YOLOv5와 DAMO-YOLO 비교
실시간 컴퓨터 비전 분야는 계속 발전하고 있으며, 연구자와 엔지니어는 정확도, 속도, 사용 편의성 간의 적절한 균형을 모색하고 있습니다. 이 발전 과정에 영향을 미친 대표적인 모델 두 가지는 Ultralytics YOLOv5와 Alibaba의 DAMO-YOLO입니다.
이 가이드는 아키텍처, 성능 메트릭, 학습 방법론을 심층적으로 기술 분석하여 다음 배포에 적합한 모델을 선택할 수 있도록 돕습니다.
모델 배경#
기술 세부 사항을 비교하기 전에, 이 영향력 있는 비전 모델 각각의 기원과 핵심 설계 철학을 이해하는 것이 중요합니다.
Ultralytics YOLOv5#
Glenn Jocher와 Ultralytics 팀이 개발한 YOLOv5는 출시 이후 업계 표준으로 자리 잡았습니다. PyTorch 프레임워크 기반으로 개발되었으며, 처음부터 간소화된 개발자 경험과 견고한 배포 기능을 우선시했습니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: ultralytics/yolov5
- 문서: Ultralytics YOLOv5 문서
DAMO-YOLO#
Alibaba Group의 연구자들이 개발한 DAMO-YOLO는 신경망 아키텍처 탐색(NAS)과 지식 증류 기법에 중점을 둡니다. 광범위한 튜닝이 필요한 연구 및 배포 환경에 맞춰 하드웨어별 성능을 목표로 합니다.
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 기관: Alibaba Group
- 날짜: 2022-11-23
- arXiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
아키텍처 혁신#
두 모델은 실시간 성능을 달성하기 위해 고유한 구조 개념을 활용하지만, 접근 방식은 크게 다릅니다.
YOLOv5: 안정성과 다용도성#
YOLOv5는 수정된 CSP(Cross Stage Partial) 백본과 PANet(Path Aggregation Network) 넥을 결합해 사용합니다. 이 구조는 효율적이며 학습과 추론 중 CUDA 메모리 사용량을 낮게 유지합니다.
YOLOv5의 가장 큰 강점 중 하나는 다양한 작업에 걸친 다목적성입니다. 원래 YOLOv5 리포지토리는 바운딩 박스 예측뿐 아니라 인스턴스 분할(v7.0)과 이미지 분류(v6.2)를 위한 전용 아키텍처도 제공하므로, 개발자는 하나의 일관된 프레임워크를 중심으로 비전 파이프라인을 표준화할 수 있습니다.
DAMO-YOLO: 자동화된 아키텍처 탐색#
DAMO-YOLO의 핵심 혁신은 MAE-NAS Backbone입니다. 최대 엔트로피 기반 탐색을 사용해 Alibaba 팀은 특정 지연 시간 예산에서 감지 정확도와 추론 속도의 균형을 이루는 백본을 찾아냈습니다.
또한 특징 융합을 개선하는 Efficient RepGFPN 넥을 갖추고 있어 위성 이미지 분석에서 흔히 나타나는 복잡한 스케일 변화에 특히 유용합니다. ZeroHead 설계는 최종 예측 계층을 간소화해 지연 시간을 줄이지만, 복잡한 구조 생성 과정으로 인해 아키텍처가 경직되고 커스텀 애플리케이션에 맞게 수정하기 어려울 수 있습니다.
Transformer 기반 아키텍처는 GPU 메모리를 많이 사용하는 경우가 많습니다. YOLOv5와 DAMO-YOLO는 모두 효율적인 합성곱 설계로 메모리 사용량을 낮게 유지합니다. Ultralytics 모델은 일반 소비자용 GPU에서도 학습할 수 있도록 설계되어 독립 연구자와 스타트업도 쉽게 활용할 수 있습니다.
성능 및 지표#
실시간 객체 감지기를 평가하려면 mAP(평균 정밀도), 추론 속도, 모델 크기를 함께 살펴봐야 합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| 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 |
DAMO-YOLO는 비슷한 파라미터 수에서 YOLOv5보다 높은 mAP를 달성합니다. 예를 들어 DAMO-YOLOs는 파라미터 16.3M으로 mAP 46.0을 달성하는 반면, 파라미터 21.2M인 YOLOv5m은 mAP 45.4를 기록합니다. YOLOv5는 가장 빠른 TensorRT 속도와 나노 및 소형 구성에서 가장 적은 파라미터 수를 제공하므로 지연 시간이 중요한 엣지 배포에 적합합니다.
학습 효율성과 생태계#
모델의 이론적 정확도는 실제 구현 가능성만큼만 가치가 있습니다. 이 부분에서 두 모델은 상당히 차이를 보입니다.
