DAMO-YOLO와 YOLOv8 비교

연구자와 엔지니어가 속도와 정확도를 높이면서 실시간 컴퓨터 비전은 계속 발전하고 있습니다. 중요한 이정표가 된 두 모델은 DAMO-YOLO와 Ultralytics YOLOv8입니다. 두 모델 모두 지연 시간과 평균 정밀도(mAP) 간의 균형을 최적화하려 하지만, 객체 감지에는 근본적으로 다른 아키텍처 접근 방식을 사용합니다.

이 기술 비교에서는 두 모델의 기반 아키텍처, 학습 방법, 실제 배포 방식을 살펴보고 다음 AI 프로젝트에 적합한 도구를 선택할 수 있도록 돕습니다.

모델 계보 및 사양#

이 딥러닝 모델의 기원을 이해하면 설계 목표와 배포 생태계를 파악하는 데 유용한 맥락을 얻을 수 있습니다.

DAMO-YOLO 세부 정보#

DAMO-YOLO 자세히 알아보기

Ultralytics YOLOv8 세부 정보#

아키텍처 혁신#

두 아키텍처의 성능 특성은 각기 다른 구조적 설계 결정에서 비롯됩니다.

DAMO-YOLO는 효율적인 네트워크 구조를 자동으로 탐색하기 위해 Neural Architecture Search(NAS)에 크게 의존합니다. MAE-NAS라는 개념을 도입해 낮은 지연 시간으로 높은 성능을 제공하는 백본을 탐색합니다. 또한 효율적인 RepGFPN(Reparameterized Generalized Feature Pyramid Network)을 사용해 다양한 공간 스케일의 특징 융합을 강화합니다.

Alibaba 팀은 학습을 개선하기 위해 ZeroHead 설계와 AlignedOTA 레이블 할당을 도입했습니다. 또한 대형 교사 모델이 경량 학생 모델을 이끌어 학술 벤치마크에서 추가 정확도를 얻도록 하는 복잡한 지식 증류 프로세스에 의존합니다.

YOLOv8: 간소화된 다목적 모델#

Ultralytics는 YOLOv8을 통해 개발자 우선 접근 방식을 취했습니다. YOLOv5의 앵커 기반 설계에서 앵커 프리 아키텍처로 전환하여 바운딩 박스 예측 수를 크게 줄이고 추론을 가속했습니다. C2f(2개 합성곱을 포함하는 교차 단계 부분 병목) 모듈을 도입하여 과도한 계산 오버헤드 없이 그래디언트 흐름과 특징 표현을 개선했습니다.

바운딩 박스만을 대상으로 하는 모델과 달리 YOLOv8은 처음부터 멀티태스크 모델로 설계되었습니다. 통합된 PyTorch 코드베이스에서 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정을 기본 지원하므로 엔지니어가 별도의 저장소를 조합할 필요가 없습니다.

효율적인 학습

Ultralytics 모델은 대형 Transformer 기반 아키텍처보다 학습 중 필요한 메모리가 적으므로 일반 사용자용 GPU에서도 우수한 결과를 얻을 수 있습니다.

성능 대결#

원시 지표를 비교할 때는 이론적 성능이 하드웨어에서의 성능으로 어떻게 이어지는지 분석하는 것이 중요합니다. 아래 표는 모델 크기별 장단점을 보여 줍니다.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

DAMO-YOLO는 증류 기법 덕분에 파라미터 대비 정확도 비율이 높지만, YOLOv8은 Nano부터 Extra-large까지 더 다양한 모델 크기를 제공합니다. YOLOv8n 모델은 엣지 환경에 최적화되어 리소스는 적게 사용하면서 실용적인 정확도를 제공합니다.

생태계 및 개발자 경험#

학술 논문과 프로덕션에 바로 적용할 수 있는 시스템을 가르는 주요 요소는 생태계입니다.

