EfficientDet과 DAMO-YOLO 비교

확장 가능한 컴퓨터 비전 파이프라인을 구축할 때 적합한 모델 아키텍처를 선택하는 것은 배포 가능성과 탐지 정확도 모두에 영향을 미치는 중요한 결정입니다. 이 가이드에서는 잘 알려진 두 가지 아키텍처인 EfficientDet과 DAMO-YOLO를 기술적으로 비교합니다.

두 모델 모두 객체 탐지에 중요한 혁신을 가져왔지만, 이후 비전 AI는 더욱 통합된 생태계로 발전했습니다. 이 분석에서는 이전 네트워크의 핵심 작동 원리를 살펴보고, Ultralytics Platform 및 Ultralytics YOLO26과 같은 최신 솔루션이 프로덕션 환경에서 널리 사용되는 이유를 설명합니다.

EfficientDet: 확장 가능하고 효율적인 객체 탐지#

Google 연구진이 발표한 EfficientDet은 높은 효율성을 유지하면서 모델 아키텍처를 체계적으로 확장하도록 설계되었습니다. 네트워크의 깊이, 너비, 입력 해상도에 복합 스케일링을 적용해 이를 구현했습니다.

EfficientDet 세부 정보:

아키텍처 혁신#

EfficientDet의 주요 기여는 양방향 특징 피라미드 네트워크(BiFPN)입니다. 기존 FPN과 달리 BiFPN은 학습 가능한 가중치를 사용해 서로 다른 입력 특징의 중요도를 반영함으로써 다중 스케일 특징을 빠르게 융합합니다. 여기에 EfficientNet 백본을 결합해 D0부터 D7까지 예측 가능한 방식으로 확장되는 모델 제품군을 구성합니다.

장점과 단점#

EfficientDet의 핵심 강점은 파라미터 효율성입니다. 제한된 연산 예산 안에서 평균 정밀도(mAP)를 극대화해야 하는 작업에서 복합 스케일링 방식은 매우 예측 가능합니다. 하지만 EfficientDet은 처음부터 학습하기 복잡하고 상당한 하이퍼파라미터 튜닝이 필요한 경우가 많습니다. 또한 특정 TensorFlow 연산에 크게 의존하므로, 최신 YOLO 모델의 간소화된 내보내기 기능에 비해 ONNX 또는 TensorRT를 통한 엣지 배포로 전환하는 과정이 더 까다롭습니다.

EfficientDet에 대해 자세히 알아보기

DAMO-YOLO: 자동 아키텍처 탐색의 실제 적용#

DAMO-YOLO는 신경망 아키텍처 탐색(NAS)을 사용해 실시간 추론에 효율적인 네트워크 구조를 자동으로 설계하는 독자적인 접근 방식을 취합니다.

DAMO-YOLO 세부 정보:

아키텍처 혁신#

DAMO-YOLO는 몇 가지 새로운 기술을 도입했습니다. NAS로 생성한 MAE-NAS 백본, 넥에 적용한 효율적인 RepGFPN, 그리고 탐지 헤드의 연산 비용을 크게 줄이는 ZeroHead 설계를 사용합니다. 또한 레이블 할당에는 AlignedOTA를 사용하며, 소형 변형 모델의 성능을 높이기 위해 지식 증류에 크게 의존합니다.

장점과 단점#

DAMO-YOLO는 GPU 추론 속도가 뛰어나며, TensorRT를 사용해 NVIDIA 아키텍처에 배포하도록 설계되었습니다. 무거운 헤드 구조를 제거해 지연 시간이 짧은 예측을 제공합니다. 그러나 자동화된 아키텍처 탐색으로 인해 모델 구조가 불투명해질 수 있으며, 사용자 지정 엣지 장치에 맞춰 수동으로 디버깅하거나 미세 조정하기 어렵습니다. 다재다능한 Ultralytics YOLO11과 달리 DAMO-YOLO는 주로 일반 바운딩 박스 탐지에 초점을 맞추며, 자세 추정이나 방향 바운딩 박스(OBB) 탐지와 같은 작업을 기본적으로 지원하지 않습니다.

DAMO-YOLO 자세히 알아보기

성능 비교#

모델을 선택하려면 실증적인 장단점을 이해하는 것이 중요합니다. 아래 표에서는 주요 성능 지표를 기준으로 EfficientDet 제품군과 DAMO-YOLO 시리즈를 비교합니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
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
데이터 분석

EfficientDet-d7은 가장 높은 정확도를 달성하지만 상당한 연산 능력이 필요하므로 엣지 AI에 적합하지 않습니다. DAMO-YOLO는 TensorRT에서 빠른 속도를 제공하지만, 비슷한 정확도를 내려면 일반적으로 하위 등급 EfficientDet 모델보다 더 많은 파라미터가 필요합니다.

사용 사례 및 권장 사항#

EfficientDet과 DAMO-YOLO 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약, 생태계 선호도에 따라 달라집니다.

EfficientDet을 선택해야 하는 경우#

EfficientDet은 다음과 같은 경우에 적합합니다.

  • Google Cloud 및 TPU 파이프라인: EfficientDet의 참조 구현이 TPU 학습을 지원하는 Google Cloud TPU 인프라에서 TensorFlow 기반 시스템을 사용하는 경우입니다.
  • 복합 스케일링 연구: 네트워크 깊이, 너비, 해상도를 균형 있게 조정하는 효과를 연구하는 데 중점을 둔 학술 벤치마킹입니다.
  • LiteRT를 통한 모바일 배포: Android 또는 임베디드 Linux 장치용으로 LiteRT(구 TensorFlow Lite) 내보내기가 필요한 프로젝트입니다.

