DAMO-YOLO와 YOLOv5
컴퓨터 비전의 발전은 실시간 객체 탐지 분야의 지속적인 혁신으로 이어져 왔습니다. 개발자와 연구자는 이제 비전 파이프라인을 설계할 때 다양한 아키텍처 중에서 선택해야 합니다. 이 기술 비교에서는 DAMO-YOLO와 Ultralytics YOLOv5의 아키텍처, 학습 방법, 성능 지표, 적합한 배포 시나리오를 살펴봅니다.
DAMO-YOLO 소개#
Alibaba Group이 출시한 DAMO-YOLO는 탐지 속도와 정확도를 개선하기 위한 몇 가지 새로운 기법을 도입했습니다.
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 기관: 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 합니다. 개발진은 MAE-NAS를 사용해 지연 시간과 정확도의 균형을 맞추는 백본을 자동으로 설계했습니다. 이 모델은 다양한 스케일에서 특징 융합을 개선하는 효율적인 RepGFPN(재매개변수화된 일반화 특징 피라미드 네트워크)을 도입합니다. 또한 DAMO-YOLO는 복잡한 다중 분기 예측 헤드를 간소화하고 추론 중 재매개변수화에 크게 의존하는 더 효율적인 구조로 대체하는 "ZeroHead" 설계를 적용합니다.
학습 성능을 높이기 위해 이 모델은 레이블 할당에 AlignedOTA를 사용하고, 더 큰 "교사" 모델이 더 작은 "학생" 모델을 지도하여 정확도를 높이는 강력한 지식 증류 강화 절차를 적용합니다.
Ultralytics YOLOv5 소개#
Ultralytics YOLOv5는 세계에서 가장 널리 채택된 비전 아키텍처 중 하나로, 안정성, 사용 편의성, 폭넓은 배포 생태계로 잘 알려져 있습니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020년 6월 26일
- GitHub: ultralytics/yolov5
- 문서: YOLOv5 문서
생태계 표준#
YOLOv5는 사용성의 새로운 기준을 세웠습니다. PyTorch로 네이티브하게 구축되었으며, 강력한 특징 집계를 위해 최적화된 CSPNet 백본과 PANet 넥을 사용합니다. 이후 모델에서 나타난 앵커 프리 추세보다 먼저 개발되었지만, 자동 앵커 학습과 결합된 개선된 앵커 기반 접근 방식은 별도의 설정 없이도 우수한 성능을 발휘합니다.
YOLOv5의 가장 큰 강점은 잘 관리되는 생태계입니다. Comet, Weights & Biases와 같은 추적 도구와 통합되며, ONNX, TensorRT, CoreML 등의 형식으로 한 번의 명령으로 내보낼 수 있습니다.
YOLOv5는 사용자 지정 데이터셋으로 쉽게 학습할 수 있습니다. 간소화된 API는 프로토타입에서 프로덕션까지의 장애물을 줄여 민첩한 엔지니어링 팀에서 선호하는 모델입니다.
성능 및 지표 비교#
이 모델들을 비교할 때는 평균 정밀도(mAP), 추론 속도, 파라미터 수의 균형을 살펴보는 것이 중요합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 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 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
절충점 분석#
DAMO-YOLO는 파라미터 규모 대비 높은 mAP 점수를 달성하며, 증류 학습 단계의 이점을 크게 얻습니다. 그러나 그 대가로 학습 효율성이 저하됩니다. 다단계 증류 과정에서는 먼저 대형 교사 모델을 학습해야 하므로 필요한 GPU 연산 자원 시간과 VRAM이 크게 증가합니다.
반면 YOLOv5는 메모리 요구 사항 측면에서 뛰어납니다. Ultralytics YOLO 모델은 복잡한 증류 파이프라인이나 RT-DETR과 같은 Transformer 기반 모델보다 학습과 추론 중 메모리 사용량이 적은 것으로 알려져 있습니다. 따라서 YOLOv5는 일반 소비자용 하드웨어나 Google Colab과 같이 쉽게 사용할 수 있는 클라우드 환경에서 효율적으로 학습할 수 있습니다.
실제 애플리케이션 및 활용성#
적합한 아키텍처는 배포 환경에 따라 달라지는 경우가 많습니다.
DAMO-YOLO가 강점을 보이는 경우#
DAMO-YOLO는 엄밀히 말해 객체 탐지 모델입니다. 학술 연구에 적합하며, 특히 신경망 아키텍처 탐색을 연구하거나 논문에 설명된 재매개변수화 기법을 재현하려는 팀에 유용합니다. 증류 학습 단계를 수행할 충분한 컴퓨팅 리소스가 있고 2D 바운딩 박스의 정확도를 조금이라도 더 높이는 데만 집중하는 프로젝트라면 DAMO-YOLO가 유력한 선택입니다.
