YOLOv10과 DAMO-YOLO 비교
현대적인 컴퓨터 비전 파이프라인을 구축할 때 적합한 실시간 객체 디텍션 아키텍처를 선택하는 일은 매우 중요합니다. 이 기술 분석에서는 YOLOv10과 DAMO-YOLO의 아키텍처, 성능 지표, 이상적인 사용 사례를 살펴봅니다. 두 모델 모두 실시간 디텍션을 발전시켰지만 서로 다른 아키텍처 경로를 택했습니다.
프로젝트에 제약이 있는 엣지 AI 하드웨어 배포가 필요하든 클라우드 GPU에서 최대 정확도를 원하든, 이러한 아키텍처의 차이를 이해하면 충분한 정보를 바탕으로 결정할 수 있습니다.
YOLOv10 살펴보기#
칭화대학교 연구진이 소개한 YOLOv10은 YOLO 제품군에 네이티브 엔드투엔드 접근 방식을 도입하여 후처리 중 비최대 억제(NMS)가 필요하지 않도록 했습니다.
YOLOv10 세부 정보:
- 저자: Ao Wang, Hui Chen, Lihao Liu 외
- 조직: 칭화대학교
- 날짜: 2024-05-23
- arXiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- 문서: https://docs.ultralytics.com/models/yolov10
주요 아키텍처 특징#
YOLOv10의 주요 혁신은 NMS 프리 학습을 위한 일관된 이중 할당 전략입니다. 기존 객체 디텍터는 겹치는 바운딩 박스를 필터링하기 위해 NMS를 사용하며, 이로 인해 지연 시간이 변동하여 자율주행 차량 및 고속 로보틱스와 같은 실시간 애플리케이션에서 병목이 발생합니다. YOLOv10은 객체마다 단일 바운딩 박스를 직접 예측하여 낮고 예측 가능한 추론 지연 시간을 달성합니다.
또한 총체적인 효율성·정확도 중심 설계를 적용합니다. 아키텍처는 경량 분류 헤드와 공간·채널 분리 다운샘플링을 비롯한 다양한 구성 요소를 최적화하여 계산 중복을 줄입니다. 그 결과 경쟁력 있는 평균 정밀도(mAP)를 유지하면서 파라미터 수와 FLOPs를 줄인 아키텍처를 구현합니다.
사용 예제#
YOLOv10은 Ultralytics 생태계에 통합되어 있어 Ultralytics Python 패키지를 통해 사용할 수 있습니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv10 나노 모델 불러오기
model = YOLO("yolov10n.pt")
# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 테스트 이미지에서 추론을 실행합니다.
results = model("https://ultralytics.com/images/bus.jpg")
# 모델을 TensorRT 형식으로 내보내기
model.export(format="engine", quantize=16)DAMO-YOLO 살펴보기#
Alibaba Group이 개발한 DAMO-YOLO는 속도와 정확도의 파레토 프런티어를 확장하기 위해 자동화된 신경망 아키텍처 탐색(NAS)을 통해 효율적인 네트워크 구조를 찾는 데 중점을 둡니다.
DAMO-YOLO 세부 정보:
- 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
주요 아키텍처 특징#
DAMO-YOLO는 산업용 애플리케이션에 맞춘 여러 기법을 도입합니다. 모델의 기반은 최대 엔트로피 기반 탐색으로 생성한 MAE-NAS 백본입니다. 이 자동화 프로세스는 사전 정의된 연산 예산을 준수하는 백본 구조를 찾아 정확도와 추론 지연 시간의 균형을 맞춥니다.
아키텍처는 Efficient RepGFPN 넥도 사용합니다. 이 특징 피라미드 네트워크는 다양한 스케일의 특징 융합을 개선하도록 설계되어, 객체 크기가 크게 다른 항공 이미지 분석과 같은 복잡한 작업에 중요합니다. DAMO-YOLO는 최종 예측 레이어의 복잡성을 낮추고 추론 중 연산량을 줄이는 최소형 디텍션 헤드인 ZeroHead도 구현합니다.
성능 비교#
객체 디텍션 아키텍처를 평가할 때는 추론 속도, 파라미터 효율성, 디텍션 정확도 사이에서 적절한 균형을 찾는 것이 중요합니다. 아래 표는 YOLOv10과 DAMO-YOLO의 각 모델 크기별 성능을 비교합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| 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 |
YOLOv10은 비슷한 규모의 DAMO-YOLO보다 파라미터 수가 적으면서 정확도가 높습니다. YOLOv10s는 파라미터 7.2M으로 2.49ms에 46.3 mAP를 달성하는 반면, DAMO-YOLOs는 파라미터 16.3M으로 3.45ms에 46.0 mAP를 기록합니다. DAMO-YOLOt는 크기 대비 높은 정확도(42.0 mAP)를 제공하고 DAMO-YOLOl은 T4 TensorRT에서 YOLOv10l보다 약간 빠르지만(7.18ms 대 7.28ms), YOLOv10 제품군의 파라미터 효율성은 제약이 있는 배포 환경에서 우위를 제공합니다.