DAMO-YOLO를 선택해야 하는 경우#

다음과 같은 경우 DAMO-YOLO를 권장합니다.

  • 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.

Ultralytics(YOLO26)를 선택해야 하는 경우#

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

  • NMS 프리 엣지 배포: 비최대 억제 (NMS) 후처리의 복잡성 없이 일관되고 낮은 지연 시간으로 추론해야 하는 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 장치에서는 YOLO26이 최대 43% 더 빠른 CPU 추론 속도(YOLO26n과 YOLO11n 비교)를 제공하므로 확실한 이점을 얻을 수 있습니다.
  • 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.

Ultralytics의 강점: 기존 모델을 넘어선 발전#

EfficientDet과 DAMO-YOLO는 학술적으로 가치 있는 통찰을 제공하지만, 최신 개발자에게는 높은 성능과 개발 편의성의 균형을 갖춘 프레임워크가 필요합니다. 이러한 점에서 Ultralytics 생태계가 돋보입니다.

사용 편의성 및 생태계#

별도로 관리되는 대폭 수정된 연구용 저장소의 모델을 배포하면 통합 작업이 어려워지는 경우가 많습니다. Ultralytics는 풍부한 문서와 Python다운 API를 갖춘 통합된 체계적으로 유지 관리되는 생태계를 제공합니다. 학습에 Google Colab을 사용하든 모바일 추론을 위해 CoreML로 내보내든, 파이프라인을 실행하는 데는 코드 몇 줄이면 충분합니다.

from ultralytics import YOLO

# 높은 추천을 받은 YOLO26 nano 모델을 불러옵니다
model = YOLO("yolo26n.pt")

# 사용자 지정 데이터 세트로 모델을 학습합니다.
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# 학습된 모델을 프로덕션용 ONNX로 내보냅니다
model.export(format="onnx")

YOLO26 소개#

EfficientDet 또는 DAMO-YOLO를 평가 중인 개발자에게 Ultralytics YOLO26은 자연스러운 다음 단계입니다. 2026년 1월에 출시된 YOLO26은 다음과 같은 새로운 기능을 도입했습니다:

  • End-to-End NMS-Free Design: YOLOv10의 NMS 없는 학습을 바탕으로, YOLO26의 기본 일대일 헤드(nms=False)는 NMS 후처리를 없앱니다. 그 결과 배포 아키텍처가 간소화되고 다양한 하드웨어에서 지연 시간이 일관되게 유지됩니다.
  • CPU 추론 속도 최대 43% 향상: 강력한 GPU가 없는 엣지 배포 환경을 위해 YOLO26은 일반 CPU에 최적화되어 있습니다. DAMO-YOLO는 이러한 용도로 설계되지 않았으며, YOLO26n은 YOLO11n보다 최대 43% 빠르게 실행됩니다.
  • MuSGD Optimizer: 컴퓨터 비전에 LLM 학습 기법을 적용한 YOLO26은 안정적인 학습과 빠른 수렴을 위해 MuSGD 옵티마이저(Moonshot AI에서 영감을 얻음)를 사용합니다. 이는 학습 설정에 더 민감한 EfficientDet과 비교되는 장점입니다.
  • DFL 제거: 분포 초점 손실을 제거하면 내보내기 과정이 간소화되고 Raspberry Pi와 같은 저전력 엣지 장치와의 호환성이 향상됩니다.
  • ProgLoss + STAL: 점진적 손실과 소형 객체 인식형 레이블 할당 전략으로 소형 객체 인식 성능을 크게 높입니다. 이는 기존 아키텍처가 전통적으로 어려움을 겪던 분야입니다.

메모리 효율성과 작업 다재다능성#

Transformer 모델이나 대폭 융합된 NAS 네트워크와 달리 Ultralytics 모델은 메모리 효율성이 뛰어난 것으로 알려져 있습니다. 학습 시 CUDA 메모리를 훨씬 적게 사용하므로 일반 소비자용 하드웨어에서도 빠르게 반복 작업을 수행할 수 있습니다.

EfficientDet과 DAMO-YOLO는 바운딩 박스만 지원하지만, Ultralytics는 직관적인 동일 프레임워크에서 인스턴스 분할과 이미지 분류를 기본적으로 지원합니다. 기존 프로젝트를 유지 관리하는 사용자는 신뢰할 수 있고 널리 배포된 대안인 Ultralytics YOLOv8도 검토해 볼 수 있습니다.

결론#

적합한 비전 아키텍처를 선택하려면 이론상 성능과 실제 배포 환경을 함께 고려해야 합니다. EfficientDet은 체계적인 스케일링 접근 방식을 제공하며, DAMO-YOLO는 뛰어난 순수 GPU 속도를 제공합니다. 하지만 빠른 개발, 안정적인 배포, 최신 기능을 우선시하는 팀에는 Ultralytics 모델이 더 나은 선택입니다. YOLO26은 NMS 없는 추론과 MuSGD 최적화와 같은 혁신을 결합해 컴퓨터 비전 프로젝트에 성능이 뛰어나고 유지 관리가 용이하며 효율적인 기반을 제공합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.