YOLOv6-3.0과 DAMO-YOLO
컴퓨터 비전 분야는 끊임없이 발전하며, 새로운 아키텍처가 실시간 객체 감지의 속도와 정확도를 개선하고 있습니다. 이 분야에서 주목할 만한 두 모델은 YOLOv6-3.0과 DAMO-YOLO입니다. 두 모델은 산업용 하드웨어에서 성능을 극대화하도록 설계된 고유한 아키텍처 혁신을 도입했습니다. 이 가이드에서는 두 모델의 아키텍처, 학습 방법론, 적합한 사용 사례를 포괄적으로 기술 비교하고, YOLO26과 같은 Ultralytics 모델이 제공하는 차세대 장점도 소개합니다.
모델 개요#
YOLOv6-3.0: 산업용 처리량#
Meituan의 Vision AI Department에서 개발한 YOLOv6-3.0은 고처리량 산업용 애플리케이션에 특화되어 설계되었습니다. NVIDIA GPU와 같은 하드웨어 가속기에서 성능을 극대화하는 데 중점을 둡니다.
- 저자: Chuyi Li, Lulu Li, Yifei Geng 외
- 조직: Meituan
- 날짜: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- 문서: Ultralytics YOLOv6 문서
YOLOv6-3.0은 특징 융합을 개선하는 양방향 연결(BiC) 모듈을 도입하고 앵커 보조 학습(AAT) 전략을 사용합니다. 이 전략은 학습 중 앵커 기반 디텍터와 앵커 비사용 디텍터의 장점을 결합하면서 추론은 완전한 앵커 비사용 방식으로 유지합니다. EfficientRep 백본은 GPU 배치 처리에 매우 적합한 하드웨어 친화성을 제공하므로 대규모 비디오 이해 워크로드에 적합합니다.
DAMO-YOLO: NAS를 통한 속도와 정확도 향상#
Alibaba Group이 개발한 DAMO-YOLO는 신경망 아키텍처 탐색(NAS)을 사용하여 실시간 추론에 가장 효율적인 백본 구조를 자동으로 탐색합니다.
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen 외
- 조직: Alibaba Group
- 날짜: 2022-11-23
- arXiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
DAMO-YOLO는 효율적인 다중 스케일 특징 융합을 위한 RepGFPN(재매개변수화된 일반화 특징 피라미드 네트워크)과 감지 헤드의 계산 오버헤드를 크게 줄이는 ZeroHead 설계가 특징입니다. 또한 모델 파라미터 수를 늘리지 않으면서 정확도를 높이기 위해 AlignedOTA 레이블 할당과 지식 증류 기법을 적용합니다.
DAMO-YOLO는 뛰어난 정확도를 달성하지만, 학습 중 지식 증류에 크게 의존하므로 훨씬 더 큰 "teacher" 모델이 필요합니다. 따라서 단순한 아키텍처에 비해 학습 단계에서 필요한 CUDA 메모리가 크게 증가합니다.
성능 비교#
객체 감지 모델을 평가할 때 평균 정밀도(mAP)와 추론 속도 간의 균형이 중요합니다. 아래에서는 다양한 모델 규모에서 YOLOv6-3.0과 DAMO-YOLO를 자세히 비교합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| 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 |
YOLOv6-3.0은 TensorRT 최적화를 활용하는 NVIDIA GPU에서 우수한 속도를 보이며, 특히 nano 및 small 변형 모델이 그렇습니다. 반면 DAMO-YOLO의 NAS 최적화 백본은 중간 및 대형 스케일에서 FLOPs가 더 적은 경향이 있어 대규모 배포에서 지연 시간이 약간 더 짧습니다.
Ultralytics의 장점: YOLO26 출시#
YOLOv6-3.0과 DAMO-YOLO는 강력한 도구이지만, 개발자는 복잡한 배포 파이프라인, 학습 중 높은 메모리 요구량, 경직된 단일 작업 아키텍처로 어려움을 겪는 경우가 많습니다. Ultralytics 생태계는 더욱 간소화된 개발자 경험을 제공합니다.
YOLO26은 최신 Ultralytics 모델입니다. 2026년 1월에 출시된 Ultralytics YOLO26은 효율성과 다용도성을 모두 개선했습니다.
YOLO26의 주요 혁신#
- 엔드투엔드 NMS 프리 설계: YOLOv10이 YOLO 모델에 도입한 NMS 프리 학습을 바탕으로, YOLO26의 선택적 일대일 헤드(
nms=False)는 비최대 억제(NMS) 후처리를 제거합니다. 이를 통해 지연 시간 변동성을 줄이고 CoreML 또는 LiteRT를 통한 엣지 디바이스 배포를 간소화합니다. - DFL 제거: Distribution Focal Loss를 제거하여 YOLO26의 내보내기 과정을 간소화하고 저전력 엣지 하드웨어와의 호환성을 개선합니다.
