PP-YOLOE+ vs DAMO-YOLO

컴퓨터 비전 연구는 실시간 객체 탐지를 위한 다양한 특화 아키텍처를 만들어냈습니다. 산업 및 연구 애플리케이션용 모델을 평가할 때 2022년에 등장한 두 가지 주요 프레임워크인 Baidu의 PP-YOLOE+와 Alibaba Group의 DAMO-YOLO를 자주 접하게 됩니다. 두 모델 모두 새로운 백본, 개선된 레이블 할당 전략, 특화된 특징 융합 기법을 도입해 앵커 프리 탐지를 발전시켰습니다.

이 가이드에서는 PP-YOLOE+와 DAMO-YOLO의 아키텍처, 학습 방식, 배포상 장점을 기술적으로 분석합니다. 또한 특정 배포 제약에 알맞은 도구를 선택할 수 있도록 이 프레임워크들을 Ultralytics YOLO26과 같은 최신 솔루션과 비교합니다.

PP-YOLOE+: 산업 객체 탐지의 개선#

Baidu 생태계에서 개발된 PP-YOLOE+는 기존 PP-YOLOE를 반복적으로 개선한 모델로, PaddlePaddle 딥러닝 프레임워크에 맞춰 집중적으로 최적화되었습니다. 서버급 하드웨어에서 정확도와 추론 속도를 극대화하도록 설계되어 산업 검사 및 스마트 리테일 애플리케이션에 적합합니다.

아키텍처 혁신#

PP-YOLOE+는 기존 앵커 프리 탐지기를 개선하기 위해 여러 아키텍처 향상 기능을 도입합니다:

  • CSPRepResNet 백본: RepVGG 스타일 아키텍처와 Cross Stage Partial(CSP) 연결을 결합한 백본으로, 특성 추출 능력과 추론 지연 시간 간의 균형이 뛰어납니다.
  • 태스크 정렬 학습(TAL): PP-YOLOE+는 학습 중 분류 태스크와 회귀 태스크를 정렬하는 동적 레이블 할당 전략을 사용해 학습과 추론 성능 간의 차이를 줄입니다.
  • 효율적인 태스크 정렬 헤드(ET-head): 공간 해상도를 유지하면서 특징을 빠르게 처리하도록 설계된 간소화된 탐지 헤드로, 높은 mAP 지표를 유지하는 데 도움이 됩니다.

PP-YOLOE+ 세부 정보:

PP-YOLOE+ 자세히 알아보기

DAMO-YOLO: 엣지 환경의 신경망 아키텍처 탐색#

Alibaba DAMO Academy가 개발한 DAMO-YOLO는 확연히 다른 접근 방식을 취합니다. 백본을 수동으로 설계하는 대신, 연구팀은 신경망 아키텍처 탐색(NAS)을 사용해 엄격한 지연 시간 제약에 맞는 효율적인 네트워크 토폴로지를 찾았습니다.

주요 기능 및 학습 파이프라인#

DAMO-YOLO는 자동화 및 지식 증류 중심 방법론을 통해 낮은 지연 시간과 높은 정확도를 추구합니다:

  • MAE-NAS 백본: 최대 엔트로피 신경망 아키텍처 탐색을 사용해 파라미터와 정확도 간의 균형에 맞춰 최적화된 백본을 구성합니다.
  • 효율적인 RepGFPN: 재매개변수화된 일반화 특징 피라미드 네트워크로 강력한 멀티스케일 특징 융합을 구현해, 한 프레임 안에서 크기가 크게 다른 객체를 모델이 탐지할 수 있도록 지원합니다.
  • ZeroHead 설계: 추론 중 계산 오버헤드를 크게 줄이는 간소화된 탐지 헤드입니다.
  • 증류 개선: 소형 변형 모델의 성능을 높이기 위해 DAMO-YOLO는 대형 교사 모델이 학생 모델을 지도하는 복잡한 지식 증류 과정에 크게 의존합니다.

DAMO-YOLO 세부 정보:

DAMO-YOLO에 대해 자세히 알아보기

프레임워크 종속

PP-YOLOE+와 DAMO-YOLO는 모두 견고한 이론적 혁신을 제공하지만, 각각 PaddlePaddle 및 특정 Alibaba 환경에 긴밀하게 결합되어 있습니다. 따라서 표준화된 클라우드 또는 엣지 환경에 모델을 이식할 때 어려움이 발생할 수 있습니다.