지식 증류의 복잡성#
DAMO-YOLO는 다단계 학습 방법론에 크게 의존합니다. AlignedOTA 라벨 할당과 교사-학생 지식 증류 기법을 결합합니다. 이를 통해 학생 모델의 성능을 극대화할 수 있지만, 먼저 대형 교사 모델을 학습해야 합니다. 이 과정은 필요한 컴퓨팅 시간, 에너지 비용, 하드웨어를 증가시켜 소규모 ML 팀의 작업을 늦출 수 있습니다.
Ultralytics의 장점: 사용 편의성#
반면 Ultralytics 생태계는 직관적인 API와 학습 효율성으로 잘 알려져 있습니다. 활발한 개발과 대규모 오픈 소스 커뮤니티를 바탕으로 개발자는 최소한의 설정으로 모델을 학습하고 검증하며 배포할 수 있습니다.
from ultralytics import YOLO
# 사전 학습된 YOLOv5 모델을 불러옵니다.
model = YOLO("yolov5su.pt") # YOLOv5u: ultralytics 패키지용 앵커 프리 YOLOv5 가중치
# COCO8 예제 데이터셋으로 학습합니다
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 배포를 위해 ONNX 형식으로 내보냅니다
model.export(format="onnx")Ultralytics는 Weights & Biases 및 Comet과 같은 연동을 통해 기본 제공 실험 추적 기능도 제공합니다.
실제 활용 사례#
- YOLOv5는 빠르게 변화하는 프로덕션 환경에 적합합니다. 간편한 내보내기 기능 덕분에 스마트 리테일 분석, 고속 제조 결함 감지, CoreML을 통한 모바일 애플리케이션에서 흔히 선택됩니다.
- DAMO-YOLO는 학술 벤치마킹과 특정 고정 하드웨어에서 추가 mAP를 목표로 하는 장시간의 증류 학습에 충분한 컴퓨팅 리소스를 사용할 수 있는 시나리오에 적합합니다.
사용 사례 및 권장 사항#
YOLOv5와 DAMO-YOLO 중 어느 것을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약 조건, 생태계 선호도에 따라 달라집니다.
YOLOv5를 선택할 경우#
YOLOv5는 다음과 같은 경우에 적합합니다:
- 프로덕션에서 검증된 시스템: YOLOv5의 오랜 안정성 기록, 폭넓은 문서, 대규모 커뮤니티가 중요한 기존 배포 환경에 적합합니다.
- 리소스 제약이 있는 학습: GPU 리소스가 제한된 환경에서 YOLOv5의 효율적인 학습 파이프라인과 적은 메모리 요구 사항이 유리합니다.
- 폭넓은 내보내기 형식 지원: ONNX, TensorRT, CoreML, LiteRT 등 다양한 형식으로 배포해야 하는 프로젝트입니다.
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 기기에서 YOLO26n은 CPU 기준 YOLO11n보다 최대 43% 빠르게 실행됩니다.
- 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.
다음 진화 단계: YOLO26#
새 프로젝트를 시작한다면 YOLOv5의 기반을 바탕으로 여러 아키텍처 및 학습 개선 사항을 적용한 Ultralytics YOLO26을 고려해 보세요.
YOLO26은 종단 간 NMS 없는 설계를 제공합니다. 선택형 일대일 헤드(nms=False)가 비최대 억제 후처리를 건너뛰어 더 빠르고 간편하게 배포할 수 있습니다.
YOLO26의 주요 혁신은 다음과 같습니다.
- MuSGD Optimizer: LLM 학습의 혁신에서 영감을 얻은 SGD와 Muon의 하이브리드로, 안정적인 학습과 빠른 수렴을 지원합니다.
- CPU 추론 최대 43% 향상: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로 전용 GPU가 없는 엣지 컴퓨팅과 IoT 장치에 적합합니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식형 라벨 할당 전략은 소형 객체 인식을 향상하며, 이는 항공 드론 이미지와 로보틱스에서 매우 중요합니다.
- 작업별 개선 사항: 방향성 바운딩 박스(OBB)를 위한 특화된 각도 손실부터 정확한 포즈 추정을 위한 잔차 로그 우도 추정(RLE)까지, YOLO26은 지원하는 각 작업에 개선 사항을 적용합니다.
결론#
YOLOv5와 DAMO-YOLO는 모두 객체 감지의 역사에서 입지를 다졌습니다. DAMO-YOLO는 신경망 아키텍처 탐색과 증류를 연구하는 흥미로운 사례로 남아 있습니다. 잘 관리되는 생태계, 사용 편의성, 프로덕션에 빠르게 적용할 방법을 우선시하는 조직에는 Ultralytics 모델이 더 적합합니다.
Ultralytics Platform을 사용해 YOLO26과 같은 최신 모델을 주석 처리하고, 학습하고, 배포하여 빠르고 정확하며 유지 관리하기 쉬운 컴퓨터 비전 파이프라인을 구축하세요.
추가 자료#
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.