DAMO-YOLO와 YOLOv7 비교#
컴퓨터 비전의 빠른 발전으로 정밀도와 계산 비용 간의 균형을 맞추도록 설계된 고효율 객체 탐지 모델이 등장했습니다. 2022년에 출시된 주목할 만한 모델 두 가지는 DAMO-YOLO와 YOLOv7입니다. 두 모델 모두 실시간 비전 작업의 한계를 넓히려 하지만, 크게 다른 아키텍처 패러다임과 학습 방법론을 통해 목표를 달성합니다.
이 포괄적인 기술 비교에서는 두 모델의 서로 다른 접근 방식을 살펴보고 아키텍처, 배포 가능성, 성능 지표를 검토하여 머신러닝 엔지니어가 구체적인 컴퓨터 비전 애플리케이션에 적합한 도구를 선택하도록 돕습니다.
모델의 기원 및 메타데이터#
심층적인 기술 분석에 앞서 이 두 컴퓨터 비전 모델의 기원을 파악하는 것이 중요합니다.
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 최첨단 모델로 출시된 YOLOv7은 배포 비용을 늘리지 않고 학습 가능한 '공짜 혜택 묶음'을 도입하여 실시간 추론의 수준을 한층 끌어올렸습니다.
- 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-YOLO는 효율성을 극대화하기 위해 다음과 같은 여러 최첨단 기법을 적용합니다.
- NAS 백본: 신경망 아키텍처 탐색(NAS)을 사용하여 지연 시간에 민감한 환경에 맞는 최적의 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.
- 증류를 통한 성능 향상: 학습 중 지식 증류를 적극 활용해 파라미터 수를 늘리지 않고 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 평가하면 두 모델 모두 인상적인 지표를 보이지만, 각기 조금씩 다른 분야를 겨냥합니다. YOLOv7은 고정확도 GPU 배포에 크게 초점을 맞추는 반면, DAMO-YOLO의 NAS 기반 구조는 지연 시간을 크게 줄인 CPU 및 엣지 배포를 목표로 합니다.
| 모델 | 크기 (픽셀) | mAP검증 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 8.5M 파라미터만 사용하는 tiny 모델과 같은 초경량 변형을 제공하는 반면, YOLOv7은 전반적으로 더 높은 최고 정확도를 달성하며 YOLOv7x는 COCO 데이터셋에서 인상적인 53.1 mAP를 기록합니다.
Ultralytics 생태계의 이점#
이론적인 아키텍처도 중요하지만 모델의 실용성은 생태계에 따라 결정됩니다. YOLO26과 같은 기본 Ultralytics 모델은 잘 관리되는 생태계와 독보적인 사용 편의성의 이점을 누립니다.
- 성능 균형: Ultralytics 모델은 추론 속도와 탐지 정확도 간의 최적 균형을 꾸준히 달성하므로 엣지 장치와 클라우드 기반 모델 배포 모두에 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 고도로 최적화된 데이터 로더와 사전 학습 가중치를 활용하여 몇 분 만에 데이터셋에서 완전히 학습된 모델까지 원활하게 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 혁신을 이뤘지만, 비전 AI 분야는 빠르게 발전하고 있습니다. 오늘날 새로운 프로젝트를 시작하는 팀에는 2026년 1월에 출시된 최첨단 Ultralytics YOLO26을 권장합니다.
YOLO26은 최첨단 혁신 기술을 적용하여 성능과 사용성에서 세대적 도약을 이룹니다.
- 종단 간 NMS 없는 설계: YOLO26은 기본 종단 간 헤드(
nms=False)를 제공합니다. 비최대 억제(NMS) 후처리를 제거해 더 빠르고 단순한 배포 로직을 구현합니다. 이 패러다임 전환은 YOLOv10이 처음 선보였습니다. - MuSGD Optimizer: Moonshot AI의 Kimi K2와 같은 대규모 언어 모델 혁신에서 영감을 얻은 YOLO26은 SGD와 Muon의 하이브리드를 사용합니다. 이 옵티마이저는 매우 안정적인 학습 동역학과 훨씬 빠른 수렴 속도를 보장합니다.
- 최대 43% 빠른 CPU 추론: 분포 초점 손실(DFL)을 의도적으로 제거하고 구조를 대폭 개선한 YOLO26은 저전력 엣지 컴퓨팅에 최적화되어 GPU가 없는 하드웨어에서 이전 세대보다 뛰어난 성능을 발휘합니다.
- ProgLoss + STAL: 작은 객체 인식을 명시적으로 개선하는 새로운 고급 손실 함수를 적용합니다. 이 기능은 항공 이미지, 로봇공학, 보안 모니터링 애플리케이션에 필수적입니다.
- 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 전적으로 대상 배포 환경과 프로젝트 제약 조건에 따라 달라집니다.
DAMO-YOLO를 선택해야 하는 경우:
- 마이크로컨트롤러와 같이 파라미터 수를 극도로 낮게 유지해야 하는, 리소스 제약이 심한 엣지 환경에서 작업하는 경우입니다.
- Alibaba의 독점 클라우드 서비스에 특별히 통합된 자동화 머신러닝 파이프라인을 사용하는 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):
- 새로운 컴퓨터 비전 애플리케이션을 처음부터 구축하며, 정밀도와 CPU/엣지 추론 속도 모두에서 최고 수준의 성능이 필요합니다.
- NMS 연산자 제약을 처리하지 않고도 CoreML 또는 TensorRT로 내보내는 등 빠르고 원활하게 배포해야 합니다.
- 클라우드 학습, 데이터셋 관리, 자동 배포를 위해 Ultralytics Platform의 모든 기능을 활용하고자 합니다.
Ultralytics 모델의 견고한 생태계를 활용하면 개발자는 실제 애플리케이션에서 최고 수준의 예측 성능을 확보하면서 엔지니어링 시간을 대폭 줄일 수 있습니다.