DAMO-YOLO와 YOLOX 비교
실시간 컴퓨터 비전은 계속 발전하고 있습니다. 주목할 만한 두 가지 이정표는 DAMO-YOLO와 YOLOX로, 각각 고속·고정확도 객체 탐지에 고유한 혁신을 도입했습니다. 두 모델 모두 오픈 소스 커뮤니티에 크게 기여했으며, 머신러닝 엔지니어는 아키텍처 차이와 학습 방법, 최적의 배포 시나리오를 이해함으로써 이점을 얻을 수 있습니다.
이 가이드에서는 두 모델의 기술적 세부 사항을 살펴보고, Ultralytics YOLO26과 같은 최신 대안이 오늘날의 프로덕션 환경에서 더 나은 성능과 사용 편의성을 제공하는 이유를 설명합니다.
모델 개요#
DAMO-YOLO 세부 정보#
Alibaba Group의 연구팀이 개발한 DAMO-YOLO는 자동화된 아키텍처 탐색을 사용하는 효율적인 객체 탐지 방법으로 소개되었습니다.
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 기관: Alibaba Group
- 날짜: 2022-11-23
- arXiv: https://arxiv.org/abs/2211.15444v2
- GitHub: https://github.com/tinyvision/DAMO-YOLO
- 문서: DAMO-YOLO 문서
YOLOX 상세 정보#
Megvii의 연구진이 개발한 YOLOX는 YOLO 시리즈를 앵커 프리 설계로 전환해 아키텍처를 단순화하면서 당시 더 나은 성능을 달성함으로써 연구 커뮤니티와 산업계 간의 격차를 해소하는 것을 목표로 했습니다.
- 저자: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- 조직: Megvii
- 날짜: 2021-07-18
- arXiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- 문서: YOLOX 문서
아키텍처 분석#
DAMO-YOLO 아키텍처#
DAMO-YOLO는 신경망 아키텍처 탐색(NAS)에 크게 의존합니다. 핵심 구성 요소는 다음과 같습니다.
- MAE-NAS 백본: 최대 엔트로피 기반 탐색을 사용해 추론 속도와 정확도의 균형을 이루는 백본을 찾습니다.
- 효율적인 RepGFPN: 특징 융합을 위해 조정된 대형 넥 설계로, 다양한 객체 규모에서 모델이 높은 정확도를 유지하도록 돕습니다.
- ZeroHead: 최종 예측 계층의 연산 오버헤드를 줄이는 간소하고 경량화된 감지 헤드입니다.
YOLOX 아키텍처#
YOLOX는 구조적 단순성과 앵커 프리 설계에 초점을 맞춰 다른 접근 방식을 취했습니다.
- 앵커 프리 메커니즘: 사전 정의된 앵커 없이 경계 상자 좌표를 직접 예측하여, 필요한 설계 매개변수와 휴리스틱 조정을 줄입니다.
- 분리형 헤드: 분류와 회귀 작업을 서로 다른 특징 분기로 분리하여 수렴 속도와 전반적인 정확도를 개선합니다.
- SimOTA 레이블 할당: 정답에 양성 샘플을 동적으로 할당하여 학습 효율을 높이는 레이블 할당 전략입니다.
DAMO-YOLO는 엄격한 제약 조건에서 효율적인 아키텍처를 찾기 위해 머신 기반 NAS를 사용하는 반면, YOLOX는 객체 탐지 파이프라인을 간소화하기 위해 사람이 설계한 단순화 방식(예: 앵커 프리 헤드)에 의존합니다.
성능 비교#
이러한 모델을 평가하려면 평균 정밀도(mAP), 추론 속도, 파라미터 수를 살펴봐야 합니다. 아래 표에서는 두 아키텍처의 표준 및 경량 변형을 비교합니다.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
YOLOXx는 51.1로 절대 mAP가 가장 높지만, DAMO-YOLOl은 파라미터 수가 절반 미만(42.1M 대 99.1M)이면서 50.8 mAP라는 경쟁력 있는 성능과 훨씬 빠른 TensorRT 실행 속도를 제공합니다.
학습 방법론#
DAMO-YOLO 학습#
DAMO-YOLO는 학습 중 복잡한 지식 증류 기법을 사용합니다. 대개 먼저 대형 "교사" 모델을 학습시킨 다음, 그 지식을 소형 "학생" 모델에 증류합니다. 또한 동적 레이블 할당에 AlignedOTA를 사용합니다. 효과적인 방법이지만, 이 다단계 학습 프로세스에는 상당한 GPU 연산 시간과 메모리 오버헤드가 필요합니다.
YOLOX 학습#
YOLOX는 MixUp 및 Mosaic과 같은 강력한 데이터 증강 전략을 사용합니다. 하지만 저자들은 마지막 15 에포크 동안 이러한 강력한 증강을 중단하면 모델이 자연 이미지 분포에 적응하여 최종 정확도가 크게 향상된다는 사실을 발견했습니다.
