YOLOv5 vs. DAMO-YOLO: 포괄적인 기술 비교
실시간 컴퓨터 비전 분야는 끊임없이 발전하고 있으며, 연구원과 엔지니어들은 정확도, 속도, 사용 편의성 사이의 완벽한 균형을 찾기 위해 노력하고 있습니다. 이러한 여정을 이끌어온 두 가지 대표적인 모델이 바로 Ultralytics YOLOv5와 Alibaba의 DAMO-YOLO입니다.
본 가이드는 아키텍처, 성능 지표, 학습 방법론에 대한 심층적인 기술 분석을 제공하여 다음 프로젝트 배포에 적합한 모델을 선택하는 데 도움을 드립니다.
모델 배경
기술적인 세부 사항을 살펴보기 전에, 이 영향력 있는 비전 모델들의 기원과 주요 설계 철학을 이해하는 것이 중요합니다.
Ultralytics YOLOv5
Glenn Jocher와 Ultralytics 팀이 개발한 YOLOv5는 출시 이후 업계 표준으로 자리 잡았습니다. PyTorch 프레임워크를 기반으로 기본 설계되었으며, 즉시 사용 가능한 간소화된 개발자 경험과 강력한 배포 기능을 우선시했습니다.
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 문서: Ultralytics YOLOv5 문서
DAMO-YOLO
Alibaba Group의 연구원들이 개발한 DAMO-YOLO는 신경망 구조 탐색(NAS) 및 고급 증류(distillation) 기법에 크게 중점을 둡니다. 이는 하드웨어별 성능의 이론적 한계를 극대화하며, 극한의 튜닝이 필요한 연구 및 엣지 환경에 매우 적합합니다.
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 조직: Alibaba Group
- 날짜: 2022-11-23
- Arxiv: https://arxiv.org/abs/2211.15444v2
- GitHub: https://github.com/tinyvision/DAMO-YOLO
아키텍처 혁신
두 모델 모두 실시간 성능을 달성하기 위해 고유한 구조적 개념을 활용하지만, 접근 방식은 상당히 다릅니다.
YOLOv5: 안정성과 범용성
YOLOv5는 수정된 CSP(Cross Stage Partial) 백본과 PANet(Path Aggregation Network) 넥을 사용합니다. 이 구조는 매우 효율적이며 학습 및 추론 중 CUDA 메모리 사용량을 최소화합니다.
YOLOv5의 가장 큰 장점 중 하나는 다양한 작업에 대한 범용성입니다. 바운딩 박스 예측을 넘어 이미지 세분화 및 이미지 분류를 위한 전용 아키텍처를 제공하므로 개발자가 단일 통합 프레임워크를 중심으로 비전 파이프라인을 표준화할 수 있습니다.
DAMO-YOLO: 자동화된 아키텍처 탐색
DAMO-YOLO의 핵심 혁신은 MAE-NAS 백본입니다. 다중 목표 진화 탐색(Multi-Objective Evolutionary search)을 사용하여 Alibaba 팀은 탐지 정확도와 추론 속도의 균형을 동적으로 맞추는 백본을 찾아냈습니다.
또한 향상된 특징 융합을 위해 Efficient RepGFPN 넥을 탑재하여 위성 이미지 분석에서 흔히 볼 수 있는 복잡한 스케일 변화에 매우 유리합니다. ZeroHead 설계는 최종 예측 레이어를 단순화하여 지연 시간을 줄이지만, 이처럼 복잡한 구조 생성 방식은 아키텍처를 경직되게 만들어 사용자 지정 애플리케이션을 위한 수정이 어려울 수 있습니다.
Transformer 기반 아키텍처는 종종 높은 VRAM 소비로 어려움을 겪습니다. YOLOv5와 DAMO-YOLO 모두 효율적인 합성곱 설계를 활용하여 메모리 사용량을 낮게 유지하지만, Ultralytics 모델은 소비자용 GPU에 최적화되어 있어 독립 연구원과 스타트업이 훨씬 쉽게 접근할 수 있습니다.
성능 및 지표
실시간 객체 탐지기를 평가하려면 mAP(mean Average Precision), 추론 속도 및 모델 크기 매개변수 행렬을 살펴보아야 합니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| 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 |
DAMO-YOLO가 특정 매개변수 수에서 매우 경쟁력 있는 mAP 점수를 달성하는 반면, YOLOv5는 nano 및 small 구성에서 뛰어난 TensorRT 속도와 놀라울 정도로 적은 매개변수 수를 일관되게 보여줍니다. 이러한 성능 균형 덕분에 YOLOv5는 다양한 엣지 배포 시나리오에서 효율적으로 작동합니다.
학습 효율성 및 생태계
모델의 이론적 정확도는 실용적인 구현 가능성만큼만 중요합니다. 바로 이 지점에서 두 모델이 크게 갈라집니다.
증류의 복잡성
DAMO-YOLO는 다단계 학습 방법론에 크게 의존합니다. 이 모델은 AlignedOTA로 알려진 교사-학생 지식 증류 기법을 구현합니다. 이는 학생 모델로부터 최고의 성능을 끌어내지만, 처음에 방대한 교사 모델을 먼저 학습시켜야 합니다. 이는 컴퓨팅 시간, 에너지 비용 및 필요한 하드웨어를 크게 증가시켜 민첩한 ML 팀에게 병목 현상을 유발합니다.