성능 분석#

이 모델들을 평가할 때는 지연 시간, 계산 복잡도(FLOPs), 평균 정밀도(mAP) 간의 균형에 따라 최적의 배포 환경이 결정됩니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
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

DAMO-YOLOt는 PP-YOLOE+t보다 TensorRT 지연 시간이 짧고, DAMO-YOLO는 초소형 및 소형 객체에서 더 정확해 대용량 비디오 스트림에 매우 경쟁력 있는 모델입니다. 반면 PP-YOLOE+는 초대형(x) 변형까지 확장성이 뛰어나 추론 시간이 부차적인 고려 사항인 복잡한 이미지에서 최고 수준의 정확도를 달성합니다.

Ultralytics의 강점: 2022년 아키텍처를 넘어선 발전#

PP-YOLOE+와 DAMO-YOLO는 중요한 이정표였지만, 최신 개발에는 더 높은 다목적성, 간편한 학습 파이프라인, 낮은 메모리 요구량이 필요합니다. Ultralytics Platform은 기존 모델에 필요한 복잡한 증류와 프레임워크별 설정을 피하는 간소화된 경험으로 이러한 요구를 충족합니다.

현재 최고의 성능 균형을 찾는 개발자에게 Ultralytics YOLO26은 실제 배포 효율성에서 큰 발전을 이룬 모델입니다.

YOLO26이 업계를 선도하는 이유#

2026년 1월에 출시된 YOLO26은 YOLO11을 기반으로 프로덕션에 적합한 여러 기능을 제공합니다:

  • 엔드투엔드 NMS-Free 설계: YOLO26은 선택적 one-to-one 헤드(nms=False)를 사용해 비최대 억제(NMS) 후처리를 완전히 생략할 수 있습니다. 이를 통해 배포 로직이 간소화되고 일관되고 예측 가능한 추론 지연 시간을 제공합니다.
  • MuSGD 옵티마이저: 대규모 언어 모델 학습 기법에서 영감을 얻은 YOLO26은 안정적인 학습과 빠른 수렴을 위해 하이브리드 MuSGD 옵티마이저를 사용해 GPU 시간을 절약합니다.
  • 더 빠른 CPU 추론: 분포 초점 손실(DFL)을 제거하고 네트워크 그래프를 최적화해 YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠르므로 엣지 AI 디바이스에 적합합니다.
  • ProgLoss + STAL: 점진적 손실과 작은 객체 인식형 레이블 할당 전략으로 작은 객체 인식 성능을 크게 향상하며, 이는 드론 운용 및 원격 탐사에 매우 중요합니다.
  • 멀티태스크 다목적성: 탐지에만 집중하는 PP-YOLOE+와 달리 YOLO26은 인스턴스 세그멘테이션, 이미지 분류, 자세 추정, 방향 경계 상자(OBB)를 기본 지원합니다.

사용 편의성 및 학습 효율성#

DAMO-YOLO 모델을 학습하려면 복잡한 교사-학생 증류 파이프라인을 관리해야 합니다. 반면 Ultralytics 모델은 경쟁 아키텍처보다 CUDA 메모리 사용량이 적으며 Python 코드 몇 줄만으로 학습할 수 있습니다.

from ultralytics import YOLO

# YOLO26 모델 초기화
model = YOLO("yolo26n.pt")

# MuSGD 옵티마이저로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, optimizer="MuSGD")

# 엔드투엔드 NMS 프리 추론 실행
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# ONNX 또는 TensorRT로 내보내기
model.export(format="onnx")

이상적인 사용 사례 및 권장 사항#

적합한 컴퓨터 비전 아키텍처를 선택할 때는 팀의 생태계 통합 환경과 배포 대상이 큰 영향을 미칩니다.

  • 전체 파이프라인이 Baidu PaddlePaddle 생태계에 깊이 통합되어 있다면 PP-YOLOE+를 선택하세요. 정확도 극대화가 최우선 목표인 강력한 서버에서의 정적 이미지 분석에 여전히 적합한 선택입니다.
  • 신경망 아키텍처 탐색 알고리즘을 구체적으로 연구하거나, 엄격한 TensorRT 지연 시간 목표를 달성하기 위해 복잡한 증류 파이프라인을 유지할 엔지니어링 리소스가 있다면 DAMO-YOLO를 선택하세요.
  • 대부분의 최신 프로덕션 시나리오에는 Ultralytics YOLO26을 선택하세요. Ultralytics 생태계는 상세한 문서, 낮은 메모리 요구량, 간소화된 API를 제공합니다. 자동화된 품질 관리 시스템을 구축하든 Raspberry Pi에서 실시간 추적을 실행하든, YOLO26의 NMS-free 아키텍처는 즉시 빠르고 안정적이며 정확한 결과를 제공합니다.

다른 솔루션을 살펴보는 개발자를 위해 Ultralytics 문서에는 널리 채택된 YOLOv8과 강력한 YOLO11에 대한 상세한 자료도 제공되므로 모든 컴퓨터 비전 과제에 적합한 모델을 선택할 수 있습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.