YOLOv5 vs DAMO-YOLO#

실시간 컴퓨터 비전의 환경은 지속적으로 발전하고 있으며, 연구자와 엔지니어는 정확도, 속도, 사용 편의성 간의 완벽한 균형을 이루기 위해 노력하고 있습니다. 이러한 여정을 형성해 온 두 가지 주요 모델은 Ultralytics YOLOv5와 Alibaba의 DAMO-YOLO입니다.

이 가이드에서는 아키텍처, 성능 지표, 학습 방법론을 심층적으로 기술 분석하여 다음 배포에 적합한 모델을 선택할 수 있도록 지원합니다.

모델 배경#

기술적 세부 사항을 살펴보기 전에, 이 영향력 있는 두 비전 모델의 기원과 주요 설계 철학을 이해하는 것이 중요합니다.

Ultralytics YOLOv5#

Glenn Jocher와 Ultralytics 팀이 개발한 YOLOv5는 출시 이후 업계 표준으로 자리 잡았습니다. PyTorch 프레임워크를 기반으로 네이티브하게 구축된 YOLOv5는 간소화된 개발자 경험과 즉시 활용 가능한 강력한 배포 기능을 우선시했습니다.

• 작성자: Glenn Jocher
• 조직: Ultralytics
• 날짜: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• 문서: Ultralytics YOLOv5 문서

DAMO-YOLO#

Alibaba Group의 연구자들이 개발한 DAMO-YOLO는 신경망 아키텍처 탐색 (NAS)과 고급 지식 증류 기법에 중점을 둡니다. 하드웨어별 성능의 이론적 한계를 확장하며, 극도의 튜닝이 필요한 연구 및 엣지 환경에 특히 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 고유한 구조적 개념을 활용하여 실시간 성능을 달성하지만, 접근 방식은 상당히 다릅니다.

YOLOv5: 안정성과 범용성#

YOLOv5는 수정된 크로스 스테이지 파셜 (CSP) 백본과 경로 집계 네트워크 (PANet) 넥을 결합하여 사용합니다. 이 구조는 매우 효율적이며, 학습과 추론 중 CUDA 메모리 사용량을 최소화합니다.

YOLOv5의 가장 큰 강점 중 하나는 작업 전반에 걸친 범용성입니다. 바운딩 박스 예측을 넘어 이미지 세그멘테이션과 이미지 분류를 위한 전용 아키텍처를 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 유도 검색을 사용하여 Alibaba 팀은 감지 정확도와 추론 속도의 균형을 동적으로 맞추는 백본을 발견했습니다.

또한 복잡한 스케일 변화에 대한 특징 융합을 개선하는 Efficient RepGFPN 넥을 갖추고 있어, 위성 이미지 분석에서 자주 나타나는 이러한 변화에 특히 유용합니다. ZeroHead 설계는 최종 예측 레이어를 단순화하여 지연 시간을 줄이지만, 이러한 복잡한 구조 생성 방식으로 인해 아키텍처가 경직되고 커스텀 애플리케이션에 맞게 수정하기 어려울 수 있습니다.

성능 및 지표#

실시간 객체 검출기를 평가하려면 mAP (평균 정밀도), 추론 속도, 모델 크기 매개변수의 조합을 살펴봐야 합니다.

DAMO-YOLO는 특정 파라미터 수에서 매우 경쟁력 있는 mAP 점수를 달성하는 반면, YOLOv5는 nano 및 small 구성에서 일관되게 뛰어난 TensorRT 속도와 매우 적은 파라미터 수를 보여줍니다. 이러한 성능 균형 덕분에 YOLOv5는 다양한 엣지 배포 시나리오에서 효율적으로 작동합니다.

학습 효율성 및 생태계#

모델의 이론적 정확도는 실제 구현 가능성만큼만 우수합니다. 바로 이 지점에서 두 모델은 상당한 차이를 보입니다.

증류의 복잡성#

DAMO-YOLO는 다단계 학습 방법론에 크게 의존합니다. AlignedOTA 레이블 할당을 교사-학생 지식 증류 기법과 결합합니다. 이를 통해 학생 모델에서 최대 성능을 끌어내지만, 초기 거대 교사 모델 학습이 필요합니다. 이는 연산 시간, 에너지 비용, 필요한 하드웨어를 급격히 증가시켜 민첩한 머신러닝 팀에게 병목 현상을 유발합니다.

Ultralytics의 장점: 간편한 사용성#

반면 Ultralytics 생태계는 직관적인 API와 효율적인 학습으로 세계적으로 유명합니다. 활발한 개발과 방대한 오픈 소스 커뮤니티를 기반으로 개발자는 모델을 원활하게 학습하고 검증하며 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 Weights & Biases 및 Comet ML과 같은 도구를 통한 실험 추적 기능도 기본으로 지원하여 마찰 없는 워크플로를 구현합니다.

