RTDETRv2와 DAMO-YOLO#

컴퓨터 비전 분야는 연구자와 엔지니어가 속도, 정확도, 효율성의 균형을 완벽하게 맞춘 모델을 개발하기 위해 노력하면서 끊임없이 발전하고 있습니다. 이 분야에서 큰 주목을 받은 두 가지 주요 아키텍처는 Baidu가 개발한 RTDETRv2와 Alibaba Group이 만든 DAMO-YOLO입니다. 두 모델 모두 실시간 객체 감지의 한계를 넓히고 있지만, 인상적인 성능을 달성하는 데 근본적으로 서로 다른 아키텍처 철학을 채택합니다.

이번 기술 비교에서는 두 모델의 아키텍처, 학습 방법론, 실제 배포 역량을 자세히 살펴봅니다. 또한 고도로 최적화된 Ultralytics Platform과 최첨단 YOLO26 아키텍처를 비롯한 더 넓은 생태계와 비교해 각 모델의 성능을 살펴봅니다.

아키텍처 혁신#

프로덕션 환경에 적합한 도구를 선택해야 하는 머신러닝 엔지니어에게는 이러한 모델의 핵심 작동 원리를 이해하는 것이 중요합니다.

RTDETRv2: Transformer 방식#

기존 RT-DETR의 성공을 바탕으로 RTDETRv2는 하이브리드 인코더와 Transformer 디코더를 활용합니다. 이 설계는 모델이 전역 컨텍스트를 매우 효과적으로 처리하도록 하여, 밀집된 장면에서 서로 겹치는 객체를 구분하는 데 특히 뛰어납니다. 이 아키텍처의 가장 큰 장점은 기본적으로 NMS가 필요 없는(Non-Maximum Suppression) 설계입니다. NMS 후처리 단계를 제거하여 RTDETRv2는 추론 파이프라인을 간소화하고 다양한 하드웨어 구성에서 더 안정적인 지연 시간을 보장합니다.

RTDETRv2 자세히 알아보기

DAMO-YOLO: CNN 효율성 향상#

반면 DAMO-YOLO는 높은 성과를 거둔 CNN 기반 YOLO 계보를 따르면서도 획기적인 개선 사항을 여러 가지 도입했습니다. Neural Architecture Search(NAS를 활용해 백본을 최적화하여 특징 추출 효율을 극대화합니다. 또한 효율적인 RepGFPN(Reparameterized Generalized Feature Pyramid Network)과 ZeroHead 설계에 더해 AlignedOTA 및 지식 증류 향상 기법을 적용합니다. 이러한 혁신을 통해 DAMO-YOLO는 높은 경쟁력을 갖춘 mAP^val 점수를 유지하면서 빠른 추론 속도를 달성합니다.

DAMO-YOLO에 대해 자세히 알아보기

성능 및 지표 비교#

배포용 모델을 평가할 때는 평균 정밀도(mAP), 추론 속도, 파라미터 수 등의 성능 지표가 매우 중요합니다. 아래에서 두 모델 계열을 자세히 비교합니다.

결과 분석#

표에서 볼 수 있듯이 RTDETRv2-x는 COCO 데이터셋과 같은 복잡한 검증 환경에서 Transformer 아키텍처의 강점을 보여 주며, mAP^val 54.3으로 가장 높은 정확도를 달성합니다. 그러나 파라미터 수(76M)와 FLOPs가 크게 증가합니다.

반대로 DAMO-YOLOt(Tiny)는 파라미터가 8.5M에 불과해 매우 가볍습니다. 따라서 CUDA 메모리가 심각하게 제한된 환경에서 매우 빠른 옵션으로 사용할 수 있습니다. DAMO-YOLO는 기존 엣지 디바이스에서 속도와 정확도의 유리한 절충점을 제공하는 경우가 많습니다.

생태계, 사용 편의성 및 Ultralytics의 강점#

공식 RT-DETR GitHub 및 DAMO-YOLO GitHub와 같은 독립 저장소는 모델 학습에 필요한 원본 코드를 제공하지만, 이를 프로덕션 파이프라인에 통합하려면 상당한 보일러플레이트 코드와 수동 최적화가 필요한 경우가 많습니다.

