YOLOv8과 DAMO-YOLO 비교

컴퓨터 비전 분야는 새로운 아키텍처가 엣지 디바이스와 대규모 클라우드 클러스터에서 가능한 범위를 넓히면서 끊임없이 발전하고 있습니다. 이 기술 비교에서는 실시간 객체 감지 모델로 주목받는 YOLOv8과 DAMO-YOLO를 다룹니다. ML 엔지니어는 아키텍처, 성능 지표, 학습 방법론을 살펴봄으로써 배포 파이프라인에 관해 합리적인 결정을 내릴 수 있습니다.

모델의 배경과 기원#

두 모델은 비슷한 시기에 소개되었지만, 서로 다른 설계 철학과 연구 목표를 바탕으로 합니다.

YOLOv8 세부 정보#

DAMO-YOLO 세부 정보#

DAMO-YOLO 자세히 알아보기

아키텍처 혁신#

YOLOv8: 범용 앵커 프리 설계#

Ultralytics YOLOv8은 이전 버전에 비해 크게 개선되어 널리 채택된 신뢰할 수 있는 모델입니다. 앵커 프리 감지 헤드를 적용해 박스 예측 수를 줄이고 추론 속도를 높입니다. 또한 분류와 회귀 작업을 분리하는 분리형 헤드를 사용하여 바운딩 박스 예측 정확도를 높입니다.

또한 YOLOv8은 CIoU 손실과 함께 Distribution Focal Loss(DFL)를 구현하여 특히 작거나 가려진 대상의 경계를 정밀하게 찾아내는 능력을 향상합니다. 간소화된 백본은 GPU와 CPU 실행 모두에 최적화되어 있습니다.

DAMO-YOLO는 신경망 아키텍처 탐색(NAS)에 크게 의존해 백본을 자동으로 설계하는 다른 접근 방식을 취합니다. Alibaba 팀은 TensorRT 가속 환경에 맞춰 지연 시간과 정확도 사이에서 최적의 균형을 제공하는 구조를 찾기 위해 "MAE-NAS"를 도입했습니다.

이 모델은 효율적인 특징 융합을 위해 RepGFPN (재매개변수화된 일반화 특징 피라미드 네트워크)을 적용하고, 검출 헤드의 연산 부담을 최소화하기 위해 "ZeroHead" 설계를 사용합니다. 학습 중에는 라벨 할당에 AlignedOTA를 활용하며, 대상 학생 모델을 지도하기 위해 더 큰 교사 모델이 필요한 복잡한 지식 증류 과정에 크게 의존합니다.

학습 복잡도

DAMO-YOLO는 NAS와 증류를 통해 우수한 지연 시간 지표를 달성하지만, 증류에는 일반적으로 YOLOv8의 단일 단계 학습 파이프라인보다 학습 중 더 많은 CUDA 메모리와 연산 시간이 필요합니다.

성능 및 지표#

컴퓨터 비전 모델을 프로덕션에 배포할 때 정확도 (mAP)와 추론 속도의 균형은 매우 중요합니다. 아래 표는 다양한 크기의 두 모델 성능을 보여줍니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

소형 모델에서는 DAMO-YOLOt와 DAMO-YOLOs가 YOLOv8n 및 YOLOv8s보다 높은 mAP를 달성하지만 파라미터를 더 많이 사용합니다. 중형부터는 YOLOv8이 정확도에서 앞섭니다. YOLOv8n(nano)의 파라미터 수는 320만 개로 DAMO-YOLOt의 850만 개보다 적어 모바일 디바이스나 엄격한 메모리 제한이 있는 환경에 더 적합합니다. 또한 YOLOv8은 더 다양한 크기를 제공하며, 클라우드 워크로드에 적합한 이 비교에서 가장 정확한 모델 YOLOv8x까지 확장됩니다.

개발자 경험 및 생태계#

사용 편의성 및 학습 효율성#

가장 큰 차이점 중 하나는 사용자 경험입니다. Ultralytics 생태계는 개발 속도를 높이도록 설계되었습니다. 사용자 지정 YOLOv8 모델은 적은 메모리만으로 학습할 수 있으며, 통합 Python API 또는 명령줄 인터페이스를 통해 실행됩니다.

반대로 DAMO-YOLO의 증류 강화 학습을 재현하려면 복잡한 구성 파일을 다루고 여러 단계로 이루어진 교사-학생 실험 추적을 관리해야 하는 경우가 많습니다.

다음 예제에서는 Python을 사용해 YOLOv8을 학습하고 내보냅니다.

from ultralytics import YOLO

# 사전 학습된 YOLOv8 나노 모델 불러오기
model = YOLO("yolov8n.pt")

# COCO8 데이터셋으로 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="cpu")

# 학습한 모델을 ONNX 형식으로 내보냅니다.
path = model.export(format="onnx")

다양한 비전 작업에 적용#

DAMO-YOLO는 바운딩 박스 객체 감지만을 위해 설계되었습니다. 반면 YOLOv8 아키텍처는 기본적으로 여러 작업을 지원합니다. 모델 가중치를 바꾸기만 하면 개발자는 기반 배포 코드베이스를 변경하지 않고도 인스턴스 세그멘테이션, 이미지 분류, 자세 추정을 수행할 수 있으므로 Ultralytics 모델은 멀티태스크 애플리케이션에 더 실용적입니다.

