YOLO11 대 DAMO-YOLO
적합한 아키텍처를 선택하는 일은 모든 컴퓨터 비전 프로젝트에서 중요한 단계입니다. 이 가이드에서는 객체 탐지 모델인 Ultralytics YOLO11과 DAMO-YOLO를 비교하고, 아키텍처, 학습 워크플로, 실제 적용 가능성을 살펴 프로젝트 배포에 가장 적합한 도구를 선택하도록 돕습니다.
모델 개요#
Ultralytics YOLO11#
Ultralytics가 개발한 YOLO11은 정확도와 효율성을 모두 고려해 YOLO 제품군을 개선했습니다. 데이터셋 관리부터 엣지 배포까지 아우르는 통합된 프로덕션 준비 생태계를 원하는 연구자와 엔지니어를 위해 설계되었습니다.
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: https://docs.ultralytics.com/models/yolo11
YOLO11의 가장 큰 강점은 다용도성입니다. 많은 모델이 바운딩 박스에만 집중하는 반면, YOLO11은 객체 탐지, 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스 (OBB) 탐지를 기본 지원합니다. 이를 통해 개발자는 유지 관리가 잘되는 하나의 프레임워크에서 비전 AI 파이프라인을 통합할 수 있습니다.
DAMO-YOLO#
DAMO-YOLO는 Alibaba Group의 연구진이 개발했습니다. 신경망 아키텍처 탐색 (NAS)을 사용해 GPU 및 기타 가속기에서 실시간 추론에 적합한 효율적인 백본을 탐색합니다.
- 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: https://github.com/tinyvision/DAMO-YOLO/blob/master/README.md
DAMO-YOLO는 재매개변수화와 자동 탐색을 중심으로 구축되었습니다. 저자들은 MAE-NAS (최대 엔트로피 신경망 아키텍처 탐색)를 사용해 특수 하드웨어에서 추론 속도를 높이는 맞춤형 백본을 설계했습니다. 또한 지연 시간을 최소화하기 위해 Efficient RepGFPN이라는 최적화된 넥과 경량 ZeroHead를 추가했습니다.
YOLO11과 DAMO-YOLO를 비교할 때는 최신 Ultralytics YOLO26도 살펴보세요. YOLO26은 선택적 엔드투엔드 NMS 프리 추론(nms=False)을 지원하며, YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행됩니다. YOLOX와 DAMO-YOLO 및 YOLOv8과 DAMO-YOLO 비교도 확인해 보세요.
성능 및 아키텍처 비교#
엣지 AI 애플리케이션을 배포할 때는 성능 트레이드오프가 중요합니다. 아래 표에는 COCO 데이터셋의 평균 정밀도 (mAP), 지연 시간, 모델 크기가 나와 있습니다. 크기가 비슷할 때 YOLO11은 T4 GPU에서 정확도가 더 높고 속도도 빠릅니다. YOLO11s는 2.5ms에 mAP 47.0을 달성하는 반면 DAMO-YOLOs는 3.45ms에 mAP 46.0을 기록하며, YOLO11l은 6.2ms에 mAP 53.4를 기록하는 반면 DAMO-YOLOl은 7.18ms에 mAP 50.8을 기록합니다. DAMO-YOLOt는 크기와 정확도 면에서 YOLO11n과 YOLO11s 사이에 해당하며, mAP 42.0과 파라미터 8.5M을 기록합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
아키텍처 심층 분석#
YOLO11은 파라미터 수와 표현력의 균형을 맞춘 맞춤형 백본을 사용합니다. 다양한 하드웨어에서 우수하게 실행되며 학습과 추론 모두에서 CUDA 메모리 사용량이 적어 일반 소비자용 하드웨어와 리소스가 제한된 IoT 디바이스에 적합합니다.
DAMO-YOLO의 MAE-NAS 백본은 높은 처리량을 제공하는 GPU 환경에 맞춰 조정되었습니다. Efficient RepGFPN (일반화 특징 피라미드 네트워크)은 여러 스케일의 특징을 융합합니다. 재매개변수화는 추론 속도를 높이지만, 하드웨어 스택에서 해당 연산을 제대로 지원하지 않으면 배포가 복잡해질 수 있습니다.
사용 편의성 및 학습 효율성#
개발 시간이 중요하다면 모델의 사용 편의성은 원시 벤치마크 성능만큼 중요합니다.
