YOLO26 vs DAMO-YOLO
컴퓨터 비전 모델을 선택하려면 추론 속도, 정확도, 배포 용이성 사이의 균형을 맞춰야 합니다. 이 페이지에서는 Ultralytics YOLO26과 DAMO-YOLO를 비교합니다. 두 모델 모두 실시간 객체 탐지를 목표로 하지만 설계 철학과 용도가 다릅니다.
아키텍처 혁신 및 설계#
Ultralytics YOLO26: 엣지 우선 비전 AI#
Ultralytics의 Glenn Jocher와 Jing Qiu가 개발하여 2026년 1월 14일에 출시한 YOLO26은 Ultralytics YOLO 계보의 최신 모델이며 신규 프로젝트에 권장되는 선택입니다. 엣지 컴퓨팅용으로 설계되었으며 LLM 학습의 최적화 아이디어를 활용합니다.
YOLO26의 주요 아키텍처 기능은 다음과 같습니다.
- 엔드투엔드 NMS 프리 설계: YOLOv10이 YOLO 모델에 도입한 NMS 프리 학습을 기반으로, YOLO26은 네이티브 엔드투엔드 추론을 지원합니다. 선택적 일대일 헤드(
nms=False)는 비최대 억제(NMS) 후처리를 생략해 지연 시간을 더 예측 가능하게 하고 배포 파이프라인을 단순화합니다. - DFL 제거: 분포 초점 손실을 제거해 모델 그래프를 간소화합니다. 따라서 ONNX 및 TensorRT와 같은 배포 프레임워크로 훨씬 원활하게 내보낼 수 있으며, 저전력 엣지 디바이스와의 호환성도 향상됩니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2에서 영감을 얻은 이 확률적 경사 하강법(SGD)과 Muon의 하이브리드는 LLM 학습 혁신을 컴퓨터 비전에 도입하여 더 안정적인 학습과 빠른 수렴을 제공합니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식형 레이블 할당(STAL)은 작은 객체 인식을 향상시킵니다. 이는 드론 기반 항공 이미지 분석과 로보틱스 파이프라인에서 중요합니다.
DAMO-YOLO: 대규모 신경망 아키텍처 탐색#
Alibaba Group의 Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun이 개발한 DAMO-YOLO는 자동 아키텍처 탐색에 중점을 둡니다(2022년 11월 23일 출시). arXiv 논문에 자세히 설명된 이 연구는 신경망 아키텍처 탐색(NAS)을 사용해 엄격한 지연 시간 제한 내에서 백본을 찾습니다.
DAMO-YOLO의 주요 아키텍처 특징은 다음과 같습니다.
- MAE-NAS 백본: 최대 엔트로피 기반 탐색을 사용해 정확도와 목표 배포 속도의 균형을 맞추는 백본을 자동으로 설계합니다.
- Efficient RepGFPN: 복잡한 시각 장면을 처리하기 위해 다양한 스케일에 걸쳐 특징 융합을 개선하는 대형 넥 설계입니다.
- ZeroHead: 최종 예측 레이어의 연산 오버헤드를 최소화하도록 설계된 경량 탐지 헤드입니다.
DAMO-YOLO의 NAS 기반 아키텍처는 사전에 정의된 특정 하드웨어 제약 조건에 적합하지만, YOLO26의 선택적 NMS 제거 설계와 DFL 제거는 엣지 및 클라우드 환경 전반에서 더 높은 이식성과 예측 가능성을 제공합니다.
성능 및 지표 비교#
표준 COCO 데이터셋으로 학습한 모델 변형을 직접 비교하면 서로 다른 성능 프로파일을 확인할 수 있습니다. 아래 표에서는 정확도(mAP), 속도, 연산 리소스(파라미터 및 FLOPs) 간의 절충점을 설명합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| 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 |
성능 분석#
YOLO26n은 파라미터가 2.4M이며 TensorRT를 사용해 NVIDIA T4 GPU에서 1.7 ms 만에 실행됩니다. YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로, 전용 GPU 가속기가 없는 엣지 장치에 적합합니다.
DAMO-YOLOt는 mAP에서 YOLO26n을 앞서지만(42.0 대 40.9), 파라미터 수는 약 3.5배 더 많습니다(8.5M). s, m, l 크기에서는 YOLO26이 DAMO-YOLO보다 정확도가 높고(예: l 모델에서 mAP 55.0 대 50.8) 파라미터 수가 적으며 TensorRT 속도도 더 빠릅니다. 또한 학습 중 CUDA 메모리를 일반적으로 더 적게 사용합니다.