Ultralytics의 강점: 사용 편의성
반면, Ultralytics 에코시스템은 직관적인 API와 학습 효율성으로 세계적으로 유명합니다. 활발한 개발과 거대한 오픈 소스 커뮤니티의 지원을 받아 개발자는 모델을 원활하게 학습, 검증 및 배포할 수 있습니다.
from ultralytics import YOLO
# Load a pretrained YOLOv5 model
model = YOLO("yolov5s.pt")
# Train on a custom dataset effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export to ONNX format for deployment
model.export(format="onnx")Ultralytics는 또한 Weights & Biases 및 Comet ML과 같은 도구를 통한 실험 추적 기능을 내장하여 마찰 없는 워크플로우를 제공합니다.
실제 사용 사례
- YOLOv5는 빠르게 진행되는 생산 환경에서 탁월합니다. 직관적인 내보내기 기능 덕분에 스마트 리테일 분석, 고속 제조 결함 탐지 및 CoreML을 통한 모바일 애플리케이션 통합에 최고의 선택이 됩니다.
- DAMO-YOLO는 엄격한 학술 벤치마킹이나 특정 하드웨어 목표에 대해 소수점 단위의 mAP 향상을 위해 긴 증류 학습을 실행할 수 있는 막대한 컴퓨팅 자원이 있는 시나리오에 매우 적합합니다.
사용 사례 및 권장 사항
YOLOv5와 DAMO-YOLO 중 선택은 프로젝트의 특정 요구 사항, 배포 제약 조건 및 에코시스템 선호도에 따라 달라집니다.
YOLOv5를 선택해야 할 때
YOLOv5는 다음과 같은 경우에 강력한 선택입니다:
- 검증된 프로덕션 시스템: YOLOv5의 오랜 안정성 기록, 광범위한 문서화 및 방대한 커뮤니티 지원이 가치 있게 평가되는 기존 배포 환경.
- 자원 제약이 있는 학습 환경: GPU 자원이 제한적인 환경에서 YOLOv5의 효율적인 학습 파이프라인과 낮은 메모리 요구사항이 유리한 경우.
- 광범위한 내보내기 형식 지원: ONNX, TensorRT, CoreML, TFLite를 포함한 다양한 형식으로 배포해야 하는 프로젝트.
DAMO-YOLO를 선택해야 할 때
DAMO-YOLO는 다음 경우에 권장됩니다:
- 고처리량 비디오 분석: batch-1 처리량이 주요 지표인 고정 NVIDIA GPU 인프라에서 고FPS 비디오 스트림을 처리할 때.
- 산업 제조 라인: 조립 라인의 실시간 품질 검사와 같이 전용 하드웨어에 대한 엄격한 GPU 지연 시간 제약 조건이 있는 시나리오.
- 신경 아키텍처 검색 연구: 자동화된 아키텍처 검색(MAE-NAS) 및 효율적인 재매개변수화 백본이 탐지 성능에 미치는 영향을 연구할 때.
Ultralytics(YOLO26)를 선택해야 할 때
대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적의 조합을 제공합니다:
- NMS-free 엣지 배포: Non-Maximum Suppression 후처리의 복잡성 없이 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
- CPU 전용 환경: 전용 GPU 가속기가 없는 장치에서 YOLO26의 최대 43% 더 빠른 CPU 추론 속도가 결정적인 이점을 제공합니다.
- 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같은 도전적인 시나리오에서 ProgLoss와 STAL이 작은 객체에 대한 정확도를 크게 향상시킵니다.
다음 단계의 진화: YOLO26
새 프로젝트를 시작하는 경우 미래를 내다보는 것을 강력히 권장합니다. Ultralytics YOLO26은 YOLOv5의 놀라운 기반 위에 구축되었으며, 최첨단 비전 AI를 재정의하는 혁신적인 발전을 통합했습니다.
전 세계적인 찬사를 받으며 출시된 YOLO26은 기본적으로 엔드 투 엔드(end-to-end) 모델입니다. 이 모델은 엔드 투 엔드 NMS-Free 설계를 특징으로 하며, 비최대 억제(Non-Maximum Suppression) 후처리를 완전히 제거하여 훨씬 더 빠르고 단순한 배포를 지원합니다.
YOLO26의 주요 혁신 사항은 다음과 같습니다:
- MuSGD 옵티마이저: LLM 학습 혁신에서 영감을 받은 SGD와 Muon의 하이브리드 조합으로, 매우 안정적인 학습과 빠른 수렴을 보장합니다.
- CPU 추론 속도 최대 43% 향상: 엣지 컴퓨팅을 위해 대폭 최적화되어 전용 GPU 없이 작동하는 IoT 기기에 완벽합니다.
- ProgLoss + STAL: 항공 드론 영상 및 로봇 공학에 필수적인 작은 객체 인식 성능을 획기적으로 향상시키는 고급 손실 함수입니다.
- 작업별 개선: OBB(Oriented Bounding Boxes)를 위한 특수 각도 손실부터 정확한 자세 추정을 위한 RLE(Residual Log-Likelihood Estimation)에 이르기까지, YOLO26은 복잡한 도메인을 쉽게 처리합니다.
결론
YOLOv5와 DAMO-YOLO 모두 객체 탐지의 역사에 확고한 자리를 잡았습니다. DAMO-YOLO는 신경망 구조 탐색과 증류 분야에서 흥미로운 연구 사례로 남아 있습니다. 그러나 잘 유지 관리되는 에코시스템, 사용 편의성, 빠른 제품화 경로를 우선시하는 조직에게 Ultralytics 모델은 타의 추종을 불허합니다.
Ultralytics 플랫폼을 활용하여 YOLO26과 같은 차세대 모델을 주석 처리, 학습 및 배포함으로써 귀하의 컴퓨터 비전 파이프라인이 미래 지향적이고 빠르며 매우 정확하도록 유지할 것을 강력히 권장합니다.