YOLOv7 vs DAMO-YOLO#
실시간 객체 탐지 분야는 연구자와 엔지니어가 속도와 정확도 사이의 최적 균형을 찾기 위해 노력하면서 지속적으로 발전하고 있습니다. 이 기술 비교에서는 2022년에 등장한 두 가지 주요 아키텍처인 YOLOv7과 DAMO-YOLO를 심층적으로 살펴봅니다. 두 모델 모두 컴퓨터 비전 커뮤니티에 새로운 개념을 도입했으며, 모델 학습, 아키텍처 설계, 배포와 관련된 서로 다른 과제를 해결했습니다.
모델 배경 및 기술 세부 정보#
아키텍처를 자세히 살펴보기 전에 이 두 모델의 기원을 이해하는 것이 중요합니다. 두 모델 모두 주요 연구 그룹에서 개발되었으며, 실시간 객체 탐지의 한계를 확장하기 위한 고급 방법론을 도입했습니다.
YOLOv7 세부 정보#
YOLO 제품군의 연장선상에서 개발된 YOLOv7은 추론 비용을 증가시키지 않으면서 정확도를 크게 향상하는 학습 가능한 "bag-of-freebies" 개념을 도입했습니다.
- 저자: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
- 기관: 대만 중앙연구원 정보과학연구소
- 날짜: 2022-07-06
- Arxiv: https://arxiv.org/abs/2207.02696
- GitHub: https://github.com/WongKinYiu/yolov7
- 문서: https://docs.ultralytics.com/models/yolov7
DAMO-YOLO 세부 정보#
Alibaba Group의 연구자들이 개발한 DAMO-YOLO는 다양한 하드웨어에서 매우 효율적인 모델을 구축하기 위해 Neural Architecture Search (NAS)와 고급 지식 증류에 중점을 두었습니다.
- 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#
YOLOv7: 그래디언트 경로 분석 및 재매개변수화#
YOLOv7은 **확장 효율적 레이어 집계 네트워크 (E-ELAN)**에 크게 중점을 둡니다. 저자들은 네트워크의 그래디언트 경로를 분석하여 E-ELAN을 설계했으며, 이를 통해 원래의 그래디언트 경로를 저하시키지 않고 네트워크가 지속적으로 학습할 수 있도록 했습니다. 또한 YOLOv7은 추론 중 모델 재매개변수화를 효과적으로 활용하여 레이어를 원활하게 융합하고 FLOPs를 줄여 실행 시간을 단축합니다. 따라서 최신 GPU에서 실시간 추론을 수행하는 데 매우 적합합니다.
DAMO-YOLO: Neural Architecture Search 및 RepGFPN#
DAMO-YOLO는 지연 시간 제약 조건 하에서 **신경 아키텍처 검색 (NAS)**을 적극적으로 활용한다는 점에서 차별화됩니다. 모바일 기기나 특정 엣지 가속기와 같은 특정 하드웨어에 맞춤화된 최적의 백본을 찾기 위해 MAE-NAS라는 프레임워크를 활용합니다. 넥 부문에서는 효율적인 RepGFPN (재매개변수화 일반화 피라미드 네트워크)을 도입하고 있으며, 예측 헤드의 연산 부담을 최소화하기 위해 ZeroHead 설계를 채택하고 있습니다.
YOLOv7이 강력한 자체 아키텍처 최적화에 의존하는 반면, DAMO-YOLO는 복잡한 다단계 지식 증류 프로세스에 크게 의존합니다. 대규모 교사 모델을 학습한 후 더 작은 학생 모델에 지식을 증류해야 하므로, 학습 단계에서 계산 비용이 많이 들 수 있습니다.
성능 및 지표 비교#
이러한 모델을 비교할 때는 mAP (평균 정밀도), 추론 속도, 모델 복잡도를 확인하는 것이 중요합니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
위 표는 YOLOv7이 높은 정확도가 요구되는 영역(YOLOv7x)까지 잘 확장되는 반면, DAMO-YOLO는 리소스가 제한된 환경을 위해 고도로 최적화된 초소형 모델을 제공한다는 점을 보여줍니다.
학습 효율성 및 메모리 요구 사항#
두 아키텍처의 주요 차이점은 학습 방법론에 있습니다. DAMO-YOLO는 증류에 의존하므로 새로운 모델을 처음부터 학습하거나 커스텀 컴퓨터 비전 데이터셋에 대해 파인튜닝할 때 훨씬 더 많은 VRAM과 GPU 연산 시간이 필요한 경우가 많습니다.
반면 YOLOv7 및 이후 버전과 같이 Ultralytics 생태계에 통합된 모델은 메모리 요구 사항에 맞게 고도로 최적화되어 있습니다. 이를 통해 개발자는 소비자용 하드웨어에서 메모리 부족 오류 없이 더 큰 배치 크기를 사용할 수 있으며, 실험 추적 및 반복 프로세스를 간소화할 수 있습니다.
