간 계층을 추출하는 데 특히 뛰어나 항공 영상 분석과 같은 시나리오에 유용합니다. 또한 DAMO-YOLO는 최종 예측 레이어의 복잡도를 크게 낮춘 간소화된 탐지 헤드인 ZeroHead를 도입했으며, 학습 중에는 강력한 증류 강화 프로세스에 의존합니다.
DAMO-YOLO는 다단계 지식 증류 프로세스를 사용하는 경우가 많습니다. 더 큰 "교사" 모델을 학습해 더 작은 "학생" 모델을 이끌어야 합니다. 이 방법은 더 높은 mAP(평균 정밀도)를 달성할 수 있지만, 필요한 GPU 연산 시간을 크게 늘립니다.
YOLOv10: 엔드투엔드 객체 탐지의 선구자#
1년 반 후에 출시된 YOLOv10은 추론 중 비최대 억제(NMS)의 필요성을 완전히 없애는 패러다임 전환을 도입했습니다.
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 날짜: 2024년 5월 23일
- Arxiv: 2405.14458
- 문서: Ultralytics YOLOv10
아키텍처 주요 특징#
YOLOv10의 가장 두드러진 특징은 NMS-Free 학습을 위한 일관된 이중 할당입니다. 기존 탐지 모델은 단일 객체에 대해 겹치는 바운딩 박스를 여러 개 예측하므로 중복을 필터링하기 위해 NMS가 필요합니다. 이 후처리 단계는 특히 엣지 디바이스에서 병목을 일으킵니다. YOLOv10은 모델이 객체마다 정확한 바운딩 박스 하나를 자연스럽게 예측하도록 해 이 문제를 해결합니다.
저자들은 효율성과 정확도를 종합적으로 고려한 모델 설계에도 중점을 두었습니다. 기존 아키텍처의 연산 중복을 세심하게 분석해 백본과 헤드를 최적화하고 FLOPs와 파라미터 수를 줄였습니다. 이 경량 설계 덕분에 YOLOv10은 TensorRT 또는 OpenVINO와 같은 형식으로 내보낼 때 탁월한 추론 지연 시간을 제공합니다.
성능 및 벤치마크#
아래 표는 COCO 데이터셋의 원시 성능 지표를 보여줍니다. 각 열에서 전체 최고값은 굵게 표시했습니다.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
DAMO-YOLO도 정확도 면에서 경쟁력을 갖추고 있지만, YOLOv10은 비슷한 규모에서 더 높은 정확도를 제공하며 모델 가중치 크기는 훨씬 작습니다. 예를 들어 YOLOv10s는 DAMO-YOLOs(46.0%)보다 약간 높은 mAP(46.3%)를 달성하면서 파라미터 수는 절반 미만(7.2M 대 16.3M)입니다. 메모리 요구량이 낮은 YOLOv10은 임베디드 시스템에 매우 유연하게 적용할 수 있습니다.
학습 효율성과 사용성#
학술 연구에서 프로덕션으로 전환할 때는 사용 편의성이 가장 중요합니다. DAMO-YOLO의 다단계 증류 프로세스와 복잡한 NAS 구성은 엔지니어링 팀에 높은 학습 장벽으로 작용할 수 있습니다.
반면 YOLOv10은 Ultralytics Python SDK에 완전히 통합되어 상당한 이점을 제공합니다. 사용자 지정 모델을 학습할 때 필요한 상용구 코드는 최소화됩니다. Ultralytics는 데이터 증강, 하이퍼파라미터 튜닝, 실험 추적을 자동으로 처리합니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv10 나노 모델 로드
model = YOLO("yolov10n.pt")
# 내장 검증 기능을 사용해 사용자 지정 데이터셋으로 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 이미지에서 원활하게 추론 실행
prediction = model("path/to/image.jpg")
prediction[0].show()Ultralytics 생태계를 사용하면 개발자는 몇 줄의 코드만으로 프로토타입에서 완성된 내보낸 ONNX 모델까지 진행할 수 있어, 기존 프레임워크에서 요구되던 복잡한 환경 설정을 피할 수 있습니다.
실제 활용 사례#
- 스마트 리테일(DAMO-YOLO): DAMO-YOLO는 GPU가 풍부하고 실시간 NMS 병목을 관리할 수 있는 고밀도 서버 환경에서 고객 행동을 분석하는 데 적합한 정확도를 제공합니다.
- 자율주행 차량(YOLOv10): NMS-Free 아키텍처는 결정론적이고 예측 가능한 지연 시간을 보장하며, 이는 자율주행 안전 시스템에 매우 중요합니다.
- 산업 자동화(YOLOv10): 빠르게 움직이는 조립 라인에서 결함을 탐지하려면 방대한 VRAM을 사용하지 않으면서 실시간 추론 속도를 극대화하는 모델이 필요하므로 YOLOv10은 엣지 배포에 적합한 선택입니다.
사용 사례 및 권장 사항#
DAMO-YOLO와 YOLOv10 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.
YOLOv10을 선택해야 하는 경우#
다음과 같은 경우 YOLOv10을 권장합니다:
- NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
- 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
- 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 시나리오입니다.
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: Ultralytics YOLO26의 등장#
YOLOv10은 NMS-Free 탐지의 기반을 마련했지만, 기술은 빠르게 발전했습니다. 최신 애플리케이션에서는 Ultralytics YOLO26 모델이 이전 세대의 장점을 계승하고 프로덕션에 맞게 개선해 탁월한 성능과 사용 편의성을 제공합니다.
YOLO26은 기본 종단 간 모드(nms=False)를 지원해 NMS 후처리를 생략하므로 엣지 디바이스 전반에서 배포 파이프라인을 간소화합니다. 또한 Distribution Focal Loss(DFL)를 제거해 저전력 엣지 AI 하드웨어와의 호환성이 크게 향상되었습니다.
학습 측면에서 YOLO26은 대규모 언어 모델(LLM) 학습 기법에서 영감을 얻은 하이브리드 MuSGD 옵티마이저를 도입합니다. 이 옵티마이저는 더욱 안정적인 학습과 빠른 수렴을 보장합니다. ProgLoss + STAL 손실 함수와 결합된 YOLO26은 야생동물 보호와 드론 운용에 중요한 소형 객체 인식 성능을 크게 개선합니다.
중요한 점은 YOLO26이 단순한 객체 탐지 모델이 아니라는 것입니다. 인스턴스 분할, 잔차 로그 우도 추정(RLE)을 사용하는 자세 추정, 방향성 바운딩 박스(OBB)를 위한 특수 각도 손실 등 다양한 작업에 맞는 개선 사항을 제공하며, 이를 기본적으로 지원합니다. 이전 모델보다 CPU 추론 속도가 최대 43% 빠른 YOLO26은 민첩한 엔지니어링 팀을 위한 확실한 선택입니다.
YOLO26 모델의 중앙 집중식 관리, 어노테이션, 클라우드 학습을 위해 Ultralytics Platform은 전체 컴퓨터 비전 수명 주기를 간소화하는 직관적인 인터페이스를 제공합니다.
최근의 다른 발전을 살펴보고 싶은 개발자는 Ultralytics YOLO11이나 서로 다른 아키텍처 솔루션이 필요한 시나리오를 위한 Transformer 기반 RT-DETR 프레임워크도 평가할 수 있습니다.