DAMO-YOLO와 YOLOv9 비교
실시간 객체 감지는 계속 빠르게 발전하고 있습니다. 엔지니어링 팀과 연구자들이 정확도, 추론 속도, 연산 효율성의 적절한 균형을 찾는 가운데, 연구 커뮤니티에서 주목할 만한 두 아키텍처인 DAMO-YOLO와 YOLOv9가 등장했습니다. 두 모델 모두 컴퓨터 비전에 중요한 아키텍처 혁신을 도입합니다.
이 기술 가이드에서는 두 모델의 아키텍처 접근 방식, 학습 방법, 실제 배포 역량을 분석하고 비교합니다. 또한 현대 AI 개발에서 더 광범위한 소프트웨어 생태계가 하는 역할을 설명하고, Ultralytics Platform과 같은 통합 플랫폼 및 YOLO26과 같은 최신 세대 모델의 장점을 살펴봅니다.
요약: 적합한 아키텍처 선택#
두 모델 모두 딥러닝 연구에서 중요한 이정표이지만, 배포 철학은 조금씩 다릅니다.
DAMO-YOLO는 Neural Architecture Search(NAS)를 통해 특정 성능 프로파일을 조정할 수 있는 환경에서 강점을 발휘하므로, 맞춤형 엣지 배포를 연구하기에 흥미로운 모델입니다. 반면 YOLOv9는 심층 네트워크의 정보 병목 현상을 해결하는 데 중점을 두어 높은 파라미터 효율성을 제공합니다.
그러나 프로덕션 배포에는 통합된 Ultralytics 생태계를 권장합니다. 새 프로젝트에는 높은 정확도와 복잡한 후처리를 없애는 선택적 엔드투엔드 설계를 결합한 최신 YOLO26 모델이 적합합니다.
DAMO-YOLO와 YOLOv9는 강력한 학술 모델이지만, 프로덕션 환경에 배포하려면 상당한 커스텀 엔지니어링이 필요한 경우가 많습니다. Ultralytics YOLO26은 간결하고 유지 관리하기 쉬운 API로 높은 성능을 제공합니다.
기술 사양 및 개발 주체#
이 모델의 기원과 개발 목적을 살펴보면 각 모델의 강점을 이해하는 데 도움이 됩니다.
DAMO-YOLO#
Alibaba Group의 연구자들이 개발한 DAMO-YOLO는 자동화된 아키텍처 생성과 효율적인 특징 융합에 중점을 둡니다.
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 기관: Alibaba Group
- 출시일: 2022년 11월 23일
- arXiv 논문: DAMO-YOLO 연구 논문
- 공식 GitHub: tinyvision/DAMO-YOLO 저장소
- 문서: DAMO-YOLO README
YOLOv9#
심층 합성곱 네트워크의 정보 손실을 해결하기 위해 도입된 YOLOv9는 학습 중 기울기 정보를 보존하는 데 중점을 둡니다.
- 저자: Chien-Yao Wang 및 Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 출시일: 2024년 2월 21일
- arXiv 논문: YOLOv9 연구 논문
- 공식 GitHub: WongKinYiu/yolov9 저장소
- 문서: YOLOv9 Ultralytics 문서
아키텍처 혁신#
DAMO-YOLO: 신경망 아키텍처 탐색 기반#
DAMO-YOLO는 맞춤형 기계 생성 구성 요소를 특징으로 합니다. 백본은 다양한 하드웨어에서 저지연 추론을 구현하도록 Neural Architecture Search(NAS)를 사용해 생성됩니다.
이 아키텍처는 특징 융합을 위한 효율적인 RepGFPN(재매개변수화된 일반화 특징 피라미드 네트워크)을 갖추고 있어, 연산 오버헤드를 과도하게 늘리지 않으면서 멀티스케일 객체 감지 성능을 향상합니다. 또한 검출 헤드를 간소화하는 ZeroHead 설계와 레이블 할당을 위한 AlignedOTA를 사용하며, 학습 중 지식 증류 강화 프로세스를 적용합니다. 이러한 기법은 빠른 추론을 제공하지만, 다단계 증류 과정에는 상당한 VRAM과 긴 학습 시간이 필요한 경우가 많습니다.
YOLOv9: 정보 병목 문제 해결#
YOLOv9는 심층 네트워크의 근본적인 문제, 즉 입력 데이터가 연속된 레이어를 통과하면서 정보가 점진적으로 손실되는 문제를 해결합니다.
이를 해결하기 위해 저자들은 심층 레이어에 중요한 세부 정보를 유지하고 가중치 업데이트에 신뢰할 수 있는 기울기를 생성하도록 설계된 보조 감독 프레임워크인 프로그래밍 가능한 기울기 정보(PGI)를 도입했습니다. PGI와 함께 GELAN(일반화된 효율적 레이어 집계 네트워크) 아키텍처도 선보였습니다. 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 보여 줍니다. YOLOv9은 비슷한 파라미터 수에서 더 높은 정확도를 달성하며, 전반적으로 가장 높은 절대 정확도를 기록합니다. 이는 어려운 데이터셋에서도 높은 충실도를 유지하는 PGI 아키텍처의 이점을 활용한 결과입니다.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
위에서 보듯 YOLOv9-E가 가장 높은 정확도를 달성하며, 더 작은 DAMO-YOLO 및 YOLOv9 변형은 TensorRT 최적화를 통해 경쟁력 있는 추론 속도를 유지합니다.
