YOLOv7과 DAMO-YOLO
연구자와 엔지니어가 속도와 정확도 간 최적의 균형을 찾으면서 실시간 객체 감지는 계속 발전하고 있습니다. 이 기술 비교에서는 2022년에 등장한 두 아키텍처인 YOLOv7과 DAMO-YOLO를 살펴봅니다. 두 모델은 컴퓨터 비전 커뮤니티에 새로운 개념을 제시했으며, 모델 학습, 아키텍처 설계, 배포의 서로 다른 과제를 해결합니다.
모델 배경 및 기술 세부 정보#
두 모델은 모두 선도적인 연구 그룹이 개발했으며, 실시간 객체 감지를 개선하기 위한 새로운 방법을 도입했습니다.
YOLOv7 세부 정보#
YOLO 계열의 연장선에서 개발된 YOLOv7은 추론 비용을 늘리지 않으면서 정확도를 크게 높이기 위해 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 Group 연구진이 개발한 DAMO-YOLO는 다양한 하드웨어에서 효율적으로 작동하는 모델을 구축하기 위해 신경망 아키텍처 탐색(NAS)과 지식 증류에 집중했습니다.
- 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
- 기관: 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 효율 레이어 집계 네트워크(E-ELAN)에 중점을 둡니다. 저자들은 네트워크의 그래디언트 경로를 분석해 E-ELAN을 설계했으며, 이를 통해 기존 그래디언트 경로를 훼손하지 않으면서 네트워크가 지속적으로 학습할 수 있도록 했습니다. 또한 YOLOv7은 추론 시 모델 재매개변수화를 사용해 레이어를 융합함으로써 FLOPs를 줄이고 실행 속도를 높입니다. 이 때문에 최신 GPU에서 실시간 추론을 수행하는 데 매우 적합합니다.
DAMO-YOLO: 신경망 아키텍처 탐색 및 RepGFPN#
DAMO-YOLO는 지연 시간 제약 조건하에서 신경망 아키텍처 탐색(NAS)을 적극적으로 활용한다는 점에서 차별화됩니다. MAE-NAS라는 프레임워크를 사용해 모바일 디바이스나 특정 엣지 가속기와 같은 하드웨어에 맞는 최적의 백본을 탐색합니다. 넥에는 효율적인 RepGFPN(재매개변수화된 일반화 특징 피라미드 네트워크)을 도입하고, 예측 헤드의 계산 부담을 최소화하기 위해 ZeroHead 설계를 적용합니다.
YOLOv7은 아키텍처 자체의 강력한 최적화에 의존하는 반면, DAMO-YOLO는 복잡한 다단계 지식 증류 과정에 크게 의존합니다. 대형 교사 모델을 학습해 더 작은 학생 모델에 지식을 증류해야 하므로, 학습 단계에서 계산 비용이 커질 수 있습니다.
성능 및 지표 비교#
이 모델들을 비교할 때는 mAP(평균 정밀도), 추론 속도, 모델 복잡도를 살펴보는 것이 중요합니다.
| 모델 | 크기 (픽셀) | mAPval50-95 | 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 필요한 영역(YOLOv7x)까지 원활하게 확장되는 반면, DAMO-YOLO는 제약된 환경을 위한 고도로 최적화된 초소형 모델을 제공한다는 점을 보여줍니다.
학습 효율성 및 메모리 요구 사항#
두 아키텍처의 주요 차이는 학습 방법론에 있습니다. DAMO-YOLO는 증류에 의존하므로 새 모델을 처음부터 학습하거나 사용자 지정 컴퓨터 비전 데이터셋으로 파인튜닝할 때 VRAM과 GPU 연산 시간이 훨씬 더 많이 필요한 경우가 많습니다.
반면 YOLOv8 이후 버전처럼 Ultralytics 생태계가 기본 지원하는 모델은 학습 중 메모리 사용량을 줄이도록 최적화되어 있습니다. 이를 통해 개발자는 일반 소비자용 하드웨어에서 메모리 부족 오류 없이 배치 크기를 늘릴 수 있어 실험 추적과 반복 작업이 간소화됩니다.
Ultralytics의 강점#
YOLOv7과 DAMO-YOLO는 모두 매력적인 기능을 제공하지만, Ultralytics 생태계에서 모델을 배포하면 개발자 경험이 더욱 간편해집니다.
- 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 업데이트를 자주 제공해 최신 PyTorch 릴리스와 CUDA 드라이버와의 기본 호환성을 보장합니다. 또한 모델을 ONNX, TensorRT, OpenVINO와 같은 형식으로 쉽게 내보낼 수 있습니다.
