DAMO-YOLO 대 YOLOv5: 실시간 객체 탐지에 대한 심층 분석
컴퓨터 비전의 진화는 실시간 객체 탐지 분야의 지속적인 혁신으로 특징지어집니다. 오늘날 개발자와 연구자들은 비전 파이프라인을 설계할 때 수많은 아키텍처 선택의 기로에 서 있습니다. 본 포괄적인 기술 비교에서는 DAMO-YOLO와 Ultralytics YOLOv5 간의 차이점을 탐구하며, 각각의 아키텍처, 학습 방법론, 성능 지표 및 이상적인 배포 시나리오를 강조합니다.
DAMO-YOLO 소개
Alibaba Group에서 출시한 DAMO-YOLO는 탐지 속도와 정확도의 한계를 뛰어넘기 위해 여러 가지 새로운 기술을 도입했습니다.
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 조직: Alibaba Group
- 날짜: 2022년 11월 23일
- Arxiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
- 문서: README.md
아키텍처 혁신
DAMO-YOLO는 신경망 아키텍처 탐색(NAS)을 기반으로 구축되었습니다. 저자들은 MAE-NAS를 활용하여 지연 시간과 정확도 사이의 균형을 맞추는 백본을 자동으로 설계했습니다. 이 모델은 서로 다른 스케일 간의 특징 융합을 향상시키는 효율적인 RepGFPN(Reparameterized Generalized Feature Pyramid Network)을 도입했습니다. 또한, DAMO-YOLO는 복잡한 다중 분기 예측 헤드를 제거하고 추론 중 재매개변수화(rep-parameterization)에 크게 의존하는 더 간단하고 효율적인 구조를 선호하는 "ZeroHead" 설계를 통합했습니다.
학습을 개선하기 위해 이 모델은 레이블 할당을 위한 AlignedOTA와, 더 큰 "교사(teacher)" 모델이 더 작은 "학생(student)" 모델을 안내하여 더 높은 정확도를 달성하도록 하는 대규모 증류(distillation) 강화 프로세스를 사용합니다.
Ultralytics YOLOv5 소개
Ultralytics YOLOv5는 안정성, 사용 편의성 및 광범위한 배포 생태계로 유명한 세계에서 가장 널리 채택된 비전 아키텍처 중 하나입니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020년 6월 26일
- GitHub: ultralytics/yolov5
- 문서: YOLOv5 문서
생태계의 표준
YOLOv5는 사용성 측면에서 업계 표준을 재정립했습니다. PyTorch로 네이티브하게 구축된 이 모델은 고도로 최적화된 CSPNet 백본과 강력한 특징 집계를 위한 PANet 넥을 활용합니다. 이후 모델에서 나타나는 앵커 프리(anchor-free) 트렌드 이전에 등장했지만, 자동 앵커 학습과 결합된 고도로 정제된 앵커 기반 접근 방식은 즉시 사용 가능한 탁월한 성능을 보장합니다.
YOLOv5의 진정한 강점은 잘 관리된 생태계에 있습니다. Comet 및 Weights & Biases와 같은 추적 도구와 원활하게 통합되며, ONNX, TensorRT, CoreML과 같은 형식으로의 원클릭 내보내기를 지원합니다.
YOLOv5는 사용자 지정 데이터셋으로 학습하기가 매우 쉽습니다. 간소화된 API는 프로토타입에서 프로덕션까지의 마찰을 줄여주어 민첩한 엔지니어링 팀들 사이에서 인기가 높습니다.
성능 및 메트릭 비교
이 모델들을 비교할 때 mAP(mean Average Precision), 추론 속도 및 파라미터 수의 균형을 살펴보는 것이 중요합니다.
| 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 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
절충안 분석
DAMO-YOLO는 증류 학습 단계의 큰 이점을 얻어 파라미터 크기 대비 인상적인 mAP 점수를 달성합니다. 그러나 이는 학습 효율성이라는 대가를 치러야 합니다. 다단계 증류 프로세스는 먼저 무거운 교사 모델을 학습시켜야 하므로 GPU 컴퓨팅 시간과 VRAM 요구 사항이 크게 증가합니다.
반면, YOLOv5는 우수한 메모리 요구 사항을 제공합니다. Ultralytics YOLO 모델은 복잡한 증류 파이프라인이나 RT-DETR과 같은 트랜스포머 기반 모델에 비해 학습 및 추론 중 메모리 사용량이 낮은 것으로 알려져 있습니다. 이를 통해 YOLOv5는 소비자용 하드웨어나 Google Colab과 같은 접근 가능한 클라우드 환경에서 효율적으로 학습될 수 있습니다.
실제 애플리케이션 및 범용성
적절한 아키텍처를 선택하는 것은 종종 배포 환경에 따라 달라집니다.
DAMO-YOLO가 탁월한 분야
DAMO-YOLO는 엄격하게 객체 탐지 모델입니다. 이 모델은 학술 연구, 특히 신경망 아키텍처 탐색을 연구하거나 논문에 자세히 설명된 재매개변수화 기술을 재현하려는 팀에게 훌륭한 선택입니다. 프로젝트에 증류 학습 단계를 실행할 충분한 컴퓨팅 자원이 있고 2D 바운딩 박스에 대한 정확도를 최대한으로 끌어올리는 데만 집중한다면, DAMO-YOLO는 강력한 경쟁자입니다.
Ultralytics의 강점
실제 프로덕션 환경에서는 Ultralytics 모델의 사용 편의성과 범용성이 선호되는 이유입니다. YOLOv5는 여전히 탐지 및 이미지 분류의 핵심이지만, 더 넓은 Ultralytics 생태계를 통해 개발자는 작업 간을 손쉽게 전환할 수 있습니다.
