YOLO Vision 2026:

RTDETRv2 vs DAMO-YOLO#

컴퓨터 비전 분야는 끊임없이 진화하고 있으며, 연구원과 엔지니어들은 속도, 정확도, 효율성의 균형을 완벽하게 맞추는 모델을 구축하기 위해 노력하고 있습니다. 이 영역에서 큰 주목을 받은 두 가지 주요 아키텍처는 바이두(Baidu)가 개발한 RTDETRv2와 알리바바 그룹(Alibaba Group)이 제작한 DAMO-YOLO입니다. 두 모델 모두 실시간 object detection의 한계를 넓혀가고 있지만, 인상적인 결과를 달성하기 위해 근본적으로 다른 아키텍처 철학을 채택하고 있습니다.

이번 기술 비교에서는 두 모델의 아키텍처, 학습 방법론, 그리고 실제 배포 역량에 대해 깊이 있게 다룰 것입니다. 또한 이 모델들이 더 넓은 생태계, 특히 고도로 최적화된 Ultralytics Platform 및 최첨단 YOLO26 architecture와 비교해 어떠한 성능을 보이는지 살펴보겠습니다.

아키텍처 혁신#

프로덕션 환경에 적합한 도구를 선택해야 하는 machine learning engineers에게는 이러한 모델의 핵심 메커니즘을 이해하는 것이 매우 중요합니다.

RTDETRv2: Transformer 접근 방식#

기존 RT-DETR의 성공을 바탕으로 구축된 RTDETRv2는 하이브리드 인코더와 transformer decoder를 활용합니다. 이 설계 덕분에 모델이 전역 컨텍스트를 매우 효과적으로 처리할 수 있으며, 밀도가 높은 장면에서 겹치는 객체들을 구별하는 데 탁월한 성능을 발휘합니다. 이 아키텍처의 가장 큰 장점은 기본적으로 NMS(Non-Maximum Suppression)가 필요 없는 설계라는 점입니다. NMS 후처리 단계를 제거함으로써 RTDETRv2는 추론 파이프라인을 간소화하고 다양한 하드웨어 구성에서 더욱 안정적인 지연 시간을 보장합니다.

RTDETRv2에 대해 자세히 알아보기

DAMO-YOLO: CNN 효율성 향상#

반면 DAMO-YOLO는 매우 성공적인 CNN 기반 YOLO 계보에 뿌리를 두고 있으면서도 몇 가지 혁신적인 개선 사항을 도입했습니다. 백본을 최적화하기 위해 신경 아키텍처 검색(NAS)을 활용하여 최대의 피처 추출 효율성을 보장합니다. 또한 효율적인 RepGFPN(Reparameterized Generalized Feature Pyramid Network)과 ZeroHead 설계를 AlignedOTA 및 증류(distillation) enhancement 기술과 함께 통합했습니다. 이러한 혁신을 통해 DAMO-YOLO는 매우 경쟁력 있는 mAPval 점수를 유지하면서도 빠른 추론 속도를 달성합니다.

DAMO-YOLO에 대해 더 알아보기

아키텍처적 차이

RTDETRv2는 NMS 없이 어텐션 메커니즘을 활용하여 전역 특징을 이해하는 데 중점을 두는 반면, DAMO-YOLO는 NAS와 고급 증류 기법을 통해 전통적인 CNN 효율성을 극대화하며 표준 후처리가 필요하지만 특정 하드웨어에서 뚜렷한 속도 이점을 제공합니다.

성능 및 지표 비교#

배포를 위해 모델을 평가할 때 평균 정밀도(mAP), 추론 속도, 파라미터 수와 같은 performance metrics가 가장 중요합니다. 아래는 두 모델 제품군의 상세한 비교입니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
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

결과 분석#

표에서 볼 수 있듯이, RTDETRv2-x는 mAPval 54.3으로 가장 높은 정확도를 달성하며 COCO dataset과 같은 복잡한 검증에서 트랜스포머 아키텍처의 강력함을 보여줍니다. 하지만 이는 훨씬 더 높은 파라미터 수(76M)와 FLOPs라는 대가를 치릅니다.

반대로 DAMO-YOLOt(Tiny)는 매우 가볍고 파라미터가 8.5M에 불과하여, CUDA 메모리가 엄격하게 제한되는 환경에서 매우 빠른 옵션이 됩니다. DAMO-YOLO는 일반적으로 레거시 엣지 장치에 대해 속도와 정확도 사이에서 유리한 균형을 제공합니다.

