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.
- 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
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.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2022년 7월 6일
- arXiv: 2207.02696
- 문서: YOLOv7 문서
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.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
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.
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.