YOLO11 대 DAMO-YOLO#
최적의 아키텍처를 선택하는 것은 모든 컴퓨터 비전 프로젝트에서 중요한 단계입니다. 이 기술 가이드에서는 강력한 객체 탐지 모델인 Ultralytics YOLO11과 DAMO-YOLO를 종합적으로 비교합니다. 배포 요구 사항에 가장 적합한 도구를 선택할 수 있도록 두 모델의 아키텍처 혁신, 학습 방식, 실제 적용 가능성을 자세히 살펴봅니다.
모델 개요#
Ultralytics YOLO11#
Ultralytics 팀이 개발한 YOLO11은 정확도와 효율성을 모두 크게 최적화한 YOLO 제품군의 고도로 정교한 모델입니다. 데이터셋 관리부터 엣지 배포까지 아우르는 통합형 프로덕션 지원 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
YOLO11은 뛰어난 범용성을 자랑합니다. 많은 기존 모델이 바운딩 박스에만 집중하는 반면, YOLO11은 객체 탐지, 인스턴스 분할, 이미지 분류, 자세 추정을 기본 지원합니다. 이러한 멀티태스크 기능을 통해 개발자는 잘 유지 관리되는 단일 프레임워크에서 비전 AI 파이프라인을 통합할 수 있습니다.
DAMO-YOLO#
DAMO-YOLO는 Alibaba Group의 연구진이 개발했습니다. 신경망 아키텍처 탐색(NAS)을 활용해 GPU 및 기타 가속기에서 실시간 추론에 적합한 고효율 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-YOLO의 핵심 철학은 재매개변수화와 자동 탐색에 기반합니다. MAE-NAS (Maximum Entropy Neural Architecture Search)를 활용해 저자들은 특수 하드웨어에서 추론 속도를 크게 높이는 맞춤형 백본을 설계했습니다. 또한 Efficient RepGFPN이라는 고도로 최적화된 넥과 지연 시간을 최소화하는 간소화된 ZeroHead 구조도 적용했습니다.
YOLO11과 DAMO-YOLO를 비교하면서 최신 모델인 Ultralytics YOLO26도 살펴보세요. YOLO26은 엔드투엔드 NMS 프리 추론을 기본 지원하며 CPU 속도를 최대 43% 높입니다. YOLOX 또는 YOLOv8을 포함한 비교도 확인해 볼 수 있습니다.
성능 및 아키텍처 비교#
엣지 AI 애플리케이션을 배포할 때는 성능 간의 절충점을 이해하는 것이 중요합니다. 아래 표에서는 평균 정밀도(mAP), 지연 시간, 연산 규모 등의 주요 지표를 정리합니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 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 잘 맞춘 고효율 맞춤형 백본을 사용합니다. 다양한 하드웨어에서 원활하게 작동하도록 최적화되었으며, 학습과 추론 중 CUDA 메모리 사용량을 최소화하는 데 특히 뛰어납니다. 따라서 일반 소비자용 하드웨어나 리소스가 제한된 IoT 장치에 탁월한 선택입니다.
반면 DAMO-YOLO의 MAE-NAS 생성 백본은 높은 처리량의 GPU 환경에 맞춰 세밀하게 조정되었습니다. Efficient RepGFPN (Generalized Feature Pyramid Network)은 여러 스케일을 적극적으로 통합합니다. 그러나 재매개변수화는 추론 속도를 높이는 한편, 하드웨어 스택이 해당 연산을 제대로 지원하지 않으면 배포 과정이 복잡해질 수 있습니다.
사용 편의성 및 학습 효율성#
개발 시간을 고려할 때 모델의 사용 편의성은 벤치마크상의 순수 성능만큼 중요합니다.
YOLO11은 개발자 접근성을 핵심 원칙으로 삼아 설계되었습니다. 포괄적인 ultralytics 패키지는 데이터셋 파싱, 증강, 하이퍼파라미터 튜닝과 같은 복잡한 작업을 추상화합니다. 모델을 ONNX, TensorRT, OpenVINO와 같은 프로덕션 형식으로 내보내는 데는 명령 하나면 충분합니다.
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)학술 및 연구 중심 배경에서 비롯된 DAMO-YOLO는 학습 곡선이 더 가파릅니다. 최고 정확도를 달성하려면 복잡한 지식 증류 파이프라인이 필요한 경우가 많습니다. 즉, 먼저 대규모 '교사' 네트워크를 학습한 다음, 그 지식을 더 작은 '학생' 네트워크에 전달해야 합니다. 따라서 Ultralytics 모델의 간결한 학습 루프와 비교해 필요한 GPU 연산 오버헤드와 전체 학습 시간이 크게 늘어납니다.
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: 하나의 통합 프레임워크에서 감지, 분할, 자세 추정, OBB가 필요한 프로젝트입니다.
- 신속한 프로토타이핑 및 배포: 간소화된 Ultralytics Python API를 사용하여 데이터 수집부터 프로덕션 배포까지 빠르게 진행해야 하는 팀에 적합합니다.
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 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
- CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
- 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.
실제 애플리케이션 및 사용 사례#
자율 시스템 및 드론#
항공 이미지 및 UAV 배포의 경우 YOLO11은 매우 유리한 성능 균형을 제공합니다. 드론 분석에서는 소형 객체 탐지가 큰 과제이지만, YOLO11은 다양한 스케일을 기본적으로 처리합니다. 또한 낮은 메모리 요구량 덕분에 YOLO11 Nano 및 Small 변형 모델은 드론에 탑재된 경량 엣지 CPU 또는 NPU에서 직접 실행할 수 있습니다.
산업 자동화 및 품질 관리#
스마트 팩토리에서는 지연 시간이 무엇보다 중요합니다. DAMO-YOLO는 RepGFPN 넥 덕분에 고성능 서버급 GPU에서 강력한 추론 속도를 제공하지만, 통합 방식이 경직되어 있어 지나치게 복잡할 수 있습니다. YOLO11은 간편한 추적 API와 결함에 각도 기반 경계 인식이 필요한 경우 순수 탐지에서 방향성 바운딩 박스(OBB) 작업으로 원활하게 전환할 수 있는 기능을 갖춰 자동화된 품질 관리에 더 나은 대안이 되는 경우가 많습니다.
스마트 헬스케어 및 의료 영상#
의료 영상 데이터셋은 규모가 비교적 작은 경우가 많아 과적합을 방지하기 어렵습니다. Ultralytics의 잘 유지 관리되는 생태계가 제공하는 적극적인 증강 기법과 표준 전이 학습 파이프라인을 활용하면 의료진과 개발자가 정확한 종양 탐지 모델을 안정적으로 배포할 수 있습니다. 폭넓은 커뮤니티 지원을 통해 헬스케어와 같은 복잡한 분야의 문제도 신속하게 해결할 수 있습니다.
새 애플리케이션을 처음부터 구축하고 있다면 YOLO26을 살펴보세요. 2026년 초에 출시된 YOLO26은 MuSGD 옵티마이저와 ProgLoss 함수를 사용하여 초소형 객체에서 탁월한 정확도를 제공하며, 기본 제공되는 엔드투엔드 NMS 프리 추론 모드(nms=False)를 지원합니다.
궁극적으로 DAMO-YOLO는 신경망 아키텍처 탐색의 강력한 사례로 남아 있지만, 신속한 배포, 개발 편의성, 최고 수준의 멀티태스크 성능을 중시하는 실제 컴퓨터 비전 작업에는 YOLO11과 확장된 Ultralytics 제품군을 최우선으로 권장합니다.