실제 사용 사례#

• YOLOv5는 빠르게 변화하는 프로덕션 환경에서 탁월한 성능을 발휘합니다. 간단한 내보내기 기능 덕분에 스마트 리테일 분석, 고속 제조 결함 검출, CoreML을 통한 모바일 애플리케이션 통합에 가장 적합한 선택입니다.
• DAMO-YOLO는 엄격한 학술 벤치마킹과, 특정 고정 하드웨어를 대상으로 mAP를 조금이라도 개선하기 위해 장시간의 증류 학습을 실행할 수 있는 방대한 컴퓨팅 리소스가 제공되는 시나리오에 매우 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 선택해야 하는 경우#

YOLOv5는 다음과 같은 경우에 적합합니다.

• 검증된 프로덕션 시스템: YOLOv5의 오랜 안정성 기록, 광범위한 documentation, 대규모 community support가 중요한 기존 deployment입니다.
• 리소스가 제한된 training: YOLOv5의 효율적인 training pipeline과 낮은 memory requirement가 유리한 제한된 GPU resource 환경입니다.
• 광범위한 export format support: ONNX, TensorRT, CoreML, TFLite를 비롯한 다양한 format으로 deployment해야 하는 project입니다.

DAMO-YOLO를 선택해야 하는 경우#

다음과 같은 경우 DAMO-YOLO를 권장합니다.

• High-Throughput Video Analytics: batch-1 throughput이 주요 metric인 고정 NVIDIA GPU infrastructure에서 high-FPS video stream을 처리하는 경우입니다.
• Industrial Manufacturing Lines: assembly line에서의 real-time quality inspection과 같이 전용 하드웨어에서 엄격한 GPU latency constraint가 있는 경우입니다.
• Neural Architecture Search Research: automated architecture search(MAE-NAS)와 효율적인 reparameterized backbone이 detection performance에 미치는 영향을 연구하는 경우입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

• NMS-Free 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 지연 시간이 짧은 추론이 필요한 애플리케이션입니다.
• CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 더 빠른 CPU 추론이 결정적인 이점을 제공하는 경우입니다.
• 소형 객체 탐지: 항공 드론 이미지나 IoT 센서 분석처럼 ProgLoss와 STAL이 작은 객체의 정확도를 크게 향상하는 까다로운 시나리오입니다.

다음 진화: YOLO26#

새로운 프로젝트를 시작한다면 미래를 내다보는 것이 좋습니다. Ultralytics YOLO26은 YOLOv5의 뛰어난 기반을 바탕으로 구축되었으며, 최첨단 비전 AI를 새롭게 정의하는 혁신적인 발전을 통합합니다.

YOLO26의 주요 혁신은 다음과 같습니다:

• MuSGD Optimizer: LLM 학습 혁신에서 영감을 얻은 SGD와 Muon의 하이브리드로, 매우 안정적인 학습과 빠른 수렴을 보장합니다.
• 최대 43% 더 빠른 CPU 추론: 엣지 컴퓨팅에 맞게 고도로 최적화되어 전용 GPU 없이 작동하는 IoT 디바이스에 적합합니다.
• ProgLoss + STAL: 작은 객체의 인식을 크게 개선하는 고급 손실 함수로, 항공 드론 이미지와 로보틱스에 중요합니다.
• 작업별 개선 사항: Oriented Bounding Boxes (OBB)를 위한 특수 각도 손실부터 정확한 포즈 추정을 위한 Residual Log-Likelihood Estimation (RLE)까지, YOLO26은 복잡한 분야를 손쉽게 처리합니다.

결론#

YOLOv5와 DAMO-YOLO는 모두 객체 검출의 역사에서 확고한 위치를 차지했습니다. DAMO-YOLO는 신경망 아키텍처 탐색과 증류를 보여주는 흥미로운 연구 사례로 남아 있습니다. 그러나 잘 유지 관리되는 생태계, 사용 편의성, 신속한 프로덕션 전환을 중시하는 조직에 있어서는 Ultralytics 모델이 여전히 독보적입니다.

차세대 모델인 YOLO26과 같은 모델에 주석을 달고 학습하며 배포할 때는 Ultralytics Platform을 활용하는 것을 적극 권장합니다. 이를 통해 컴퓨터 비전 파이프라인을 미래에 대비하고 빠르며 뛰어난 정확도를 갖추도록 할 수 있습니다.

추가 읽을거리#

• 고정밀 애플리케이션을 위해 Transformer 기반 RT-DETR을 살펴보세요.
• 이전 세대 YOLO11 모델에 대해 알아보세요.
• OpenVINO를 사용하여 배포를 최적화하는 방법을 알아보세요.