예를 들어, Ultralytics 제품군의 최신 버전은 인스턴스 분할, 자세 추정 및 OBB(Oriented Bounding Box) 탐지를 네이티브하게 지원합니다. 이러한 다중 작업 기능 덕분에 팀은 자동 번호판 인식과 차량 분할을 결합하는 것과 같은 복잡한 파이프라인에 단일 통합 Python API를 활용할 수 있습니다.
사용 사례 및 권장 사항
DAMO-YOLO와 YOLOv5 중 하나를 선택하는 것은 특정 프로젝트 요구 사항, 배포 제약 조건 및 생태계 선호도에 따라 달라집니다.
DAMO-YOLO를 선택해야 할 때
DAMO-YOLO는 다음에 적합한 강력한 선택입니다:
- 고처리량 비디오 분석: batch-1 처리량이 주요 지표인 고정 NVIDIA GPU 인프라에서 고FPS 비디오 스트림을 처리할 때.
- 산업 제조 라인: 조립 라인의 실시간 품질 검사와 같이 전용 하드웨어에 대한 엄격한 GPU 지연 시간 제약 조건이 있는 시나리오.
- 신경 아키텍처 검색 연구: 자동화된 아키텍처 검색(MAE-NAS) 및 효율적인 재매개변수화 백본이 탐지 성능에 미치는 영향을 연구할 때.
YOLOv5를 선택해야 할 때
YOLOv5는 다음의 경우 권장됩니다:
- 검증된 프로덕션 시스템: YOLOv5의 오랜 안정성 기록, 광범위한 문서화 및 방대한 커뮤니티 지원이 가치 있게 평가되는 기존 배포 환경.
- 자원 제약이 있는 학습 환경: GPU 자원이 제한적인 환경에서 YOLOv5의 효율적인 학습 파이프라인과 낮은 메모리 요구사항이 유리한 경우.
- 광범위한 내보내기 형식 지원: ONNX, TensorRT, CoreML, TFLite를 포함한 다양한 형식으로 배포해야 하는 프로젝트.
Ultralytics(YOLO26)를 선택해야 할 때
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적의 조합을 제공합니다:
- NMS-free 엣지 배포: Non-Maximum Suppression 후처리의 복잡성 없이 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
- CPU 전용 환경: 전용 GPU 가속기가 없는 장치에서 YOLO26의 최대 43% 더 빠른 CPU 추론 속도가 결정적인 이점을 제공합니다.
- 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같은 도전적인 시나리오에서 ProgLoss와 STAL이 작은 객체에 대한 정확도를 크게 향상시킵니다.
미래: YOLO26으로의 전환
YOLOv5는 전설적인 모델이고 DAMO-YOLO는 흥미로운 학술적 통찰력을 제공하지만, 최신 기술은 진화했습니다. 2026년 1월에 출시된 Ultralytics YOLO26은 비전 커뮤니티에 거대한 도약을 의미합니다.
YOLO26은 엣지 배포 및 학습 불안정성의 전통적인 병목 현상을 해결합니다:
- End-to-End NMS-Free Design: YOLO26 natively eliminates Non-Maximum Suppression post-processing. This breakthrough simplifies deployment logic and drastically reduces latency variability, making it ideal for high-speed robotics and autonomous systems.
- MuSGD 옵티마이저: LLM 학습 혁신(Moonshot AI의 Kimi K2 등)에서 영감을 받은 YOLO26은 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)를 활용합니다. 이는 매우 안정적인 학습 실행과 놀랍도록 빠른 수렴을 보장합니다.
- 최대 43% 더 빠른 CPU 추론: DFL(Distribution Focal Loss)을 전략적으로 제거함으로써 YOLO26은 YOLO11 및 YOLOv8과 같은 이전 모델에 비해 CPU 및 엣지 장치에서 훨씬 뛰어난 속도를 달성합니다.
- ProgLoss + STAL: 이러한 고급 손실 함수는 항공 드론 이미지 분석 및 IoT 센서 피드 분석에 중요한 소형 객체 인식에서 현저한 개선을 가져옵니다.
코드 예제: 실행의 단순성
Ultralytics 패키지를 사용하면 단 몇 줄의 코드로 모델을 학습하고 배포할 수 있습니다. YOLOv5를 사용하든 권장되는 YOLO26으로 업그레이드하든 상관없이 인터페이스는 일관되고 직관적입니다.
from ultralytics import YOLO
# Load the state-of-the-art YOLO26 small model
model = YOLO("yolo26s.pt")
# Train on a custom dataset effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference on an image and display results
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()
# Export the model for edge deployment
model.export(format="onnx")결론
DAMO-YOLO와 YOLOv5 모두 컴퓨터 비전 환경에 크게 기여했습니다. DAMO-YOLO는 신경망 아키텍처 탐색과 증류의 힘을 보여주어 연구자들에게 흥미로운 연구 대상이 됩니다. 하지만 YOLOv5는 성능 균형, 낮은 메모리 요구 사항, 타의 추종을 불허하는 사용 편의성 덕분에 실용적인 강자로 남아 있습니다.
오늘 새로운 프로젝트를 시작하는 개발자들에게는 Ultralytics 플랫폼을 활용하고 YOLO26을 채택할 것을 권장합니다. 이는 사랑받는 YOLOv5의 사용자 친화적인 생태계와 획기적인 아키텍처 발전을 결합하여 클라우드 및 엣지 AI 애플리케이션 모두에서 최고 수준의 정확도와 매우 빠른 추론을 보장합니다. 개발자는 특정 레거시 하드웨어 제약 조건에 따라 YOLOv6 또는 YOLOX와 같은 다른 효율적인 모델을 탐색할 수도 있습니다.