DAMO-YOLO와 YOLOv6-3.0

컴퓨터 비전 연구에서는 산업용 애플리케이션에 맞춘 특화 아키텍처가 개발되었습니다. 실시간 성능과 배포 효율성에 중점을 둔 두 모델로 DAMO-YOLO와 YOLOv6-3.0이 있습니다. 이 페이지에서는 아키텍처, 성능 지표, 학습 방법을 기술적으로 비교하여 두 모델 중 적합한 것을 선택할 수 있도록 돕습니다.

DAMO-YOLO: 신경망 아키텍처 탐색과 객체 탐지의 결합#

Alibaba Group 연구진이 개발한 DAMO-YOLO는 백본 설계에 신경망 아키텍처 탐색(NAS)을 통합하여 YOLO 계열에 새로운 접근 방식을 도입했습니다.

아키텍처 혁신#

DAMO-YOLO는 MAE-NAS라는 NAS 최적화 백본을 사용하며, 특정 지연 시간 제약 조건에 맞는 효율적인 네트워크 구조를 자동으로 탐색합니다. 이를 통해 다양한 하드웨어 프로필에 걸쳐 모델을 효율적으로 확장할 수 있습니다. 특징 융합을 개선하기 위해 아키텍처에 Efficient RepGFPN(재매개변수화된 일반화 특징 피라미드 네트워크)을 적용하여 다중 스케일 표현을 크게 향상합니다.

이 모델은 "ZeroHead" 설계도 도입합니다. 탐지 헤드의 복잡한 다중 분기 구조를 제거해 공간 정보를 더 효과적으로 보존하면서 연산 오버헤드를 줄입니다. 또한 학습 과정에서 AlignedOTA(정렬된 최적 수송 할당)와 지식 증류를 사용하여 소형 학생 모델이 더 큰 교사 네트워크에서 학습할 수 있도록 합니다.

DAMO-YOLO에 대해 자세히 알아보기

증류의 복잡성

지식 증류는 DAMO-YOLO의 높은 정확도 달성에 도움이 되지만, 다단계 학습 파이프라인이 필요합니다. 따라서 표준 단일 단계 모델 학습에 비해 필요한 GPU 연산 자원이 크게 증가합니다.

YOLOv6-3.0: 산업용 처리량 극대화#

Meituan Vision AI Department가 개발한 YOLOv6-3.0은 산업용 객체 탐지기로 명확히 포지셔닝되어 있으며, NVIDIA 하드웨어에서 처리량을 극대화하도록 설계되었습니다.

  • 저자: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, Xiangxiang Chu
  • 조직: Meituan
  • 날짜: 2023-01-13
  • arXiv: 2301.05586
  • GitHub: meituan/YOLOv6

주요 기능 및 개선 사항#

YOLOv6-3.0은 하드웨어 친화적인 EfficientRep 백본을 기반으로 하므로 최신 GPU에서 TensorRT와 같은 최적화를 사용하면 매우 빠릅니다. v3.0 버전에서는 다양한 객체 크기의 위치 추정을 개선하기 위해 양방향 연결(BiC) 모듈을 네트워크에 통합했습니다.

또 다른 주목할 만한 기능은 앵커 보조 학습(AAT) 전략입니다. AAT는 학습 중 앵커 기반 탐지기의 안정성과 앵커 프리 설계의 추론 속도를 결합합니다. 이 하이브리드 접근 방식은 배포 지연 시간을 희생하지 않고도 잘 수렴하므로, 스마트 시티 분석 및 자동 계산 시스템에서 대량의 비디오를 처리하는 데 적합합니다.

YOLOv6에 대해 자세히 알아보기

성능 비교#

실시간 추론을 위해 이러한 모델을 평가할 때는 파라미터, FLOPs, mAP 정확도 간 균형이 중요합니다. 아래 표에서 두 모델의 성능을 비교합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

DAMO-YOLO는 소형 모델 영역에서 약간 앞서지만(46.0 mAP 대 45.0 mAP), YOLOv6-3.0은 더 잘 확장되어 중형 및 대형 모델 영역에서 앞서며, nano 구성에서는 가장 적은 파라미터 수를 유지합니다.

두 모델 중 선택하기

백본을 맞춤화하기 위해 하드웨어 환경에서 대규모 자동 탐색을 수행할 수 있다면 DAMO-YOLO의 NAS 접근 방식이 효과적입니다. 반면 T4 또는 A100과 같은 표준 GPU 가속에 전적으로 의존한다면 YOLOv6의 EfficientRep 구조가 대개 더 높은 순수 FPS로 이어집니다.

사용 사례 및 권장 사항#

DAMO-YOLO와 YOLOv6 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.

YOLOv6을 선택할 경우#

다음과 같은 경우 YOLOv6을 권장합니다.