Ultralytics의 강점#
YOLOv7과 DAMO-YOLO 모두 매력적인 기능을 제공하지만, Ultralytics 생태계에서 모델을 배포하면 비교할 수 없는 개발자 경험을 얻을 수 있습니다.
- 사용 편의성: Ultralytics Python 패키지는 통합된 간단한 API를 제공합니다. 몇 줄의 코드만으로 모델 아키텍처를 빠르게 전환하고, 학습 루프를 시작하거나 추론을 실행할 수 있습니다.
- 잘 관리되는 생태계: Ultralytics는 잦은 업데이트를 제공하여 최신 PyTorch 릴리스 및 CUDA 드라이버와의 기본 호환성을 보장합니다. 또한 ONNX, TensorRT, OpenVINO와 같은 형식으로 모델을 간편하게 내보낼 수 있습니다.
- 다용도성: 객체 탐지기 역할만 수행하는 DAMO-YOLO와 달리 Ultralytics 생태계는 다양한 작업을 기본적으로 지원합니다. Ultralytics 제품군의 모델은 표준 바운딩 박스 탐지, 포즈 추정, 인스턴스 세그멘테이션, 회전 바운딩 박스 (OBB)를 수행할 수 있습니다.
코드 예제: 빠르게 시작하기#
다음은 Ultralytics 모델을 로드하고 학습하며 추론을 실행하는 간단한 방법입니다.
from ultralytics import YOLO
# Load a pre-trained YOLOv7 model (or newer models like yolo26n.pt)
model = YOLO("yolov7.pt")
# Train the model on the COCO8 dataset with automated hyperparameter handling
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Export to ONNX format for deployment
model.export(format="onnx")Ultralytics에서는 학습된 가중치를 다양한 하드웨어 가속 형식(TensorRT 또는 CoreML 등)으로 내보내는 작업을 export 명령의 단일 인수로 처리하므로, 복잡한 스크립트 설정에 소요되는 시간을 크게 줄일 수 있습니다.
차세대 모델: YOLO26#
YOLOv7은 여전히 강력한 레거시 아키텍처이지만, 이 분야는 빠르게 발전했습니다. 새로운 배포에는 Ultralytics YOLO26(2026년 1월 출시)이 권장 표준이며, 거의 모든 지표에서 이전 세대보다 뛰어난 성능을 제공합니다.
- 엔드 투 엔드 NMS 없는 설계: YOLOv10에서 처음 선보인 YOLO26은 Non-Maximum Suppression (NMS) 후처리를 기본적으로 제거합니다. 이를 통해 로보틱스와 자율주행 기술에 중요한 결정론적 초저지연 추론을 보장합니다.
- MuSGD 옵티마이저: 고급 LLM 학습 기법(Moonshot AI의 Kimi K2 등)에서 영감을 받은 이 하이브리드 옵티마이저는 SGD와 Muon을 결합하여 데이터셋 전반에서 매우 안정적인 학습과 더 빠른 수렴을 제공합니다.
- 최대 43% 더 빠른 CPU 추론: YOLO26은 Distribution Focal Loss (DFL)를 전략적으로 제거하여 엣지 컴퓨팅 플랫폼과 CPU에서 성능을 크게 향상합니다.
- ProgLoss + STAL: 이러한 고급 손실 함수는 작은 객체 탐지 성능을 크게 향상하므로 YOLO26은 항공 이미지와 상세한 감시 작업에 특히 적합합니다.
이상적인 사용 사례#
DAMO-YOLO를 선택해야 하는 경우#
- NAS 학술 연구: 조직에서 Neural Architecture Search 방법론 연구에 상당한 투자를 하고 있는 경우입니다.
- 특정 하드웨어에서의 매우 엄격한 지연 시간 제약: 맞춤형 AI 가속기 칩에 적합한 백본을 찾기 위해 철저한 NAS 검색을 실행할 리소스가 있는 경우입니다.
YOLOv7을 선택해야 하는 경우#
- 기존 GPU 파이프라인: 고급 NVIDIA 하드웨어에서 YOLOv7의 특정 E-ELAN 아키텍처에 맞게 고도로 최적화된 레거시 프로덕션 파이프라인을 유지 관리하는 팀의 경우입니다.
최신 Ultralytics 모델(YOLO11 / YOLO26)로 마이그레이션해야 하는 이유#
리테일 분석, 스마트 제조, 의료 등 대부분의 엔터프라이즈 애플리케이션에서 최신 Ultralytics 모델은 타의 추종을 불허합니다. Ultralytics Platform과의 통합은 사용 편의성, 우수한 문서, 강력한 커뮤니티 지원, 멀티태스크 활용성을 제공하는 완전한 ML 파이프라인을 구축합니다. Raspberry Pi에서 재고를 추적하든 클라우드에서 대규모 분석을 실행하든, YOLO26과 같은 모델은 컴퓨터 비전의 미래를 위한 이상적인 성능 균형을 제공합니다.