YOLO11은 개발자가 쉽게 사용할 수 있도록 설계되었습니다. ultralytics 패키지가 데이터셋 파싱, 증강, 하이퍼파라미터 튜닝을 처리하며, ONNX, TensorRT, OpenVINO와 같은 프로덕션 형식으로 한 번의 명령만으로 export할 수 있습니다.
from ultralytics import YOLO
# YOLO11 객체 탐지 모델 초기화
model = YOLO("yolo11s.pt")
# COCO8에서 혼합 정밀도로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 엣지 배포를 위해 학습된 모델을 TensorRT로 내보내기
model.export(format="engine", device=0)DAMO-YOLO는 연구 배경에서 개발되어 학습 곡선이 더 가파릅니다. 보고된 정확도를 얻으려면 지식 증류 파이프라인이 필요합니다. 먼저 더 큰 '교사' 네트워크를 학습시킨 다음, 그 지식을 더 작은 '학생' 네트워크로 전달합니다. 따라서 표준 Ultralytics 학습 루프에 비해 GPU 연산과 학습 시간이 더 많이 필요합니다.
사용 사례 및 권장 사항#
YOLO11과 DAMO-YOLO 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 선호하는 생태계에 따라 달라집니다.
YOLO11을 선택해야 하는 경우#
YOLO11은 다음과 같은 경우에 적합합니다.
- 프로덕션 엣지 배포: 안정성과 지속적인 유지 관리가 가장 중요한 Raspberry Pi 또는 NVIDIA Jetson과 같은 디바이스에서 상용 애플리케이션을 실행하는 경우입니다.
- 멀티태스크 비전 애플리케이션: 탐지, 분할, 자세 추정, OBB를 단일 통합 프레임워크에서 처리해야 하는 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: Ultralytics Python API를 사용해 데이터 수집부터 프로덕션까지 빠르게 진행해야 하는 팀입니다.
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 YOLO26의 최대 43% 빠른 CPU 추론(YOLO26n 대 YOLO11n)이 결정적인 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석과 같이 ProgLoss와 STAL이 작은 객체의 정확도를 높이는 까다로운 시나리오입니다.
실제 애플리케이션 및 사용 사례#
자율 시스템 및 드론#
항공 이미지와 UAV 배포에는 YOLO11이 속도와 정확도 면에서 유리한 균형을 제공합니다. 소형 객체 탐지는 드론 분석에서 주요 과제이며, YOLO11의 다중 스케일 특징 융합은 다양한 크기의 객체를 처리하는 데 도움이 됩니다. 메모리 요구사항도 낮아 YOLO11 Nano 및 Small 변형을 드론에 장착된 경량 엣지 CPU 또는 NPU에서 직접 실행할 수 있습니다.
산업 자동화 및 품질 관리#
스마트 공장에서는 지연 시간이 매우 중요합니다. DAMO-YOLO는 서버급 GPU에서 빠른 추론을 제공하지만, 특수한 아키텍처로 인해 통합이 더 어려울 수 있습니다. 간단한 트래킹 API와 결함에 각진 바운딩 박스가 필요할 때 탐지에서 OBB 작업으로 전환할 수 있는 기능 덕분에, 자동화된 품질 관리에는 YOLO11이 더 실용적인 선택인 경우가 많습니다.
스마트 헬스케어 및 의료 영상#
의료 영상 데이터셋은 규모가 작은 경우가 많아 과적합을 피하기 어렵습니다. Ultralytics 생태계에 내장된 증강 및 전이 학습 워크플로는 임상의와 개발자가 정확한 종양 탐지 모델을 구축하는 데 도움을 줍니다. Ultralytics의 대규모 커뮤니티도 의료와 같은 특수 분야의 문제 해결을 지원합니다.
처음부터 새 애플리케이션을 개발한다면 YOLO26을 고려해 보세요. 2026년 1월에 출시된 YOLO26은 MuSGD 옵티마이저, ProgLoss, STAL을 사용해 소형 객체의 정확도를 높이며, 선택적 엔드투엔드 NMS 프리 추론 모드(nms=False)를 제공합니다.
DAMO-YOLO는 신경망 아키텍처 탐색의 유효성을 보여주는 강력한 사례로 남아 있지만, 빠른 배포, 사용 편의성, 멀티태스크 지원 덕분에 실제 컴퓨터 비전 작업에는 YOLO11과 YOLO26을 중심으로 한 더 광범위한 Ultralytics 제품군이 더 실용적인 선택입니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.