- CPU 추론 속도 최대 43% 향상: 전용 GPU 하드웨어가 없는 애플리케이션에서 YOLO26n은 YOLO11n보다 CPU에서 최대 43% 빠르게 실행됩니다.
- MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 LLM 학습 기법에서 영감을 받은 YOLO26은 안정적인 학습과 빠른 수렴을 위해 MuSGD 옵티마이저(SGD와 Muon의 하이브리드)를 사용합니다.
- ProgLoss + STAL: 점진적 손실 함수와 소형 객체를 고려한 레이블 할당 전략을 통해 소형 객체 인식 성능을 개선하며, 이는 드론 운용과 원거리 표적 추적에 도움이 됩니다.
- 멀티태스크 유연성: 엄격히 탐지 작업만 수행하는 DAMO-YOLO와 달리, YOLO26은 단일 통합 API에서 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 분류, 포즈 추정(Residual Log-Likelihood Estimation 사용), 방향성 바운딩 박스(OBB)를 기본으로 지원합니다.
RT-DETR와 같은 복잡한 Transformer 아키텍처나 지식 증류에 크게 의존하는 DAMO-YOLO 파이프라인과 달리, Ultralytics 모델은 낮은 VRAM 사용량으로 잘 알려져 있습니다. 일반 소비자용 하드웨어에서 YOLO26 모델을 학습할 수 있습니다.
간소화된 Python 워크플로#
최첨단 모델을 학습하고 배포하는 데 상용구 코드 수백 줄이 필요해서는 안 됩니다. Ultralytics Python 패키지는 머신러닝 수명 주기를 간소화합니다.
from ultralytics import YOLO
# YOLO26 소형 모델을 불러옵니다
model = YOLO("yolo26s.pt")
# 내장된 데이터 처리 기능으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 초고속 추론을 실행하고 결과를 표시합니다
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()
# ONNX 또는 TensorRT로 내보내기
model.export(format="onnx")적합한 사용 사례#
적합한 아키텍처는 배포 제약 조건에 따라 달라집니다:
YOLOv6-3.0을 사용해야 하는 경우#
- 대규모 배치 비디오 분석: TensorRT를 최대한 활용할 수 있는 엔터프라이즈 GPU 서버에서 대량의 비디오 스트림을 처리하는 데 적합합니다.
- 산업 자동화: 고속 제조 라인에서 품질 관리를 위한 결함 탐지를 수행합니다.
DAMO-YOLO를 사용하기 좋은 경우#
- 맞춤형 실리콘: 특정 독점 NPU 하드웨어에 맞춘 Neural Architecture Search 매핑을 연구합니다.
- 학술 연구: 실시간 네트워크를 위한 새로운 지식 증류 기법을 벤치마킹합니다.
Ultralytics YOLO26을 사용해야 하는 경우#
- 엣지 및 모바일 배포: 선택적으로 사용할 수 있는 NMS-free 헤드, DFL 제거, 최대 43% 빠른 CPU 추론(YOLO26n과 YOLO11n 비교)을 통해 iOS, Android 및 Raspberry Pi 배포에 적합합니다.
- 신속한 프로토타이핑부터 프로덕션까지: Ultralytics Platform과 통합하면 팀은 데이터셋 어노테이션부터 글로벌 클라우드 배포까지 몇 달이 아니라 며칠 만에 진행할 수 있습니다.
- 복잡한 비전 파이프라인: 바운딩 박스, 사람 포즈 키포인트, 정밀한 세그멘테이션 마스크를 함께 사용하는 프로젝트에 적합합니다.
결론#
YOLOv6-3.0과 DAMO-YOLO는 실시간 객체 감지 분야의 발전에 크게 기여했습니다. YOLOv6는 GPU 활용을 극대화하는 방향으로 개선되었으며, DAMO-YOLO는 자동화된 아키텍처 탐색의 강점을 보여 주었습니다.
하지만 정확도, 추론 속도, 에코시스템의 유지 관리성을 균형 있게 고려하는 개발자에게는 Ultralytics YOLO 제품군이 적합한 선택입니다. YOLO26에 도입된 최적화는 프로덕션 컴퓨터 비전 애플리케이션을 시작하는 데 필요한 진입 장벽을 더욱 낮춰 줍니다.
더 살펴보고 싶다면 문서에서 YOLO11이나 RT-DETR와 같은 Transformer 기반 접근법 등 다른 아키텍처와 모델을 비교해 볼 수도 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.