사용 사례 및 권장 사항#
YOLOv10과 DAMO-YOLO 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
YOLOv10을 선택해야 하는 경우#
YOLOv10은 다음과 같은 경우에 적합합니다:
- NMS가 필요 없는 실시간 탐지: 비최대 억제 없이 엔드 투 엔드 탐지를 활용하여 배포 복잡성을 줄일 수 있는 애플리케이션입니다.
- 속도와 정확도의 균형: 다양한 모델 규모에서 추론 속도와 탐지 정확도 간의 균형이 중요한 프로젝트입니다.
- 일관된 지연 시간이 필요한 애플리케이션: 로보틱스나 자율 시스템처럼 예측 가능한 추론 시간이 중요한 배포 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.
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 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.
Ultralytics의 강점#
프로덕션용 아키텍처를 선택할 때는 단순 성능 지표를 넘어서는 고려가 필요합니다. Ultralytics 생태계가 지원하는 모델을 사용하면 개발자와 연구자에게 여러 실용적인 이점이 있습니다.
사용 편의성과 잘 관리되는 생태계#
업데이트가 드문 독립형 학술 저장소와 달리 Ultralytics는 지속적으로 관리되는 생태계를 제공합니다. NAS 파이프라인에 의존하는 모델을 위한 복잡한 환경을 설정하는 일은 어려울 수 있습니다. Ultralytics는 대신 광범위한 문서로 뒷받침되는 표준화된 Python API와 CLI를 제공하여 맞춤형 비전 솔루션의 출시 기간을 단축합니다.
학습 효율성 및 메모리 요구 사항#
대형 모델을 학습하면 연산 비용이 빠르게 증가할 수 있습니다. Ultralytics YOLO 아키텍처는 학습과 추론 중 CUDA 메모리 사용량이 적은 것으로 오랫동안 잘 알려져 있습니다. 이러한 효율성 덕분에 개발자는 Transformer 기반 모델인 RT-DETR 사용 시 흔히 발생하는 메모리 부족 오류 없이 일반 소비자용 하드웨어나 비용 효율적인 클라우드 인스턴스에서 모델을 학습할 수 있습니다.
Ultralytics는 널리 사용되는 MLOps 도구와 통합됩니다. 추가 상용구 코드 없이 Weights & Biases, Comet, ClearML 통합을 사용하여 모델 학습 진행 상황을 추적할 수 있습니다.
다양한 작업 지원#
YOLOv10과 DAMO-YOLO를 비롯한 여러 특화 디텍션 모델의 한계는 디텍션에만 집중한다는 점입니다. Ultralytics 생태계에서는 YOLO11 및 YOLO26과 같은 모델이 동일한 도구를 컴퓨터 비전 태스크, 즉 인스턴스 분할, 이미지 분류, 포즈 추정, 방향성 바운딩 박스(OBB) 디텍션으로 확장합니다.
앞으로의 발전: YOLO26의 진화#
YOLOv10은 YOLO 모델에 NMS 프리 추론을 도입했고 DAMO-YOLO는 NAS의 가능성을 보여주었습니다. 현재 새 프로젝트를 시작하는 개발자에게는 Ultralytics YOLO26을 권장합니다.
YOLO11의 후속 모델로 2026년 1월에 출시된 YOLO26은 선택형 일대일 헤드(nms=False)를 통해 YOLOv10이 마련한 NMS 프리 기반을 발전시킵니다.
YOLO26의 주요 발전 사항은 다음과 같습니다.
- 최대 43% 더 빠른 CPU 추론: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 더 빠르게 실행되므로 엣지 컴퓨팅 및 저전력 디바이스에 적합합니다.
- DFL 제거: 분포 초점 손실을 제거하여 내보내기를 간소화하고 다양한 배포 대상과의 호환성을 높였습니다.
- MuSGD 옵티마이저: SGD와 Muon의 하이브리드로, 대규모 언어 모델(LLM) 학습의 안정성과 빠른 수렴을 컴퓨터 비전에 적용합니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식 레이블 할당(STAL)은 소형 객체 인식을 개선하며, 농업 및 원격 탐사와 같은 사용 사례에 필수적입니다.
Ultralytics Platform을 사용하면 개발자가 한곳에서 데이터를 어노테이션하고 YOLO26과 같은 모델을 학습 및 배포할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.