  • 산업용 하드웨어 고려 배포: 모델의 하드웨어 고려 설계와 효율적인 재매개변수화가 특정 대상 하드웨어에서 최적화된 성능을 제공하는 시나리오입니다.
  • 빠른 단일 단계 검출: 통제된 환경에서 실시간 비디오 처리를 위해 GPU에서의 순수 추론 속도를 우선시하는 애플리케이션입니다.
  • Meituan 생태계 통합: 이미 Meituan의 기술 스택과 배포 인프라를 사용하는 팀에 적합합니다.

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 장치에서는 YOLO26이 최대 43% 더 빠른 CPU 추론 속도(YOLO26n과 YOLO11n 비교)를 제공하므로 확실한 이점을 얻을 수 있습니다.
  • 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.

Ultralytics의 강점: YOLO26 소개#

DAMO-YOLO와 YOLOv6-3.0은 모두 성능이 뛰어나지만, 생태계가 파편화되어 있고 단일 작업에 제한되며 배포 파이프라인이 복잡합니다. 현대적인 엔지니어링 팀에는 가장 최근의 YOLO26을 포함한 Ultralytics 모델이 훨씬 더 나은 개발자 경험을 제공합니다.

2026년 1월에 출시된 YOLO26은 엣지와 클라우드 배포 모두를 위해 설계되었으며, 메모리 요구 사항과 연산 효율성을 최적화합니다.

YOLO26을 선택해야 하는 이유#

  1. 종단 간 NMS 없는 설계: YOLOv10의 개념을 기반으로 한 YOLO26은 선택적 일대일 헤드(nms=False)를 통해 네이티브 종단 간 추론을 지원하며 비최대 억제(NMS) 후처리를 생략합니다. 이를 통해 배포 코드가 간소화되고 엣지 디바이스 전반의 추론 지연 시간 편차가 줄어듭니다.
  2. 최적화 개선: YOLO26은 MuSGD 옵티마이저를 사용합니다. 이는 SGD와 Muon을 결합한 하이브리드 방식으로, 대규모 언어 모델 학습에서 영감을 얻었으며 안정적인 학습과 빠른 수렴을 제공합니다.
  3. 하드웨어 호환성: DFL 제거(Distribution Focal Loss)는 출력 헤드를 간소화하고 엣지 디바이스 호환성을 높입니다. YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠르므로, 모바일 또는 IoT 엣지 환경에서 YOLOv6보다 적합합니다.
  4. 정확도 향상: ProgLoss + STAL을 적용한 YOLO26은 소형 객체 탐지를 개선하므로 항공 이미지와 결함 검사에 적합합니다.
  5. 다중 작업 유연성: 바운딩 박스만 예측하는 산업용 모델과 달리 YOLO26 제품군은 인스턴스 분할, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB) 등 여러 작업을 지원합니다.

생태계 경험#

Ultralytics Platform은 전체 머신러닝 수명 주기를 지원합니다. 모델 학습에 다단계 증류 파이프라인은 필요하지 않습니다. 자동 데이터 증강, 통합 하이퍼파라미터 튜닝, ONNX, OpenVINO, CoreML과 같은 형식으로의 원클릭 내보내기를 활용하면 데이터셋에서 프로덕션까지 빠르게 진행할 수 있습니다.

Ultralytics 모델은 메모리 효율성도 뛰어나며, RT-DETR과 같은 Transformer 아키텍처에서 요구되는 대용량 VRAM을 피할 수 있습니다.

빠른 시작 코드 예제#

YOLO26과 같은 Ultralytics 모델의 학습과 추론은 간단합니다. 다음 Python 스크립트는 몇 줄의 코드만으로 학습, 추론, 내보내기를 수행하는 방법을 보여줍니다:

from ultralytics import YOLO

# 효율성이 뛰어난 YOLO26 나노 모델 불러오기
model = YOLO("yolo26n.pt")

# 사용자 지정 데이터셋으로 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 샘플 이미지에서 추론 실행
prediction = model("https://ultralytics.com/images/bus.jpg")

# 최대 GPU 처리량을 위해 TensorRT로 내보내기
model.export(format="engine", dynamic=True)

결론#

DAMO-YOLO와 YOLOv6-3.0은 산업용 객체 탐지를 발전시킨 인상적인 엔지니어링 성과입니다. 하지만 이 모델들은 복잡한 설정과 엄격한 하드웨어 제약이 필요한 경우가 많은 특화 도구입니다.

뛰어난 성능 균형, 다중 작업 기능, 적극적으로 관리되는 생태계가 필요한 개발자와 연구자에게는 Ultralytics YOLO26을 권장합니다. LLM에서 영감을 얻은 옵티마이저와 NMS 없는 추론을 지원하는 간결한 아키텍처를 결합한 YOLO26은 엣지와 클라우드 환경 전반에서 높은 정확도를 제공하면서 AI 배포를 간소화합니다.

새 컴퓨터 비전 프로젝트를 위한 모델을 평가하고 있다면 Ultralytics YOLO 생태계의 기능부터 살펴보세요. 실시간 비전 AI의 발전을 충분히 이해하려면 EfficientDet과 같은 다른 아키텍처나 이전 이정표인 YOLO11과 비교하는 것도 유용합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.