학습 방법론 및 생태계#
기본 아키텍처도 중요하지만 실제 애플리케이션에서는 모델 생태계의 사용성과 학습 효율성이 더욱 중요합니다.
DAMO-YOLO는 지식 증류에 의존하기 때문에 대상인 '학생' 모델에 지식을 전달하기 전에 번거로운 '교사' 모델을 학습해야 하는 경우가 많습니다. 이러한 전통적인 연구 방식은 메모리 요구량과 학습 주기를 크게 늘립니다. 마찬가지로 기존 YOLOv9 리포지토리는 복잡한 구성 파일을 살펴봐야 하므로 민첩한 개발이 느려질 수 있습니다.
반면 Ultralytics Platform은 개발자 경험을 간소화합니다. Ultralytics Python 패키지는 상용구 코드를 추상화하므로 팀은 최소한의 노력으로 데이터 증강, 하이퍼파라미터 튜닝, 모델 내보내기를 처리할 수 있습니다.
실제 애플리케이션 및 사용 사례#
리소스 요구 사항과 정확도 프로파일에 따라 각 산업 분야에 적합한 아키텍처가 다릅니다.
- 엣지 AI 분야의 DAMO-YOLO: NAS로 최적화한 백본을 갖춘 DAMO-YOLO는 제조 품질 관리 전용 가속기처럼 하드웨어별 재매개변수화가 필요한 임베디드 시스템에서 자주 검토됩니다.
- 정밀 분석 분야의 YOLOv9: 높은 파라미터 효율성과 PGI 기반 기울기 보존을 제공하는 YOLOv9는 항공 영상 분석이나 혼잡한 소매 환경에서 작은 객체를 추적하는 것과 같은 밀집 객체 감지 시나리오에 적합합니다.
사용 사례 및 권장 사항#
DAMO-YOLO와 YOLOv9 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 선호하는 생태계에 따라 달라집니다.
DAMO-YOLO를 선택해야 하는 경우#
DAMO-YOLO는 다음과 같은 경우에 적합합니다:
- 높은 처리량의 비디오 분석: 배치 크기 1의 처리량이 주요 지표인 고정형 NVIDIA GPU 인프라에서 높은 FPS의 비디오 스트림을 처리하는 경우입니다.
- 산업 제조 라인: 조립 라인의 실시간 품질 검사처럼 전용 하드웨어에서 GPU 지연 시간 제약이 엄격한 시나리오입니다.
- 신경망 아키텍처 탐색 연구: 자동 아키텍처 탐색(MAE-NAS)과 효율적으로 재매개변수화된 백본이 감지 성능에 미치는 영향을 연구하는 경우입니다.
YOLOv9을 선택해야 하는 경우#
다음과 같은 경우 YOLOv9을 권장합니다:
- 정보 병목 연구: 프로그래밍 가능한 그래디언트 정보(PGI) 및 일반화된 효율적 계층 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트입니다.
- 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 계층의 정보 손실을 이해하고 완화하는 데 초점을 둔 연구입니다.
- 고정확도 탐지 벤치마킹: 아키텍처 비교의 기준점으로 YOLOv9의 우수한 COCO 벤치마크 성능이 필요한 시나리오입니다.
Ultralytics(YOLO26)를 선택해야 하는 경우#
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서는 YOLO26n이 YOLO11n보다 CPU 추론 속도가 최대 43% 빨라 확실한 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
Ultralytics의 강점: YOLO26으로의 발전#
기존 아키텍처를 비교하는 사용자는 최신 YOLO26 모델을 포함한 현대적인 Ultralytics 생태계로 전환하면 분명한 이점을 얻을 수 있습니다.
YOLO26은 엔드투엔드 NMS-Free 설계를 통해 배포를 간소화합니다. 선택적 일대일 헤드(nms=False)는 Non-Maximum Suppression(NMS) 후처리를 없애 더 빠르고 간단한 배포 아키텍처를 제공합니다. Distribution Focal Loss(DFL) 제거와 결합해 엣지 및 저전력 디바이스와의 호환성도 향상합니다.
YOLO26에는 LLM 학습에서 영감을 받은 확률적 경사 하강법과 Muon의 하이브리드인 MuSGD 옵티마이저도 포함되어 있습니다. 이 옵티마이저는 Transformer 의존도가 높은 대안 모델보다 메모리 사용량을 낮게 유지하면서 안정적인 학습 수렴을 지원합니다.
Ultralytics API를 사용하면 Python 코드 몇 줄만으로 실험 추적 기능이 내장된 YOLO26 모델을 학습할 수 있습니다.
from ultralytics import YOLO
# 최신 YOLO26 모델을 불러옵니다
model = YOLO("yolo26n.pt")
# 사용자 지정 데이터셋으로 효율적으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 학습한 모델을 ONNX 형식으로 내보냅니다.
model.export(format="onnx")고급 인스턴스 세그멘테이션, 고정밀 포즈 추정, 일반 바운딩 박스 감지 중 어느 작업이 필요하든 Ultralytics 프레임워크의 다목적 기능을 활용하면 팀은 딥러닝 환경 설정에 드는 시간을 줄이고 견고한 AI 솔루션 배포에 더 집중할 수 있습니다. 소형 객체 인식 성능을 높이는 ProgLoss + STAL과 같은 학습 개선 사항을 갖춘 YOLO26은 새로운 비전 애플리케이션에 권장되는 모델입니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.