Ultralytics 생태계는 개발자 경험을 크게 간소화합니다. Ultralytics는 기존 RT-DETR과 같은 Transformer 디텍터를 통합 API에 직접 포함하므로, 사용자는 한 줄의 코드로 모델을 학습하고 검증하고 내보낼 수 있습니다. 또한 Ultralytics 모델은 독립형 대형 Transformer 저장소와 비교해 학습 중 메모리 요구량이 적은 것으로 알려져 있습니다.

코드 예제: 원활한 통합#

Ultralytics Python 라이브러리를 사용해 추론을 실행하는 방법은 다음과 같이 간단합니다. Transformer 모델을 사용하든 최첨단 CNN을 사용하든 API는 일관됩니다.

from ultralytics import RTDETR, YOLO

# 복잡한 장면을 이해하기 위해 RT-DETR 모델을 로드합니다
model_rtdetr = RTDETR("rtdetr-l.pt")

# 최고의 엣지 성능을 위해 최신 Ultralytics YOLO26 모델을 로드합니다
model_yolo26 = YOLO("yolo26n.pt")

# 샘플 이미지에서 간편하게 추론을 실행합니다
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo26("https://ultralytics.com/images/bus.jpg")

# 결과를 표시합니다
results_yolo[0].show()

적합한 사용 사례#

이러한 아키텍처 중에서 선택할 때는 전적으로 구체적인 프로젝트 요구 사항을 고려해야 합니다.

• RTDETRv2는 VRAM이 충분한 서버 측 처리에 탁월합니다. 전역 컨텍스트 인식 기능은 가림 현상이 빈번한 의료 영상과 밀집된 군중 분석에 적합합니다.
• DAMO-YOLO는 파라미터 수가 적고 FPS가 높아야 하는 임베디드 IoT 애플리케이션과 빠르게 움직이는 산업 검사 라인에 매우 적합합니다.

미래를 위한 선택: Ultralytics YOLO26#

RTDETRv2와 DAMO-YOLO 모두 장점이 있지만 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 새로운 프로젝트에서는 최신 Ultralytics YOLO26이 속도, 정확도, 개발자 경험을 최적으로 결합한 솔루션입니다.

YOLO26은 엔드투엔드 NMS 없는 설계를 채택해 Transformer의 주요 이점을 얻으면서도 막대한 연산 오버헤드를 피합니다. 대규모 언어 모델 학습에서 영감을 얻은 혁신적인 MuSGD Optimizer를 적용해 안정적이고 빠른 수렴을 실현합니다. 또한 DFL 제거(내보내기를 간소화하고 엣지/저전력 디바이스 호환성을 높이기 위해 Distribution Focal Loss를 제거)를 통해 YOLO26은 CPU 추론 속도를 최대 43% 향상하여 엣지 컴퓨팅 분야에서 확실한 우위를 차지합니다. 아울러 ProgLoss + STAL은 손실 함수를 개선해 소형 객체 인식 성능을 크게 향상하며, 이는 IoT, 로봇 공학, 항공 이미지에서 중요합니다.

바운딩 박스만 지원하는 모델과 달리 YOLO26 제품군은 인스턴스 분할과 자세 추정부터 회전 바운딩 박스(OBB)까지 다양한 작업을 지원하는 탁월한 범용성을 갖추고 있으며, 직관적인 Ultralytics Platform을 통해 모든 작업을 원활하게 관리할 수 있습니다.

모델 세부 정보 및 참고 자료#

RTDETRv2#

• 저자: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, Yi Liu
• 기관: Baidu
• 날짜: 2024-07-24
• Arxiv: 2407.17140
• GitHub: RT-DETR 저장소

DAMO-YOLO#

• 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
• 기관: Alibaba Group
• 날짜: 2022-11-23
• Arxiv: 2211.15444v2
• GitHub: DAMO-YOLO 저장소

다른 비교 자료를 살펴보고 싶다면 RTDETRv2와 YOLO11 비교 또는 DAMO-YOLO와 YOLOv8 비교 가이드를 확인하여 이 모델들이 이전 세대 Ultralytics 제품군과 비교해 어떤 성능을 보이는지 알아보세요.