DAMO-YOLO는 광범위한 지식 증류 파이프라인에 의존하므로 커스텀 학습이 번거로울 수 있습니다. 교사 모델을 생성하고 지식을 전이하며 NAS 기반 백본을 조정하려면 충분한 CUDA 메모리와 고급 설정이 필요하므로 민첩한 엔지니어링 팀의 작업이 지연될 수 있습니다.

반면 Ultralytics 생태계는 사용 편의성을 우선시합니다. 개발자는 Ultralytics Platform을 통해 간단한 API, 포괄적인 문서, 강력한 실험 추적 통합 기능을 이용할 수 있습니다. 통합 Python 프레임워크를 사용하면 복잡한 파이프라인을 쉽게 구축할 수 있습니다.

from ultralytics import YOLO

# 사전 학습된 YOLOv8 나노 모델을 로드합니다.
model = YOLO("yolov8n.pt")

# 증강 기능이 내장된 사용자 지정 데이터셋으로 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# 배포를 위해 학습된 모델을 ONNX 형식으로 내보내기
model.export(format="onnx")

이 간소화된 워크플로는 OpenVINO 및 TensorRT로 내보내는 기능과 함께, 로컬 프로토타이핑에서 클라우드 또는 엣지 배포까지 원활한 경로를 제공합니다.

실제 애플리케이션과 적합한 사용 사례#

이러한 아키텍처 중 무엇을 선택할지는 대개 운영 환경의 제약 조건에 따라 결정됩니다.

DAMO-YOLO의 적합한 활용 분야#

DAMO-YOLO는 Neural Architecture Search를 연구하거나 복잡한 재매개변수화 전략을 재현하려는 연구자에게 적합한 학술 환경용 모델입니다. 다단계 학습에 필요한 연산 리소스를 팀이 확보한 경우, 제조 라인의 고속 결함 감지와 같은 통제된 산업 애플리케이션에서도 우수한 성능을 낼 수 있습니다.

프로덕션 환경에서 Ultralytics가 앞서는 이유#

대부분의 상용 프로젝트에서는 Ultralytics 모델이 더 나은 성능 균형을 제공합니다.

  • 스마트 리테일: YOLOv8의 멀티태스크 기능을 활용하여 재고의 바운딩 박스 탐지와 고객 행동 분석을 위한 자세 추정을 모두 처리합니다.
  • 농업: 인스턴스 분할을 활용하여 트랙터의 실시간 영상에서 식물의 정확한 경계와 잡초를 탐지합니다.
  • 항공 이미지: 방향성 바운딩 박스(OBB)를 활용하여 드론이나 위성에서 촬영한 영상 속 회전된 차량과 선박을 정확하게 추적합니다.
기타 주목할 만한 모델

더 넓은 모델 분야를 살펴보고 있다면 앵커 프리 탐지의 추가 발전을 가져온 YOLOv10 또는 YOLO11도 비교해 보세요.

미래를 대비하는 선택: YOLO26#

YOLOv8은 여전히 기반 모델로 활용되고 있지만, 해당 분야는 계속 발전해 왔습니다. 새롭게 개발하는 모든 프로젝트에는 YOLO26을 권장합니다. 2026년 1월에 출시된 YOLO26은 Ultralytics 제품군의 중요한 도약입니다.

YOLO26은 기본 제공 엔드투엔드 NMS-Free 설계(nms=False)를 지원하며, 활성화하면 기존 Non-Maximum Suppression 병목 현상을 제거합니다. Distribution Focal Loss(DFL) 제거와 결합된 이 설계 덕분에 YOLO26n은 YOLO11n보다 CPU 추론이 최대 43% 빠르며, 엣지 컴퓨팅 및 IoT 하드웨어에 적합합니다.

YOLO26은 대규모 언어 모델(LLM) 학습 기법에서 영감을 받은 MuSGD 옵티마이저도 도입해 수렴 속도를 높이고 안정적인 학습을 지원합니다. 새로운 ProgLoss + STAL 학습 전략과 결합하면 YOLO26은 소형 객체 인식 성능을 향상하여 빠르고 정확한 배포를 가능하게 합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.