Ultralytics의 강점#
실제 프로덕션 환경에서는 Ultralytics 모델의 사용 편의성과 유연성 덕분에 선호되는 선택지입니다. YOLOv5는 탐지, 인스턴스 분할, 이미지 분류를 지원하며, 폭넓은 Ultralytics 생태계를 통해 개발자는 작업 간에 쉽게 전환할 수 있습니다.
예를 들어 Ultralytics 제품군의 최신 버전은 포즈 추정과 방향성 바운딩 박스(OBB) 탐지도 네이티브하게 지원합니다. 이러한 다중 작업 기능을 통해 팀은 통합 Python API 하나로 자동 번호판 인식과 차량 분할을 결합하는 복잡한 파이프라인을 구현할 수 있습니다.
사용 사례 및 권장 사항#
DAMO-YOLO와 YOLOv5 중 어떤 모델을 선택할지는 프로젝트의 구체적인 요구 사항, 배포 제약 조건, 생태계 선호도에 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.
YOLOv5를 선택할 경우#
다음과 같은 경우 YOLOv5를 권장합니다.
- 프로덕션에서 검증된 시스템: YOLOv5의 오랜 안정성 기록, 폭넓은 문서, 대규모 커뮤니티가 중요한 기존 배포 환경에 적합합니다.
- 리소스 제약이 있는 학습: GPU 리소스가 제한된 환경에서 YOLOv5의 효율적인 학습 파이프라인과 적은 메모리 요구 사항이 유리합니다.
- 폭넓은 내보내기 형식 지원: ONNX, TensorRT, CoreML, LiteRT 등 다양한 형식으로 배포해야 하는 프로젝트입니다.
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 디바이스에서는 YOLO26n이 YOLO11n보다 CPU 추론 속도가 최대 43% 빨라 확실한 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
미래: YOLO26으로 전환하기#
YOLOv5는 여전히 널리 사용되고 DAMO-YOLO는 흥미로운 학술적 통찰을 제공하지만, 최신 기술은 발전해 왔습니다. 2026년 1월에 출시된 Ultralytics YOLO26은 비전 커뮤니티에 중요한 도약을 가져왔습니다.
YOLO26은 엣지 배포와 학습 불안정성의 기존 병목 현상을 해결합니다.
- 종단 간 NMS 없는 설계: YOLO26의 선택적 종단 간 헤드(
nms=False)는 비최대 억제(NMS) 후처리를 제거합니다. 이를 통해 배포 로직을 간소화하고 지연 시간 변동을 줄이므로 고속 로보틱스와 자율 시스템에 적합합니다. - MuSGD 옵티마이저: LLM 학습 혁신(Moonshot AI의 Kimi K2 등)에서 영감을 받은 YOLO26은 안정적인 학습과 빠른 수렴을 위해 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)를 사용합니다.
- CPU 추론 최대 43% 향상: Distribution Focal Loss(DFL)를 제거한 YOLO26n은 CPU ONNX에서 YOLO11n보다 최대 43% 빠르게 실행됩니다.
- ProgLoss + STAL: 점진적 손실 함수와 작은 객체 인식형 레이블 할당으로 소형 객체 인식이 크게 향상됩니다. 이는 항공 드론 이미지와 IoT 센서 피드를 분석하는 데 매우 중요합니다.
코드 예제: 간편한 사용법#
Ultralytics 패키지를 사용하면 몇 줄의 코드만으로 모델을 학습하고 배포할 수 있습니다. YOLOv5를 사용하든 권장 모델인 YOLO26으로 업그레이드하든 인터페이스는 일관되고 직관적입니다.
from ultralytics import YOLO
# YOLO26 소형 모델을 불러옵니다
model = YOLO("yolo26s.pt")
# 사용자 지정 데이터셋으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 이미지에 대해 추론을 실행하고 결과 표시
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()
# 엣지 배포를 위해 모델 내보내기
model.export(format="onnx")결론#
DAMO-YOLO와 YOLOv5는 모두 컴퓨터 비전 분야 발전에 크게 기여했습니다. DAMO-YOLO는 신경망 아키텍처 탐색과 증류의 가능성을 보여주며 연구자에게 흥미로운 연구 대상입니다. 그러나 YOLOv5는 성능 균형, 낮은 메모리 요구 사항, 사용 편의성 덕분에 실용적인 선택지로 남아 있습니다.
현재 새 프로젝트를 시작하는 개발자에게는 Ultralytics Platform을 사용하고 YOLO26을 도입할 것을 권장합니다. YOLOv5의 사용자 친화적인 생태계와 최신 아키텍처 발전을 결합해 클라우드 및 엣지 AI 애플리케이션 모두에서 높은 정확도와 빠른 추론을 제공합니다. 특정 레거시 하드웨어 제약에 따라 YOLOv6 또는 YOLOX와 같은 다른 효율적인 모델도 검토할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.