DAMO-YOLO와 YOLOv7 비교

컴퓨터 비전 연구를 통해 정확도와 연산 비용 간의 균형을 맞추도록 설계된 효율적인 객체 감지 모델이 개발되었습니다. 2022년에 등장한 주목할 만한 두 모델은 DAMO-YOLO와 YOLOv7입니다. 두 모델 모두 실시간 비전 작업을 대상으로 하지만, 매우 다른 아키텍처와 학습 방법으로 목표를 달성합니다.

이 기술 비교에서는 두 모델의 서로 다른 접근 방식을 살펴보고, 아키텍처, 배포 가능성, 성능 지표를 분석해 머신러닝 엔지니어가 특정 컴퓨터 비전 애플리케이션에 적합한 도구를 선택할 수 있도록 돕습니다.

모델의 기원 및 메타데이터#

기술 분석에 앞서 각 모델의 배경을 살펴보겠습니다.

DAMO-YOLO#

Alibaba Group의 연구자들이 개발한 DAMO-YOLO는 자동화된 아키텍처 탐색과 증류를 통해 속도와 정확도를 모두 최적화하도록 출시되었습니다.

DAMO-YOLO에 대해 자세히 알아보기

YOLOv7#

2022년 중반 실시간 검출기의 최신 모델로 출시된 YOLOv7은 배포 비용을 늘리지 않으면서 학습 가능한 "무료 이득 묶음"을 도입해 실시간 추론 성능을 한층 발전시켰습니다.

YOLOv7에 대해 자세히 알아보기

Ultralytics 지원

Ultralytics는 YOLOv7 가중치나 YAML 파일을 배포하지 않으므로 YOLOv7은 Ultralytics 패키지에서 기본적으로 학습할 수 없습니다. 업스트림 리포지토리에서 학습한 YOLOv7 모델은 ONNX 또는 TensorRT로 내보낸 다음 Ultralytics에서 추론을 실행할 수 있습니다.

아키텍처 혁신#

DAMO-YOLO: NAS 및 증류#

DAMO-YOLO에는 효율성을 위한 여러 기법이 포함되어 있습니다.

  • NAS 백본: Neural Architecture Search(NAS)를 사용해 지연 시간에 민감한 환경에 맞는 효율적인 백본(MAE-NAS)을 자동으로 설계합니다.
  • 효율적인 RepGFPN: 여러 스케일에서 특징 융합 효율성을 크게 높인 개선된 일반화 특징 피라미드 네트워크입니다.
  • ZeroHead 및 AlignedOTA: 경량 탐지 헤드와 최적화된 레이블 할당 전략(AlignedOTA)을 적용해 계산 오버헤드를 줄입니다.
  • 증류 강화: 학습 중 지식 증류에 크게 의존하여 파라미터 수를 늘리지 않고도 더 작은 모델 변형의 성능을 높입니다.

YOLOv7: E-ELAN 및 공짜 혜택 묶음#

YOLOv7은 그래디언트 경로 최적화와 강력한 학습 전략에 초점을 맞춘 구조적 엔지니어링 접근 방식을 취했습니다.

  • E-ELAN 아키텍처: 확장 효율 레이어 집계 네트워크는 가장 짧은 그래디언트 경로와 가장 긴 그래디언트 경로를 제어하여 모델이 더 다양한 특징을 학습하도록 하고 효과적인 학습 수렴을 보장합니다.
  • 모델 스케일링: 연결 기반 모델에 맞춘 복합 스케일링 방법을 도입하여 구조적 정렬을 위해 깊이와 너비를 동시에 조정합니다.
  • 학습 가능한 공짜 혜택 묶음: 항등 연결이 없는 재매개변수화 합성곱(RepConv)과 동적 레이블 할당 전략 등의 기법을 적용하여 추론 속도에 영향을 주지 않고 학습 중 정확도를 높입니다.

성능 분석#

평균 정밀도(mAP), 속도, 효율성을 평가할 때 두 모델 모두 우수한 성능을 보이지만, 약간 다른 영역을 대상으로 합니다. YOLOv7은 높은 정확도의 GPU 배포에 초점을 맞추는 반면, DAMO-YOLO의 NAS 기반 구조는 제한된 GPU 예산에서 낮은 지연 시간을 목표로 합니다.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

지표에서 확인할 수 있듯이 DAMO-YOLO는 경량 변형 모델(예: 파라미터가 8.5M에 불과한 tiny 모델)을 제공하는 반면, YOLOv7은 더 높은 전체 정확도 최고치를 달성하며, YOLOv7x는 COCO 데이터셋에서 53.1 mAP를 기록합니다.

Ultralytics 생태계의 이점#

이론적인 아키텍처도 중요하지만, 모델의 실용성은 생태계에 따라 좌우됩니다. YOLO26과 같은 Ultralytics 네이티브 모델은 잘 관리되는 생태계와 뛰어난 사용 편의성을 갖추고 있습니다.

