Ultralytics YOLO27:

DAMO-YOLO와 YOLOv9#

실시간 객체 탐지 분야는 매우 빠른 속도로 계속 발전하고 있습니다. 엔지니어링 팀과 연구자들이 정확도, 추론 속도, 계산 효율성 간의 완벽한 균형을 추구하는 가운데, 연구 커뮤니티에서 주목할 만한 두 가지 아키텍처인 DAMO-YOLO와 YOLOv9가 등장했습니다. 두 모델 모두 컴퓨터 비전의 가능성을 확장하기 위한 중요한 아키텍처 혁신을 도입했습니다.

이 상세한 기술 가이드에서는 두 모델을 심층적으로 분석하고, 고유한 아키텍처 접근 방식, 학습 방법론, 실제 배포 역량을 비교합니다. 또한 더 광범위한 소프트웨어 생태계가 최신 AI 개발에서 중요한 역할을 수행하는 방식을 살펴보고, Ultralytics Platform과 같은 통합 플랫폼 및 YOLO26과 같은 최신 세대 모델의 장점을 소개합니다.

요약: 적합한 아키텍처 선택#

두 모델 모두 딥러닝 연구에서 중요한 이정표를 나타내지만, 배포 철학은 약간 다릅니다.

DAMO-YOLO는 고도화된 신경망 아키텍처 탐색(NAS)을 활용해 특정 성능 프로파일을 극대화할 수 있는 환경에서 뛰어난 성능을 발휘하므로, 맞춤형 엣지 배포를 위한 흥미로운 연구 대상입니다. 반면 YOLOv9는 딥러닝 정보 병목 현상 해결에 중점을 두어 매우 높은 파라미터 효율성을 제공합니다.

그러나 프로덕션 환경에 바로 사용할 수 있는 배포를 위해 엔지니어링 팀은 통합된 Ultralytics 생태계를 활용할 것을 지속적으로 권장합니다. 새로운 프로젝트에서는 최신 YOLO26 모델이 두 가지 장점을 모두 제공합니다. 즉, 최첨단 정확도와 복잡한 후처리를 제거하는 네이티브 엔드 투 엔드 설계를 결합합니다.

컴퓨터 비전 파이프라인의 미래 경쟁력 확보

DAMO-YOLO와 YOLOv9는 강력한 학술 모델이지만, 프로덕션 환경에 배포하려면 상당한 맞춤형 엔지니어링이 필요한 경우가 많습니다. Ultralytics YOLO26을 사용하면 간소화되고 유지 관리가 용이한 API를 통해 최첨단 성능에 액세스할 수 있습니다.

기술 사양 및 저자 정보#

이러한 모델의 기원과 개발 중점을 이해하면 각 모델의 강점을 파악하는 데 중요한 맥락을 얻을 수 있습니다.

DAMO-YOLO#

DAMO-YOLO는 Alibaba Group의 연구자들이 개발했으며, 자동화된 아키텍처 생성과 효율적인 특징 융합에 중점을 둡니다.

YOLOv9#

심층 합성곱 네트워크의 정보 손실을 해결하기 위한 방법으로 소개된 YOLOv9는 학습 중 그래디언트 보존의 이론적 한계를 확장합니다.

YOLOv9에 대해 자세히 알아보기

아키텍처 혁신#

DAMO-YOLO: 신경망 아키텍처 탐색으로 구동#

DAMO-YOLO는 고도로 맞춤화된 머신 생성 구성 요소를 통해 차별화됩니다. 백본은 신경망 아키텍처 탐색(NAS)을 사용해 생성되며, 다양한 하드웨어에서의 낮은 지연 시간 추론을 주요 목표로 합니다.

이 아키텍처는 특징 융합을 위한 효율적인 RepGFPN(재매개변수화된 일반화 특징 피라미드 네트워크)을 사용합니다. 이를 통해 계산 오버헤드를 과도하게 늘리지 않으면서 다중 스케일 객체 탐지 성능을 향상합니다. 또한 ZeroHead 설계를 사용해 탐지 헤드를 단순화하고, 레이블 할당에는 AlignedOTA를 활용하며, 학습 중에는 정교한 증류 강화 프로세스를 적용합니다. 이러한 기법은 빠른 추론을 제공하지만, 다단계 증류 프로세스에는 상당한 VRAM과 긴 학습 시간이 필요한 경우가 많습니다.

YOLOv9: 정보 병목 현상 해결#

YOLOv9는 딥 네트워크의 근본적인 문제인 입력 데이터 정보가 여러 계층을 거치면서 점진적으로 손실되는 현상을 해결합니다.

이를 해결하기 위해 저자들은 심층 계층에서 중요한 세부 정보를 보존하고 가중치 업데이트에 매우 신뢰할 수 있는 그래디언트를 생성하도록 설계된 보조 감독 프레임워크인 **프로그래밍 가능한 그래디언트 정보(PGI)**를 도입했습니다. PGI와 함께 GELAN(일반화 효율 계층 집계 네트워크) 아키텍처도 사용됩니다. GELAN은 CSPNet과 ELAN의 장점을 결합해 파라미터 효율성을 최적화하고, 부동 소수점 연산(FLOPs)을 엄격하게 최소화하면서 정보 흐름을 극대화합니다.

성능 분석 및 지표#

성능을 평가하면 두 모델 모두 COCO와 같은 표준 벤치마크에서 높은 평균 정밀도(mAP)를 보여줍니다. YOLOv9는 PGI 아키텍처를 활용해 까다로운 데이터셋에서도 높은 충실도를 유지하며, 동일한 모델 크기에서 더 높은 절대 정확도를 달성합니다.

