DAMO-YOLO와 YOLOv5#

컴퓨터 비전의 발전은 실시간 객체 감지 분야의 지속적인 혁신으로 이어져 왔습니다. 오늘날 개발자와 연구자는 비전 파이프라인을 설계할 때 수많은 아키텍처 선택지에 직면합니다. 이 종합적인 기술 비교에서는 DAMO-YOLO와 Ultralytics YOLOv5의 차이를 살펴보고, 각 모델의 아키텍처, 학습 방법론, 성능 지표 및 적합한 배포 시나리오를 중점적으로 다룹니다.

DAMO-YOLO 소개#

Alibaba Group에서 출시한 DAMO-YOLO는 객체 감지 속도와 정확도의 한계를 확장하기 위한 몇 가지 새로운 기법을 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 신경 architecture 탐색(NAS)의 기반 위에 구축되었습니다. 저자들은 지연 시간과 정확도의 균형을 맞추는 백본을 자동으로 설계하기 위해 MAE-NAS를 활용했습니다. 이 모델은 다양한 스케일에 걸쳐 특징 융합을 개선하는 효율적인 RepGFPN(Reparameterized Generalized Feature Pyramid Network)을 도입합니다. 또한 DAMO-YOLO는 추론 중에 재매개변수화에 크게 의존하는 더 단순하고 효율적인 구조를 선호하여 복잡한 다중 분기 예측 헤드를 제거하는 "ZeroHead" 설계를 통합합니다.

학습을 개선하기 위해 이 모델은 레이블 할당에 AlignedOTA를 사용하고, 대형 "teacher" 모델이 소형 "student" 모델을 안내하여 더 높은 정확도를 달성하도록 하는 강력한 지식 증류 강화 프로세스를 적용합니다.

Ultralytics YOLOv5 소개#

Ultralytics YOLOv5는 안정성, 사용 편의성 및 광범위한 배포 생태계로 잘 알려진 세계에서 가장 널리 채택된 비전 아키텍처 중 하나입니다.

• 저자: Glenn Jocher
• 조직: Ultralytics
• 날짜: 2020년 6월 26일
• GitHub: ultralytics/yolov5
• 문서: YOLOv5 Documentation

생태계 표준#

YOLOv5는 업계의 사용 편의성 표준을 새롭게 정의했습니다. PyTorch로 네이티브하게 구축되었으며, 고도로 최적화된 CSPNet 백본과 PANet 넥을 사용하여 견고하게 특징을 집계합니다. 이후 모델에서 나타난 앵커 프리 추세보다 먼저 등장했지만, 자동 앵커 학습과 결합된 고도로 정제된 앵커 기반 접근 방식으로 뛰어난 기본 성능을 보장합니다.

YOLOv5의 진정한 강점은 잘 유지 관리되는 생태계에 있습니다. Comet 및 Weights & Biases와 같은 트래킹 도구를 원활하게 통합하며, ONNX, TensorRT, CoreML과 같은 형식으로 원클릭 내보내기를 지원합니다.

성능 및 지표 비교#

이러한 모델을 비교할 때는 평균 정밀도(mAP), 추론 속도 및 파라미터 수의 균형을 살펴보는 것이 중요합니다.

트레이드오프 분석#

DAMO-YOLO는 파라미터 규모에 비해 인상적인 mAP 점수를 달성하며, 이는 지식 증류 학습 단계의 큰 이점을 반영합니다. 그러나 그 대가로 학습 효율성이 낮아집니다. 다단계 지식 증류 프로세스에서는 먼저 대형 teacher 모델을 학습해야 하므로 필요한 GPU 연산 시간과 VRAM이 크게 증가합니다.

반면 YOLOv5는 뛰어난 메모리 요구 사항을 제공합니다. Ultralytics YOLO 모델은 복잡한 지식 증류 파이프라인이나 RT-DETR과 같은 Transformer 기반 모델에 비해 학습과 추론 중 메모리 사용량이 더 적은 것으로 알려져 있습니다. 따라서 YOLOv5를 소비자용 하드웨어나 Google Colab과 같이 쉽게 이용할 수 있는 클라우드 환경에서 효율적으로 학습할 수 있습니다.

실제 애플리케이션과 범용성#

적합한 아키텍처를 선택하는 일은 배포 환경에 따라 결정되는 경우가 많습니다.

DAMO-YOLO가 뛰어난 분야#

DAMO-YOLO는 엄격하게 object detection 모델입니다. 이 모델은 학술 연구, 특히 신경 architecture 탐색을 연구하는 팀이나 논문에 상세히 설명된 재매개변수화 기법을 재현하려는 팀에게 훌륭한 선택입니다. 프로젝트에 증류 학습 단계를 실행할 수 있는 광범위한 컴퓨팅 리소스가 있고 2D bounding box의 정확도를 마지막 1%까지어내는 데만 집중하는 경우, DAMO-YOLO는 강력한 경쟁자입니다.