- 다양한 활용성: 객체 감지만 수행하는 DAMO-YOLO와 달리 Ultralytics 생태계는 다양한 작업을 기본 지원합니다. Ultralytics 계열 모델은 일반적인 바운딩 박스 감지, 인스턴스 세그멘테이션, 이미지 분류, 포즈 추정, 방향 바운딩 박스(OBB)를 수행할 수 있으며, YOLO26은 시맨틱 세그멘테이션과 깊이 추정도 지원합니다.
코드 예제: 빠른 시작#
Ultralytics 모델을 불러오고 학습시킨 다음 추론을 실행하는 방법은 다음과 같습니다.
from ultralytics import YOLO
# 사전 학습된 YOLO26 모델을 불러옵니다(Ultralytics는 기본 YOLOv7 가중치를 지원하지 않습니다).
model = YOLO("yolo26n.pt")
# 자동 하이퍼파라미터 처리를 사용해 COCO8 데이터셋으로 모델을 학습합니다.
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# 이미지에서 추론 실행
predictions = model("https://ultralytics.com/images/bus.jpg")
# 배포를 위해 ONNX 형식으로 내보냅니다
model.export(format="onnx")Ultralytics에서는 별도의 변환 스크립트 없이 내보내기 명령의 인수 하나만으로 학습된 가중치를 TensorRT나 CoreML과 같은 하드웨어 가속 형식으로 내보낼 수 있습니다.
차세대 모델: YOLO26#
YOLOv7은 여전히 강력한 레거시 아키텍처이지만, 이 분야는 빠르게 발전했습니다. 신규 배포에는 2026년 1월에 출시된 Ultralytics YOLO26을 권장합니다. YOLO26은 정확도와 CPU 속도 모두에서 이전 세대보다 개선되었습니다.
- 엔드투엔드 NMS 프리 설계: YOLOv10이 YOLO 모델에 도입한 NMS 프리 학습을 바탕으로, YOLO26의 선택적 일대일 헤드(
nms=False)는 비최대 억제(NMS) 후처리를 생략합니다. 이를 통해 지연 시간의 변동성을 줄이고 로보틱스 및 자율주행 시스템의 배포를 간소화합니다. - MuSGD 옵티마이저: Moonshot AI의 Kimi K2와 같은 고급 LLM 학습 기법에서 영감을 얻은 이 하이브리드 옵티마이저는 SGD와 Muon을 결합하여 학습 안정성을 높이고 수렴 속도를 개선합니다.
- CPU 추론 속도 최대 43% 향상: Distribution Focal Loss(DFL)를 제거하여 YOLO26은 내보내기 과정을 간소화하고 엣지 디바이스와 CPU에서 추론 속도를 높입니다. YOLO26n은 YOLO11n보다 CPU에서 최대 43% 빠르게 실행됩니다.
- ProgLoss + STAL: 점진적 손실과 소형 객체 인식형 레이블 할당 전략은 소형 객체 감지를 개선하므로 YOLO26은 항공 이미지와 정밀 감시에 적합합니다.
적합한 사용 사례#
DAMO-YOLO를 선택해야 하는 경우#
- NAS 학술 연구: 조직에서 신경망 아키텍처 탐색 방법론 연구에 상당한 투자를 하고 있는 경우입니다.
- 특정 하드웨어에서 극도로 엄격한 지연 시간 제약: 맞춤형 AI 가속기 칩에 적합한 백본을 찾기 위해 광범위한 NAS 탐색을 실행할 리소스가 있는 경우입니다.
YOLOv7을 선택할 경우#
- 기존 GPU 파이프라인: 고성능 NVIDIA 하드웨어에서 YOLOv7의 특정 E-ELAN 아키텍처를 중심으로 고도로 최적화된 레거시 프로덕션 파이프라인을 유지 관리하는 팀에 적합합니다.
최신 Ultralytics 모델(YOLO11 / YOLO26)로 마이그레이션해야 하는 이유#
리테일 분석, 스마트 제조, 헬스케어를 비롯한 대부분의 엔터프라이즈 애플리케이션에서는 최신 Ultralytics 모델이 실용적인 기본 선택지입니다. Ultralytics Platform과 통합하면 간편한 API, 상세한 문서, 활발한 커뮤니티, 멀티태스크 지원을 갖춘 완전한 ML 파이프라인을 사용할 수 있습니다. Raspberry Pi에서 재고를 추적하든 클라우드에서 대규모 분석을 실행하든 YOLO26과 같은 모델은 속도와 정확도 사이에서 뛰어난 균형을 제공합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.