모델크기
(픽셀)		mAPval
50-95		속도
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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0

위에 제시된 것처럼 YOLOv9-E가 가장 높은 정확도를 달성하는 반면, 더 작은 DAMO-YOLO 및 YOLOv9 변형 모델은 TensorRT 최적화를 통해 매우 경쟁력 있는 추론 속도를 유지합니다.

학습 방법론과 생태계#

순수한 아키텍처도 중요하지만, 모델의 생태계가 결정하는 사용성과 학습 효율성은 실제 애플리케이션에서 가장 중요합니다.

DAMO-YOLO는 지식 증류에 의존하므로, 지식을 대상 "학생" 모델로 전달하기 전에 번거로운 "교사" 모델을 학습해야 하는 경우가 많습니다. 이러한 전통적인 연구 방식은 메모리 요구량과 학습 주기 시간을 크게 증가시킵니다. 마찬가지로 기존 YOLOv9 리포지토리도 복잡한 구성 파일을 탐색해야 하므로 민첩한 개발이 느려질 수 있습니다.

반면 모델을 Ultralytics Platform에 통합하면 개발자 경험이 완전히 달라집니다. Ultralytics Python 패키지는 보일러플레이트 코드를 추상화하여 팀이 데이터 증강, 하이퍼파라미터 튜닝, 모델 내보내기를 손쉽게 처리할 수 있도록 합니다.

실제 애플리케이션 및 사용 사례#

리소스 요구 사항과 정확도 프로파일에 따라 아키텍처마다 특정 산업에서 자연스럽게 강점을 발휘합니다.

  • 엣지 AI에서의 DAMO-YOLO: NAS로 최적화된 백본 덕분에, DAMO-YOLO는 기본 제조업 품질 관리에서의 커스텀 ASIC 배포와 같이 하드웨어 특화 재매개변수화가 엄격히 요구되는 임베디드 시스템에서 자주 탐구됩니다.
  • 정밀 분석에서의 YOLOv9: 높은 파라미터 효율성과 PGI 기반 그래디언트 보존 기능을 갖춘 YOLOv9는 밀집 객체 탐지 시나리오에 적합합니다. 예를 들어 항공 이미지 분석이나 혼잡한 소매 환경에서 작은 객체를 추적하는 작업에 활용할 수 있습니다.

사용 사례 및 권장 사항#

DAMO-YOLO와 YOLOv9 중에서 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.

DAMO-YOLO를 선택해야 하는 경우#

DAMO-YOLO가 적합한 경우:

  • High-Throughput Video Analytics: batch-1 throughput이 주요 metric인 고정 NVIDIA GPU infrastructure에서 high-FPS video stream을 처리하는 경우입니다.
  • Industrial Manufacturing Lines: assembly line에서의 real-time quality inspection과 같이 전용 하드웨어에서 엄격한 GPU latency constraint가 있는 경우입니다.
  • Neural Architecture Search Research: automated architecture search(MAE-NAS)와 효율적인 reparameterized backbone이 detection performance에 미치는 영향을 연구하는 경우입니다.

YOLOv9을 선택해야 하는 경우#

YOLOv9은 다음과 같은 경우에 권장됩니다:

  • 정보 병목 연구: 프로그래밍 가능한 그래디언트 정보(PGI) 및 일반화된 효율적 레이어 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트입니다.
  • 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 레이어의 정보 손실을 이해하고 완화하는 데 중점을 둔 연구입니다.
  • 고정확도 탐지 벤치마킹: 아키텍처 비교를 위한 기준점으로 YOLOv9의 강력한 COCO 벤치마크 성능이 필요한 시나리오입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

  • NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
  • 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.

Ultralytics의 장점: YOLO26으로의 발전#

레거시 아키텍처를 비교하는 사용자의 경우, 최신 Ultralytics 생태계, 특히 최신 YOLO26 모델로 전환하면 탁월한 이점을 얻을 수 있습니다.

YOLO26은 엔드 투 엔드 NMS 프리 설계를 통해 배포 환경을 근본적으로 변화시킵니다. 비최대 억제(NMS) 후처리를 완전히 제거하여 더 빠르고 훨씬 단순한 배포 아키텍처를 제공합니다. 또한 분포 초점 손실(DFL)을 제거하여 엣지 및 저전력 디바이스와의 호환성을 향상합니다.

또한 YOLO26은 LLM 학습 혁신에서 영감을 받은 확률적 경사 하강법과 Muon 최적화를 결합한 하이브리드 방식의 혁신적인 MuSGD Optimizer를 통합합니다. 이를 통해 Transformer 중심의 대안 모델에 비해 메모리 사용량을 매우 낮게 유지하면서도 학습 수렴을 안정적으로 달성합니다.

YOLO26을 활용한 간소화된 학습

직관적인 Ultralytics API를 사용하면 단 몇 줄의 Python 코드로 실험 추적 기능이 내장된 최첨단 YOLO26 모델을 학습할 수 있습니다.

from ultralytics import YOLO

# Load the latest NMS-free YOLO26 model
model = YOLO("yolo26n.pt")

# Train on your custom dataset efficiently
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to ONNX format
model.export(format="onnx")

고급 인스턴스 세그멘테이션, 매우 정확한 포즈 추정, 표준 바운딩 박스 탐지 중 어떤 작업이 필요하든 Ultralytics 프레임워크의 유연성은 팀이 딥러닝 환경을 구성하는 데 소요하는 시간을 줄이고 강력한 AI 솔루션을 배포하는 데 더 집중할 수 있도록 합니다. 향상된 소형 객체 인식을 위한 ProgLoss + STAL과 같은 특화된 작업 개선 기능을 갖춘 YOLO26은 차세대 비전 애플리케이션을 위한 최고의 선택입니다.

기여자
GLglenn-jocher16PDpderrenger1

댓글