DAMO-YOLO vs YOLOv7#
컴퓨터 비전의 빠른 발전으로 정밀도와 연산 비용 간의 균형을 이루도록 설계된 고효율 객체 탐지 모델이 등장했습니다. 2022년에 소개된 주목할 만한 두 모델은 DAMO-YOLO와 YOLOv7입니다. 두 모델 모두 실시간 비전 작업의 한계를 확장하는 것을 목표로 하지만, 서로 크게 다른 아키텍처 패러다임과 학습 방법론을 통해 결과를 달성합니다.
이 종합적인 기술 비교에서는 두 모델의 고유한 접근 방식을 살펴보고, 아키텍처, 배포 가능성 및 성능 지표를 검토하여 머신 러닝 엔지니어가 특정 컴퓨터 비전 애플리케이션에 적합한 도구를 선택할 수 있도록 지원합니다.
모델 출처 및 메타데이터#
심층적인 기술 분석에 앞서, 이 두 컴퓨터 비전 모델의 기원을 파악하는 것이 중요합니다.
DAMO-YOLO#
Alibaba Group의 연구원들이 개발한 DAMO-YOLO는 자동화된 아키텍처 검색과 지식 증류를 통해 속도와 정확도를 모두 최적화하도록 소개되었습니다.
- 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
YOLOv7#
2022년 중반에 최첨단 모델로 출시된 YOLOv7은 배포 비용을 늘리지 않고 학습 가능한 "bag-of-freebies"를 도입하여 실시간 추론을 한 단계 더 발전시켰습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2022년 7월 6일
- Arxiv: 2207.02696
- 문서: YOLOv7 문서
YOLOv7은 Ultralytics 생태계에서 공식적으로 지원되므로 통합 API를 사용하여 원활하게 학습, 검증 및 내보내기를 수행할 수 있습니다.
아키텍처 혁신#
DAMO-YOLO: NAS 및 지식 증류#
DAMO-YOLO는 효율성을 극대화하기 위해 설계된 여러 최첨단 기술을 통합합니다.
- NAS 백본: 지연 시간에 민감한 환경에 맞춰 최적의 백본(MAE-NAS)을 자동으로 설계하기 위해 신경망 아키텍처 검색(NAS)을 활용합니다.
- 효율적인 RepGFPN: 여러 스케일에 걸친 특징 융합 효율성을 크게 향상하는 수정된 일반화 특징 피라미드 네트워크입니다.
- ZeroHead 및 AlignedOTA: 경량 탐지 헤드와 최적화된 레이블 할당 전략(AlignedOTA)을 통합하여 연산 오버헤드를 줄입니다.
- 증류 향상: 학습 중 지식 증류를 적극적으로 활용하여 파라미터 수를 늘리지 않고 더 작은 모델 변형의 성능을 향상합니다.
YOLOv7: E-ELAN 및 Bag-of-Freebies#
YOLOv7은 그래디언트 경로 최적화와 강력한 학습 전략에 중점을 두는 보다 구조적인 엔지니어링 접근 방식을 취했습니다.
- E-ELAN 아키텍처: 확장 효율 레이어 집계 네트워크는 가장 짧은 그래디언트 경로와 가장 긴 그래디언트 경로를 제어하여 모델이 더욱 다양한 특징을 학습하도록 하며, 효과적인 학습 수렴을 보장합니다.
- 모델 스케일링: 연결 기반 모델에 맞춘 복합 스케일링 방법을 도입하여 구조적 정렬을 위해 깊이와 너비를 동시에 확장합니다.
- 학습 가능한 Bag-of-Freebies: 아이덴티티 연결이 없는 재매개변수화 합성곱(RepConv)과 동적 레이블 할당 전략 등의 기법을 사용하여 추론 속도에 영향을 주지 않고 학습 중 정확도를 향상합니다.
성능 분석#
평균 정밀도(mAP), 속도 및 효율성을 평가하면 두 모델 모두 인상적인 지표를 보이지만, 목표로 하는 세그먼트는 약간 다릅니다. YOLOv7은 고정밀 GPU 배포에 중점을 두는 반면, DAMO-YOLO의 NAS 기반 구조는 공격적인 저지연 CPU 및 엣지 배포를 목표로 합니다.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
지표에서 볼 수 있듯이 DAMO-YOLO는 8.5M개의 파라미터만 사용하는 tiny 모델과 같은 초경량 변형을 제공하는 반면, YOLOv7은 전반적으로 더 높은 정확도 최고치를 달성하며 YOLOv7x는 COCO 데이터셋에서 인상적인 53.1 mAP를 기록합니다.
Ultralytics 생태계의 이점#
이론적인 아키텍처도 중요하지만 모델의 실용성은 생태계에 의해 결정됩니다. YOLOv7과 같이 Ultralytics에서 지원하는 모델은 잘 유지 관리되는 생태계와 탁월한 사용 편의성의 이점을 누립니다.
- 성능 균형: Ultralytics 모델은 추론 속도와 탐지 정확도 간의 최적의 절충점을 일관되게 달성하므로, 엣지 디바이스와 클라우드 기반 모델 배포 모두에 적합합니다.