실제 활용 사례#

YOLOv8을 사용하기 좋은 경우#

YOLOv8은 속도, 정확도, 배포 편의성을 모두 갖춰 다음과 같은 용도에 적합합니다:

  • 스마트 리테일 분석: 객체 추적으로 고객 행동을 모니터링하거나 재고 점검을 자동화합니다.
  • 농업 로봇: 다양한 하드웨어에서 뛰어난 성능을 활용해 작물이나 해충을 실시간으로 식별합니다.
  • 의료 진단: 인스턴스 세그멘테이션을 사용하여 의료 영상에서 이상 징후를 빠르고 정확하게 매핑합니다.
  • 엣지 배포: OpenVINO 및 CoreML 같은 형식으로 기본 내보내기를 지원하므로 YOLOv8은 리소스가 제한된 디바이스에 적합합니다.

DAMO-YOLO를 사용하기 좋은 경우#

DAMO-YOLO는 특히 다음과 같은 특정 시나리오에서 유용할 수 있습니다.

  • 학술 NAS 연구: 재매개변수화 또는 자동 아키텍처 설계 방법론을 연구하는 팀에 적합합니다.
  • 엄격한 GPU 종속 파이프라인: NAS로 설계된 구조가 TensorRT 실행에 최적화된 특정 NVIDIA 하드웨어에서만 실행되는 애플리케이션입니다.

사용 사례 및 권장 사항#

YOLOv8과 DAMO-YOLO 중 어떤 모델을 선택할지는 구체적인 프로젝트 요구 사항, 배포 제약, 생태계 선호도에 따라 달라집니다.

YOLOv8을 선택해야 하는 경우#

YOLOv8은 다음과 같은 경우에 적합합니다.

  • 다목적 배포: Ultralytics 생태계에서 탐지, 분할, 분류, 자세 추정을 수행할 검증된 모델이 필요한 프로젝트입니다.
  • 안정적인 프로덕션 시스템: 이미 YOLOv8 아키텍처를 기반으로 구축되어 안정적이고 충분히 테스트된 배포 파이프라인을 갖춘 기존 프로덕션 환경.
  • 폭넓은 커뮤니티 및 생태계 지원: YOLOv8의 방대한 튜토리얼, 타사 통합, 활발한 커뮤니티 리소스를 활용하는 애플리케이션.

DAMO-YOLO를 선택해야 하는 경우#

다음과 같은 경우 DAMO-YOLO를 권장합니다.

  • 높은 처리량의 비디오 분석: 배치 크기 1의 처리량이 주요 지표인 고정형 NVIDIA GPU 인프라에서 높은 FPS의 비디오 스트림을 처리하는 경우입니다.
  • 산업 제조 라인: 조립 라인의 실시간 품질 검사처럼 전용 하드웨어에서 GPU 지연 시간 제약이 엄격한 시나리오입니다.
  • 신경망 아키텍처 탐색 연구: 자동 아키텍처 탐색(MAE-NAS)과 효율적으로 재매개변수화된 백본이 감지 성능에 미치는 영향을 연구하는 경우입니다.

Ultralytics(YOLO26)를 선택해야 하는 경우#

대부분의 신규 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.

  • NMS 프리 엣지 배포: 비최대 억제 (NMS) 후처리의 복잡성 없이 일관되고 낮은 지연 시간으로 추론해야 하는 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서는 YOLO26n의 CPU 추론 속도가 YOLO11n보다 최대 43% 빠르다는 점이 결정적인 이점입니다.
  • 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.

앞으로의 방향: 최신 Ultralytics 모델#

YOLOv8은 여전히 신뢰할 수 있는 주력 모델이지만 컴퓨터 비전 분야는 빠르게 변화하므로, 사용자는 다음과 같은 최신 세대 모델도 고려해야 합니다.

YOLO26: 최신 세대인 Ultralytics YOLO26은 NMS 후처리의 지연 시간을 제거하는 네이티브 엔드 투 엔드 NMS 없는 설계(nms=False)를 도입합니다. SGD와 Muon을 결합한 하이브리드 방식인 MuSGD 옵티마이저는 학습을 안정화하고, ProgLoss + STAL(점진적 손실 및 소형 객체 인식 라벨 할당)은 작은 객체 감지 성능을 향상합니다. 간소화된 내보내기와 엣지 및 저전력 디바이스 호환성 향상을 위해 Distribution Focal Loss를 제거한 DFL 제거를 통해 YOLO26n은 YOLO11n보다 CPU 추론 속도가 최대 43% 빠르며, 엣지 컴퓨팅에 적합한 선택입니다.

YOLO11: Ultralytics YOLO11은 YOLOv8 아키텍처를 개선했으며 커뮤니티에서 여전히 널리 사용되고 있습니다.

워크플로 간소화

프로토타입 모델을 프로덕션 환경으로 전환하려면 Ultralytics Platform을 사용하여 데이터셋에 자동 주석을 추가하고, 실험을 추적하며, 모델을 클라우드 또는 엣지 디바이스에 배포하세요.

결론적으로 DAMO-YOLO는 아키텍처 탐색에 관한 유용한 연구 통찰을 제공하지만, Ultralytics 모델은 더욱 성숙하고 다재다능하며 개발자 친화적인 생태계를 제공합니다. YOLOv8을 계속 사용하든 NMS가 없는 YOLO26 아키텍처로 업그레이드하든, Ultralytics는 실시간 비전 AI를 위한 완전한 툴킷을 제공합니다.

댓글1

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.

  1. exilebuild5423GitHub(수정됨)

    Great technical comparison! DAMO-YOLO stands out with its advanced decoupled head and innovative data augmentation techniques, pushing accuracy further in specific detection tasks. However, this YOLOv8 comparison highlights how v8 offers a more balanced architecture with better ease of use, strong community support, and flexibility for multitask learning. Both models are strong contenders — the choice really depends on deployment needs and optimization priorities.