적합한 사용 사례#
- DAMO-YOLO: 서버 측 증류 파이프라인을 지원할 수 있고, 대상 하드웨어(예: 특정 NVIDIA GPU)가 대형 넥 NAS 아키텍처의 이점을 직접 얻을 수 있는 고위험 산업 배포에 가장 적합합니다.
- YOLOX: 순수한 앵커 프리 접근 방식을 원하는 개발자에게 적합합니다. 경량
YOLOXnano은 레거시 Android 장치, 엣지 컴퓨팅, 파라미터 수가 절대적인 병목인 매우 제한된 IoT 센서에서도 사용할 수 있습니다.
Ultralytics의 장점: YOLO26 출시#
DAMO-YOLO와 YOLOX는 중요한 이정표이지만, 오늘날 개발자에게는 더 포괄적이고 다재다능하며 사용하기 쉬운 솔루션이 필요합니다. 바로 이 점에서 Ultralytics Platform과 새롭게 출시된 Ultralytics YOLO26이 돋보입니다.
2026년 1월에 출시된 YOLO26은 지원되는 컴퓨터 비전 작업 전반에서 권장되는 Ultralytics 모델입니다. 이전 아키텍처보다 여러 가지 개선 사항을 도입했습니다:
- 종단 간 NMS 프리 설계: YOLO26의 선택형 일대일 헤드(
nms=False)는 비최대 억제(NMS) 후처리 단계를 생략합니다. 따라서 기존 탐지 헤드에 내재된 지연 시간 병목을 피하면서 배포를 훨씬 간편하고 빠르게 수행할 수 있습니다. - 최대 43% 더 빠른 CPU 추론: Distribution Focal Loss(DFL)를 제거하고 레이어를 최적화하여 YOLO26은 CPU와 엣지 하드웨어에서 빠른 추론을 제공합니다. YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠릅니다.
- MuSGD 옵티마이저: 대규모 언어 모델(LLM) 학습 기법에서 영감을 얻은 YOLO26은 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)를 도입하여 안정적인 학습과 기존 YOLOX 학습 설정보다 빠른 수렴을 지원합니다.
- ProgLoss + STAL: Progressive Loss와 소형 객체 인식 레이블 할당은 소형 객체 인식 성능을 크게 개선하여 YOLO26이 드론 영상과 로보틱스에 더 적합하도록 합니다.
- 다용도성: 객체 탐지 전용인 DAMO-YOLO와 달리 YOLO26은 잘 관리되는 단일 생태계 안에서 인스턴스 분할, 분류, 자세 추정, 방향성 바운딩 박스(OBB)를 기본적으로 처리합니다.
Ultralytics를 통한 간편한 사용#
Ultralytics Python API는 개발자 경험을 간소화합니다. YOLO26 모델을 학습하는 데 필요한 상용구 코드는 훨씬 적으며 DAMO-YOLO의 복잡한 증류 파이프라인도 필요하지 않습니다. 또한 Ultralytics 모델은 무거운 Transformer 기반 모델에 비해 학습 시 CUDA 메모리 요구량이 낮습니다.
from ultralytics import YOLO
# 최신 Ultralytics YOLO26 나노 모델을 불러옵니다
model = YOLO("yolo26n.pt")
# 한 줄의 코드로 사용자 지정 데이터셋에 모델을 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 이미지에서 빠르고 NMS-free 추론을 실행합니다
results = model("https://ultralytics.com/images/bus.jpg", nms=False)
# ONNX 또는 TensorRT로 내보내기
model.export(format="onnx")데이터 버전 관리와 클라우드 GPU 프로비저닝을 대신 처리하는 Ultralytics Platform을 사용해 모델에 자동으로 어노테이션을 추가하고, 학습하고, 엣지에 배포할 수 있습니다.
결론#
DAMO-YOLO와 YOLOX 중 무엇을 선택할지는 구체적인 제약 조건에 따라 달라집니다. DAMO-YOLO는 NAS를 통해 특정 GPU에서 높은 속도 대비 정확도 비율을 제공하는 반면, YOLOX는 경량 엣지 시나리오에 적합한 깔끔한 앵커 프리 설계를 제공합니다.
그러나 활발한 커뮤니티를 갖춘 현대적이고 적극적으로 유지 관리되는 솔루션을 원하는 팀에는 Ultralytics YOLO26 아키텍처를 권장합니다. 선택형 NMS 프리 추론, 빠른 CPU 추론, 탐지·분할·자세 작업을 위한 통합 API를 통해 연구에서 실제 프로덕션으로 전환하기에 적합합니다.
다른 최신 아키텍처를 살펴보고 싶은 개발자는 포괄적인 Ultralytics 문서에서 Ultralytics YOLO11이나 RT-DETR과 같은 Transformer 기반 모델을 확인해 보세요.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.