- 메모리 요구 사항: 더 무거운 Transformer 기반 모델과 달리 Ultralytics YOLO 모델은 학습 중 낮은 CUDA 메모리 요구 사항을 유지합니다. 이를 통해 더 큰 배치 크기를 사용할 수 있어 소비자용 하드웨어에서도 학습 프로세스를 간소화합니다.
- 다목적성: Ultralytics 프레임워크는 객체 탐지를 넘어 인스턴스 세그멘테이션 및 포즈 추정과 같은 작업까지 지원하여 개발자에게 완전한 컴퓨터 비전 툴킷을 제공합니다.
Ultralytics 패키지를 사용하면 고도로 최적화된 데이터 로더와 사전 학습된 가중치를 활용하여 단 몇 분 만에 데이터셋에서 완전히 학습된 모델로 원활하게 전환할 수 있습니다.
코드 예제: Ultralytics로 YOLOv7 학습하기#
Ultralytics Python API를 사용하면 YOLOv7을 컴퓨터 비전 파이프라인에 매우 간단하게 통합할 수 있습니다.
from ultralytics import YOLO
# Load a pre-trained YOLOv7 model
model = YOLO("yolov7.pt")
# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run inference and validate results
metrics = model.val()
predictions = model.predict("https://ultralytics.com/images/bus.jpg", save=True)새로운 표준: YOLO26 소개#
YOLOv7과 DAMO-YOLO는 2022년에 중요한 돌파구를 제시했지만 비전 AI 분야는 빠르게 발전하고 있습니다. 오늘 새로운 프로젝트를 시작하는 팀에 권장되는 모델은 2026년 1월에 출시된 최첨단 Ultralytics YOLO26입니다.
YOLO26은 최첨단 혁신 기술을 통합하여 성능과 사용성에서 세대적 도약을 제공합니다.
- 엔드 투 엔드 NMS 프리 설계: YOLO26은 기본적으로 엔드 투 엔드 방식입니다. 비최대 억제(NMS) 후처리를 제거하여 더 빠르고 단순한 배포 로직을 제공하며, 이는 YOLOv10이 처음 개척한 패러다임 전환입니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델 혁신에서 영감을 받은 YOLO26은 SGD와 Muon의 하이브리드 방식을 사용합니다. 이 옵티마이저는 매우 안정적인 학습 동역학과 훨씬 빠른 수렴 속도를 보장합니다.
- 최대 43% 더 빠른 CPU 추론: Distribution Focal Loss(DFL)를 제거하고 구조를 대폭 개선한 YOLO26은 저전력 엣지 컴퓨팅에 최적화되어 GPU가 아닌 하드웨어에서 이전 세대보다 뛰어난 성능을 제공합니다.
- ProgLoss + STAL: 소형 객체 인식에 명시적으로 초점을 맞추고 이를 개선하는 고급 신규 손실 함수를 통합합니다. 이는 항공 이미지, 로보틱스 및 보안 모니터링 애플리케이션에 필수적인 기능입니다.
- 작업별 개선: 표준 탐지를 넘어 YOLO26은 세그멘테이션을 위한 멀티스케일 프로토타이핑, 포즈 추정을 위한 RLE, 방향성 바운딩 박스(OBB)를 위한 특정 각도 손실 등 다양한 작업에 맞춘 개선 사항을 제공합니다.
이상적인 사용 사례#
적합한 아키텍처를 선택하는 것은 전적으로 목표 배포 환경과 프로젝트 제약 조건에 따라 달라집니다.
DAMO-YOLO를 선택해야 하는 경우:
- 원시 파라미터 수를 극히 낮게 유지해야 하는 매우 제한적이고 리소스가 부족한 엣지 환경(예: 마이크로컨트롤러)에서 작업하는 경우입니다.
- Alibaba의 독점 클라우드 서비스와 특별히 통합된 자동화된 머신 러닝 파이프라인을 사용하는 경우입니다.
YOLOv7을 선택해야 하는 경우:
- 앵커 기반 고정밀 추론에 이미 최적화된 레거시 GPU 파이프라인을 보유한 경우입니다.
- 고속 자율주행 차량이나 고급 로보틱스와 같이 실시간 정확도가 가장 중요한 환경에서 운영하는 경우입니다.
YOLO26을 선택해야 하는 경우(권장):
- 새로운 컴퓨터 비전 애플리케이션을 처음부터 구축하며 정밀도와 CPU/엣지 추론 속도 모두에서 절대적인 최첨단 성능이 필요한 경우입니다.
- NMS 연산자 제약을 처리하지 않고도 신속하고 원활한 배포(예: CoreML 또는 TensorRT로 내보내기)가 필요한 경우입니다.
- 클라우드 학습, 데이터셋 관리 및 자동화된 배포를 위해 Ultralytics Platform의 모든 기능을 활용하려는 경우입니다.
Ultralytics 모델의 강력한 생태계를 활용하면 개발자는 엔지니어링 시간을 크게 단축하는 동시에 실제 애플리케이션에서 최고 수준의 예측 성능을 확보할 수 있습니다.