YOLOv10과 DAMO-YOLO 비교#
현대적인 컴퓨터 비전 파이프라인을 구축할 때 적합한 실시간 객체 탐지 아키텍처를 선택하는 일은 매우 중요합니다. 이 종합 기술 분석에서는 YOLOv10과 DAMO-YOLO의 아키텍처, 성능 지표, 이상적인 활용 사례를 살펴봅니다. 두 모델 모두 객체 탐지 기능을 크게 발전시켰지만, 목표를 달성하기 위해 서로 다른 아키텍처 접근 방식을 취합니다.
프로젝트에 제약이 있는 엣지 AI 하드웨어 배포가 필요하든 클라우드 GPU에서 최대 정확도를 원하든, 이러한 아키텍처의 세부 특성을 이해하면 정보에 기반한 결정을 내릴 수 있습니다.
YOLOv10 살펴보기#
칭화대학교 연구진이 선보인 YOLOv10은 기본적으로 엔드투엔드 접근 방식을 도입하여 YOLO 계열에 혁신을 가져왔으며, 후처리 중 비최대 억제(NMS)가 필요한 문제를 효과적으로 제거했습니다.
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 핵심 혁신은 NMS 없는 학습을 위한 일관된 이중 할당 전략입니다. 기존 객체 탐지기는 겹치는 경계 상자를 필터링하는 데 NMS를 크게 의존하며, 이로 인해 자율주행 차량이나 고속 로보틱스와 같은 실시간 애플리케이션에서 예측할 수 없는 지연 시간이 발생해 상당한 병목이 됩니다. YOLOv10은 객체마다 최적의 경계 상자 하나를 직접 예측하여 예측 가능한 초저지연 추론을 실현합니다.
또한 종합적인 효율성·정확도 중심 설계를 적용합니다. 경량 분류 헤드와 공간·채널 분리 다운샘플링을 포함한 여러 구성 요소를 최적화해 연산 중복을 크게 줄입니다. 그 결과 파라미터 수와 FLOPs가 더 적으면서도 경쟁력 있는 평균 정밀도(mAP)를 유지하는 아키텍처를 구현합니다.
사용 예제#
YOLOv10은 Ultralytics 생태계에 긴밀히 통합되어 있어 Ultralytics Python 패키지를 통해 매우 쉽게 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 자동 신경망 아키텍처 탐색(NAS)을 통해 고효율 네트워크 구조를 찾아내고, 속도와 정확도의 파레토 프런티어를 확장하는 데 초점을 맞춥니다.
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 산업 애플리케이션에 적합한 여러 가지 새로운 기술을 도입합니다. 모델의 기반은 최대 엔트로피 기반 탐색으로 생성된 MAE-NAS Backbone입니다. 이 자동화된 프로세스는 사전에 정의한 연산 예산을 엄격히 준수하는 백본 구조를 찾아 정확도와 추론 지연 시간의 균형을 맞춥니다.
또한 Efficient RepGFPN 넥을 사용합니다. 이 특징 피라미드 네트워크는 다양한 스케일의 특징 융합을 개선하도록 설계되었으며, 객체 크기가 크게 다른 항공 이미지 분석과 같은 복잡한 작업에 매우 중요합니다. DAMO-YOLO는 여기에 더해 최종 예측 레이어의 복잡성을 크게 줄여 추론 시간을 절약하는 미니멀리스트 탐지 헤드인 ZeroHead를 구현합니다.
성능 비교#
객체 탐지 아키텍처를 평가할 때는 추론 속도, 파라미터 효율성, 탐지 정확도 사이에서 적절한 균형을 찾는 것이 무엇보다 중요합니다. 다음 표는 각 모델 크기에 따른 YOLOv10과 DAMO-YOLO의 성능을 비교합니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | 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 |
벤치마크에서 볼 수 있듯이 YOLOv10은 특히 나노 변형에서 TensorRT 지연 시간이 일관되게 우수하며, DAMO-YOLO의 유사 모델보다 파라미터와 FLOPs가 훨씬 적습니다. DAMO-YOLO는 Tiny 변형에서 높은 mAP를 제공하지만, YOLOv10 계열의 파라미터 효율성과 추론 지연 시간은 제약이 있는 배포 환경에서 뚜렷한 이점을 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 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.
Ultralytics의 강점#
두 모델 모두 기술적으로 인상적이지만, 프로덕션용 아키텍처를 선택할 때는 단순 성능 지표를 넘어 살펴봐야 합니다. Ultralytics 생태계에서 기본 지원하는 모델을 사용하면 개발자와 연구자 모두에게 독보적인 이점을 제공합니다.
사용 편의성과 잘 관리되는 생태계#
방치되는 경우가 많은 독립형 학술 저장소와 달리 Ultralytics는 견고하고 활발히 관리되는 생태계를 제공합니다. NAS 파이프라인에 크게 의존하는 모델의 복잡한 환경을 설정하는 일은 까다로울 수 있습니다. 반면 Ultralytics는 포괄적인 문서를 바탕으로 표준화되고 직관적인 Python API와 강력한 CLI를 제공합니다. 이를 통해 맞춤형 비전 솔루션의 출시 기간을 크게 단축할 수 있습니다.
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 주요 MLOps 도구와 기본적으로 통합됩니다. 추가 상용구 코드 없이 Weights & Biases, Comet 또는 ClearML 통합을 사용해 모델 학습 진행 상황을 손쉽게 추적할 수 있습니다.
다양한 작업 지원#
다수의 특화된 탐지 모델은 초점이 좁다는 뚜렷한 한계가 있습니다. Ultralytics 생태계에서는 객체 탐지에만 국한되지 않습니다. 도구를 통해 컴퓨터 비전 작업 전반으로 원활하게 확장할 수 있으며, 여기에는 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 방향 경계 상자(OBB) 탐지가 포함됩니다.
앞으로의 발전: YOLO26의 진화#
YOLOv10은 NMS 없는 추론을 선도하고 DAMO-YOLO는 NAS의 강력한 성능을 보여 주었지만, 컴퓨터 비전 분야는 빠르게 발전하고 있습니다. 최첨단 솔루션을 찾는 개발자에게는 Ultralytics YOLO26을 확인해 보시기를 권장합니다.
YOLO11의 확실한 후속 모델로 출시된 YOLO26은 YOLOv10이 구축한 NMS 없는 기반을 계승하면서 이를 한층 더 발전시켰습니다.
YOLO26의 주요 발전 사항은 다음과 같습니다.
- 최대 43% 빠른 CPU 추론: 엣지 컴퓨팅과 저전력 장치에 최적화되었습니다.
- DFL 제거: Distribution Focal Loss를 제거해 더 간편한 내보내기와 다양한 배포 대상과의 향상된 호환성을 제공합니다.
- MuSGD Optimizer: SGD와 Muon의 하이브리드로, 고급 LLM 학습 안정성과 더 빠른 수렴을 컴퓨터 비전에 직접 도입합니다.
- ProgLoss + STAL: 손실 함수를 크게 개선해 작은 객체 인식 성능을 눈에 띄게 높이며, 이는 농업 및 원격 탐사와 같은 활용 사례에 필수적입니다.
새롭게 개편된 Ultralytics Platform을 활용하면 개발자는 YOLO26과 같은 차세대 모델에 주석을 달고 학습 및 배포하는 과정을 몇 번의 클릭만으로 원활하게 처리할 수 있어, 컴퓨터 비전 파이프라인을 최첨단으로 유지하고 미래에도 활용할 수 있습니다.