Ultralytics의 강점#

실제 프로덕션 환경에서는 Ultralytics 모델의 사용 편의성과 다용도성 때문에 이를 우선적으로 선택하는 경우가 많습니다. YOLOv5가 감지 및 이미지 분류의 대표적인 모델로 자리 잡고 있는 한편, 더 폭넓은 Ultralytics 생태계를 통해 개발자는 작업 간에 손쉽게 전환할 수 있습니다.

예를 들어 Ultralytics 제품군의 최신 버전은 인스턴스 세그멘테이션, 포즈 추정 및 방향성 바운딩 박스(OBB) 감지를 네이티브하게 지원합니다. 이러한 멀티태스크 기능을 통해 팀은 자동 번호판 인식과 차량 세그멘테이션을 결합하는 등 복잡한 파이프라인에 하나의 통합된 Python API를 활용할 수 있습니다.

사용 사례 및 권장 사항#

DAMO-YOLO와 YOLOv5 중 어느 것을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건 및 생태계 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.

YOLOv5를 선택해야 하는 경우#

YOLOv5는 다음과 같은 경우에 권장됩니다.

• 검증된 프로덕션 시스템: YOLOv5의 오랜 안정성 기록, 광범위한 documentation, 대규모 community support가 중요한 기존 deployment입니다.
• 리소스가 제한된 training: YOLOv5의 효율적인 training pipeline과 낮은 memory requirement가 유리한 제한된 GPU resource 환경입니다.
• 광범위한 export format support: ONNX, TensorRT, CoreML, TFLite를 비롯한 다양한 format으로 deployment해야 하는 project입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

• 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.

미래: YOLO26으로의 전환#

YOLOv5가 전설적인 모델이고 DAMO-YOLO가 흥미로운 학술적 통찰을 제공하지만, 최신 기술 수준은 발전해 왔습니다. 2026년 1월에 출시된 Ultralytics YOLO26은 비전 커뮤니티에 큰 도약을 제시합니다.

YOLO26은 엣지 배포와 학습 불안정성에서 발생하는 기존 병목을 해결합니다.

• 종단 간 NMS 없는 설계: YOLO26은 비최대 억제 후처리를 네이티브하게 제거합니다. 이 획기적인 변화는 배포 로직을 단순화하고 지연 시간의 변동성을 크게 줄여 고속 로보틱스 및 자율 시스템에 적합합니다.
• MuSGD 옵티마이저: LLM 학습 혁신(예: Moonshot AI의 Kimi K2)에서 영감을 받은 YOLO26은 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)를 사용합니다. 이를 통해 매우 안정적인 학습 실행과 현저히 빠른 수렴을 실현합니다.
• 최대 43% 더 빠른 CPU 추론: Distribution Focal Loss(DFL)를 전략적으로 제거함으로써 YOLO26은 YOLO11 및 YOLOv8과 같은 이전 모델에 비해 CPU와 엣지 디바이스에서 훨씬 뛰어난 속도를 달성합니다.
• ProgLoss + STAL: 이러한 고급 손실 함수는 항공 드론 이미지와 IoT 센서 피드를 분석하는 데 중요한 소형 객체 인식 성능을 크게 향상합니다.

코드 예제: 간결한 활용#

Ultralytics 패키지를 사용하면 몇 줄의 코드만으로 모델을 학습하고 배포할 수 있습니다. YOLOv5를 사용하든 권장 모델인 YOLO26으로 업그레이드하든 인터페이스는 일관되고 직관적으로 유지됩니다.

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 YOLOv5는 모두 컴퓨터 비전 분야에 크게 기여했습니다. DAMO-YOLO는 신경망 아키텍처 검색과 지식 증류의 강력한 성능을 보여 주므로 연구자에게 흥미로운 연구 대상입니다. 그러나 YOLOv5는 성능 균형, 낮은 메모리 요구 사항 및 탁월한 사용 편의성 덕분에 여전히 실용적인 강자입니다.

오늘 새로운 프로젝트를 시작하는 개발자에게는 Ultralytics Platform을 활용하고 YOLO26을 채택하는 것이 권장됩니다. YOLOv5의 사랑받는 사용자 친화적 생태계에 획기적인 아키텍처 발전을 결합하여 클라우드 및 엣지 AI 애플리케이션 모두에서 최고 수준의 정확도와 매우 빠른 추론을 보장합니다. 또한 특정 레거시 하드웨어 제약 조건에 따라 YOLOv6 또는 YOLOX와 같은 다른 효율적인 모델을 살펴볼 수도 있습니다.