생태계, 사용 편의성 및 Ultralytics의 이점#

공식 RT-DETR GitHub 및 DAMO-YOLO GitHub와 같은 독립형 리포지토리는 모델을 학습시키기 위한 로우 코드를 제공하지만, 이를 프로덕션 파이프라인에 통합하려면 대개 광범위한 상용구 코드와 수동 최적화가 필요합니다.

이것이 바로 Ultralytics ecosystem이 개발자 경험을 획기적으로 단순화하는 부분입니다. Ultralytics는 RTDETRv2와 같은 모델을 통합 API에 직접 통합하여 사용자가 단 한 줄의 코드로 모델을 학습, 검증 및 내보내기(export)할 수 있도록 지원합니다. 또한 Ultralytics 모델은 무거운 트랜스포머 기반의 독립형 리포지토리에 비해 학습 중 최소한의 메모리 요구 사항으로 잘 알려져 있습니다.

코드 예제: 원활한 통합#

Ultralytics Python 라이브러리를 활용하여 추론을 실행하는 방법은 매우 간단합니다. Transformer 모델을 사용하든 최첨단 CNN을 사용하든 API는 일관되게 유지됩니다.

from ultralytics import RTDETR, YOLO

# Load an RTDETRv2 model for complex scene understanding
model_rtdetr = RTDETR("rtdetr-l.pt")

# Load the latest Ultralytics YOLO26 model for ultimate edge performance
model_yolo26 = YOLO("yolo26n.pt")

# Run inference on a sample image effortlessly
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo26("https://ultralytics.com/images/bus.jpg")

# Display the results
results_yolo[0].show()
프로덕션을 위한 모델 내보내기

Ultralytics API를 사용하면 간단한 model.export(format="engine") 명령어로 학습된 모델을 TensorRT, ONNX, 또는 CoreML과 같은 포맷으로 원활하게 내보내어 배포 마찰을 대폭 줄일 수 있습니다.

이상적인 사용 사례#

이러한 아키텍처 중 무엇을 선택할지는 프로젝트의 구체적인 요구 사항에 전적으로 달려 있습니다.

  • RTDETRv2는 VRAM이 풍부한 서버 측 처리에 탁월합니다. 전역 컨텍스트 인식 기능은 가려짐(occlusion)이 빈번한 medical imaging 및 밀집 군중 분석에 완벽합니다.
  • DAMO-YOLO는 낮은 파라미터 수와 높은 FPS가 엄격한 요구 사항인 embedded IoT applications 및 빠르게 움직이는 산업용 검사 라인에 매우 적합합니다.

미래: Ultralytics YOLO26#

RTDETRv2와 DAMO-YOLO 모두 장점이 있지만, 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 신규 프로젝트의 경우, 최신 **Ultralytics YOLO26**은 속도, 정확도, 개발자 경험의 궁극적인 종합을 나타냅니다.

YOLO26은 End-to-End NMS-Free Design을 채택하여 거대한 연산 오버헤드 없이 트랜스포머의 주요 이점을 포착합니다. 안정적이고 빠른 수렴을 위해 Large Language Model 학습에서 영감을 받은 혁신적인 MuSGD Optimizer를 통합했습니다. 또한 DFL Removal(간소화된 내보내기 및 향상된 엣지/저전력 장치 호환성을 위해 Distribution Focal Loss 제거)을 통해 YOLO26은 최대 43% 더 빠른 CPU 추론을 달성하여 edge computing 분야의 명실상부한 챔피언으로 자리 잡았습니다. 추가로 ProgLoss + STAL은 IoT, 로보틱스, 항공 이미지에 매우 중요한 소형 객체 인식의 현저한 개선과 함께 향상된 손실 함수를 제공합니다.

바운딩 박스에만 엄격하게 제한되는 모델과 달리, YOLO26 제품군은 instance segmentation, pose estimation부터 oriented bounding boxes (OBB)에 이르는 작업을 지원하며, 직관적인 Ultralytics Platform을 통해 이 모든 것이 원활하게 관리되는 비교할 수 없는 다목적성을 제공합니다.

플랫폼에서 YOLO26 살펴보기

모델 세부 정보 및 참조#

RTDETRv2#

DAMO-YOLO#

다른 비교 내용을 살펴보는 데 관심이 있는 사용자는 RTDETRv2 vs. YOLO11 또는 DAMO-YOLO vs. YOLOv8에 대한 가이드를 확인하여 이 모델들이 Ultralytics 제품군의 이전 세대와 비교해 어떻게 성능을 내는지 확인해 보세요.

기여자
GLglenn-jocher14PDpderrenger1

댓글