  • 성능 균형: Ultralytics 모델은 추론 속도와 탐지 정확도 사이에서 일관되게 우수한 균형을 이루므로, 엣지 디바이스와 클라우드 기반 모델 배포에 모두 적합합니다.
  • 메모리 요구 사항: 더 무거운 Transformer 기반 모델과 달리 Ultralytics YOLO 모델은 학습 중 CUDA 메모리를 적게 사용합니다. 따라서 더 큰 배치 크기를 사용할 수 있어 소비자용 하드웨어에서도 학습 프로세스를 간소화합니다.
  • 다재다능함: Ultralytics 프레임워크는 객체 탐지를 넘어 인스턴스 분할 및 자세 추정과 같은 작업도 지원하여 개발자에게 완전한 컴퓨터 비전 툴킷을 제공합니다.
학습 효율성

Ultralytics 패키지를 사용하면 최적화된 데이터 로더와 사전 학습 가중치를 활용해 데이터셋에서 완전히 학습된 모델까지 빠르게 진행할 수 있습니다.

코드 예제: Ultralytics로 YOLOv7 실행하기#

YOLOv7 사용 예제에 설명된 대로 업스트림 YOLOv7 ONNX 내보내기 파일을 변환한 후 Ultralytics Python API로 실행할 수 있습니다.

from ultralytics import YOLO

# Ultralytics용으로 변환된 YOLOv7 ONNX 모델을 불러옵니다
model = YOLO("yolov7-ultralytics.onnx", task="detect")

# 추론 실행
predictions = model.predict("https://ultralytics.com/images/bus.jpg", save=True)

새로운 표준: YOLO26 소개#

YOLOv7과 DAMO-YOLO는 2022년에 중요한 발전을 이루었지만, 비전 AI 분야는 빠르게 변화하고 있습니다. 현재 새 프로젝트를 시작하는 팀에는 2026년 1월에 출시된 Ultralytics YOLO26을 권장합니다.

YOLO26은 성능과 사용성을 모두 개선합니다:

  • 종단 간 NMS 없는 설계: YOLO26은 네이티브 종단 간 헤드(nms=False)를 제공합니다. 비최대 억제(NMS) 후처리를 제거하여 더 빠르고 간결한 배포 로직을 구현하며, 이 접근 방식은 YOLOv10에서 처음 도입되었습니다.
  • MuSGD 옵티마이저: Moonshot AI의 Kimi K2에 사용된 기법과 같은 대규모 언어 모델 학습 기법에서 영감을 받은 YOLO26은 안정적인 학습 동역학과 빠른 수렴을 위해 SGD와 Muon을 결합한 하이브리드 방식을 사용합니다.
  • CPU 추론 최대 43% 향상: Distribution Focal Loss(DFL)를 제거하고 아키텍처를 간소화한 YOLO26은 저전력 엣지 컴퓨팅에 최적화되어 있으며, YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행됩니다.
  • ProgLoss + STAL: 새로운 점진적 손실 함수와 작은 객체 인식형 레이블 할당 방식은 소형 객체 인식을 명시적으로 대상으로 삼아 개선합니다. 이는 항공 이미지, 로보틱스, 보안 모니터링 애플리케이션에 필수적인 기능입니다.
  • 작업별 개선 사항: 일반적인 탐지를 넘어 분할을 위한 다중 스케일 프로토타이핑, 자세 추정을 위한 RLE, 방향성 바운딩 박스(OBB)를 위한 전용 각도 손실 등 다양한 작업에 맞춘 개선 사항을 제공합니다.

적합한 사용 사례#

적합한 아키텍처는 대상 배포 환경과 프로젝트 제약 조건에 따라 달라집니다.

DAMO-YOLO를 선택해야 하는 경우:

  • DAMO-YOLO의 소형 NAS 탐색 변형 모델로 파라미터 수를 낮게 유지할 수 있는, 지연 시간 예산이 엄격한 전용 GPU 하드웨어에 배포하는 경우입니다.
  • 신경망 아키텍처 탐색 또는 지식 증류를 연구하는 경우입니다.

YOLOv7을 선택해야 하는 경우:

  • 앵커 기반 고정확도 추론에 맞게 이미 최적화된 레거시 GPU 파이프라인을 보유한 경우입니다.
  • 고속 자율주행 차량이나 첨단 로보틱스처럼 실시간 정확도가 무엇보다 중요한 환경에서 운영하고 있습니다.

YOLO26을 선택해야 하는 경우(권장):

  • 컴퓨터 비전 애플리케이션을 처음부터 새로 구축하며, 높은 정확도와 빠른 CPU 및 엣지 추론이 모두 필요한 경우입니다.
  • NMS 연산자 제약을 다루지 않고 CoreML 또는 TensorRT로 내보내는 것과 같이 빠르고 간단하게 배포해야 하는 경우입니다.
  • 클라우드 학습, 데이터셋 관리, 자동 배포를 위해 Ultralytics Platform의 모든 기능을 활용하고자 합니다.

Ultralytics 생태계를 사용하면 개발자는 실제 애플리케이션에서 뛰어난 예측 성능을 유지하면서 엔지니어링 시간을 크게 단축할 수 있습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.