생태계, 사용성 및 학습 효율성#
모델의 가치는 개발자와 연구자가 얼마나 쉽게 모델을 학습하고 배포하며 유지 관리할 수 있는지에도 달려 있습니다.
Ultralytics의 강점#
Ultralytics 모델에는 잘 유지 관리되는 개발자 중심 생태계가 함께 제공됩니다. 데이터 증강, 하이퍼파라미터 튜닝, 실험 추적을 포함한 워크플로를 간단한 명령으로 처리할 수 있습니다.
YOLO26은 다용성도 더 뛰어납니다. DAMO-YOLO는 객체 탐지만 지원하지만, YOLO26은 탐지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 포즈 추정, OBB 탐지를 지원하며 다음과 같은 작업별 개선 사항을 갖추고 있습니다.
- 인스턴스 분할: 시맨틱 분할 손실과 멀티스케일 프로토 모듈을 사용합니다.
- 포즈 추정: 잔차 로그 우도 추정(RLE)을 사용합니다.
- 방향 바운딩 박스(OBB): 경계 문제를 해결하는 특수 각도 손실을 사용합니다.
- 이미지 분류: 빠르고 경량화된 전체 이미지 레이블링을 제공합니다.
학습 방법론#
DAMO-YOLO 학습에는 대형 "교사" 모델이 소형 "학생" 모델을 학습시키는 지식 증류 과정이 포함되는 경우가 많습니다. 정확도는 향상되지만 GPU 메모리를 더 많이 사용하고 학습 주기도 길어집니다.
YOLO26은 교사 모델 없이 학습하며 일반적으로 메모리가 덜 필요하므로 MuSGD 옵티마이저를 사용해 소비자용 하드웨어에서 효율적으로 학습할 수 있습니다. 다음은 PyTorch 기반 Ultralytics Python API를 사용해 YOLO26 모델을 학습하는 방법입니다.
from ultralytics import YOLO
# 네이티브 엔드투엔드 YOLO26 nano 모델 초기화
model = YOLO("yolo26n.pt")
# 사용자 지정 데이터셋으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# 최적화된 NMS 없는 모델 내보내기
model.export(format="onnx", nms=False)실제 애플리케이션#
적합한 선택은 배포 환경에 따라 달라집니다.
엣지 AI 및 IoT 디바이스#
스마트 리테일 카메라, 자동화된 농업 모니터, 로보틱스와 같은 환경에서는 컴퓨팅 리소스가 엄격히 제한됩니다. 이런 경우 YOLO26이 더 적합합니다. CPU 추론 속도가 빠르고 선택적 NMS 제거 헤드를 지원하며 파라미터 크기가 작아, 정확도를 유지하면서 Raspberry Pi와 같은 엣지 장치에서 실행할 수 있습니다.
고속 제조 및 품질 관리#
제조 자동화 라인에서 빠르게 움직이는 컨베이어 벨트의 결함을 탐지하려면 지연 시간이 짧고 결정적이어야 합니다. DAMO-YOLO는 특정 GPU 구성에서 성능이 뛰어나지만, NMS 후처리로 인해 지연 시간이 변동하면 로봇 액추에이터의 동기화가 어긋날 수 있습니다. NMS 제거 헤드를 활성화한 YOLO26(nms=False)은 프레임 처리 시간을 일정하게 유지하므로 고속 산업용 로보틱스에 쉽게 통합할 수 있습니다.
드론 및 항공 이미지#
높은 고도에서 작은 대상을 탐지하는 일은 어렵습니다. YOLO26의 ProgLoss와 STAL은 작은 객체 인식을 향상시켜, 객체가 몇 픽셀에 불과한 환경에서 야생 동물을 추적하거나 UAV 영상으로 교통 혼잡을 분석하는 데 도움이 됩니다.
사용 사례 및 권장 사항#
YOLO26과 DAMO-YOLO 중 무엇을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
YOLO26을 선택해야 하는 경우#
YOLO26은 다음과 같은 경우에 적합합니다:
- NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 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.
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.
결론#
DAMO-YOLO는 특정 하드웨어 대상을 위한 신경망 아키텍처 탐색의 유용한 사례이지만, 대부분의 실무자에게는 Ultralytics YOLO26이 더 균형 잡힌 선택입니다. 선택적 NMS 제거 추론, 낮은 메모리 요구량, MuSGD 옵티마이저, 잘 유지 관리되는 생태계 덕분에 개발자는 비전 시스템을 빠르고 안정적으로 구축하고 배포할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.