Ultralytics YOLO27:

YOLOv9와 DAMO-YOLO#

컴퓨터 비전의 빠른 발전으로 다양한 배포 제약과 정확도 요구사항에 맞춰 설계된 강력한 아키텍처가 다수 등장했습니다. 이 분야에서 주목할 만한 두 가지 모델로는 정보 병목을 효과적으로 처리하는 것으로 평가받는 YOLOv9과 신경망 아키텍처 탐색(NAS) 및 효율적인 피처 피라미드에 중점을 둔 DAMO-YOLO가 있습니다.

이 가이드에서는 YOLOv9과 DAMO-YOLO의 아키텍처 차이, 학습 방법론, 적합한 배포 시나리오를 중심으로 심층적인 기술 비교를 제공합니다. 또한 Ultralytics 생태계가 개발부터 프로덕션까지 원활한 경로를 제공하는 방식과 YOLO26과 같은 최신 모델이 새로운 프로젝트의 권장 표준이 된 이유를 살펴봅니다.

아키텍처 심층 분석#

각 모델을 구동하는 핵심 메커니즘을 이해하면 다양한 지표에서 성능이 다르게 나타나는 이유를 알 수 있습니다.

YOLOv9: 프로그래밍 가능한 그래디언트 정보#

YOLOv9은 데이터가 심층 신경망을 통과하면서 발생하는 정보 손실을 직접 해결하도록 설계되었습니다.

  • 저자: Chien-Yao Wang, Hong-Yuan Mark Liao
  • 기관: 대만 중앙연구원 정보과학연구소
  • 날짜: 2024년 2월 21일
  • 링크: Arxiv, GitHub, 문서

YOLOv9에 대해 자세히 알아보기

YOLOv9은 **프로그래밍 가능한 그래디언트 정보(PGI)**와 **일반화된 효율적 레이어 집계 네트워크(GELAN)**를 도입합니다. PGI는 피드포워드 과정에서 중요한 공간 및 의미 정보를 유지하여 가중치 업데이트에 사용되는 그래디언트의 저하를 방지합니다. GELAN은 파라미터 효율성을 극대화하여 이를 보완하며, 그 결과 기존 CNN보다 적은 FLOPs로 최신 수준의 평균 정밀도(mAP)를 달성할 수 있습니다.

DAMO-YOLO: NAS 기반 효율성#

Alibaba Group에서 개발한 DAMO-YOLO는 자동화된 아키텍처 탐색을 활용하여 속도와 정확도 간의 최적 균형을 찾는 다른 접근 방식을 취합니다.

  • 저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
  • 조직: Alibaba Group
  • 날짜: 2022년 11월 23일
  • 링크: Arxiv, GitHub

DAMO-YOLO는 효율적인 네트워크 구조를 자동으로 생성하기 위해 MAE-NAS(Maximum Entropy Neural Architecture Search) 백본을 기반으로 합니다. 강력한 피처 융합을 위해 RepGFPN(Reparameterized Generalized Feature Pyramid Network)을 활용하며, 탐지 헤드의 연산 부담을 최소화하기 위해 "ZeroHead" 설계를 적용합니다. 또한, 더 작은 모델 변형의 성능을 향상시키기 위해 레이블 할당을 위한 AlignedOTA와 지식 증류를 통합합니다.

컴퓨터 비전에서 NAS의 역할

신경망 아키텍처 탐색(NAS)은 인공 신경망 설계를 자동화합니다. DAMO-YOLO과 같이 매우 효율적인 모델을 생성할 수 있지만, 아키텍처 공간을 탐색하려면 막대한 연산 리소스가 필요한 경우가 많습니다. 이는 YOLOv9과 같은 모델의 보다 결정론적인 설계 철학과 대조됩니다.

성능 및 지표 비교#

객체 탐지 모델을 선택할 때는 정확도, 속도, 연산 규모 간의 균형을 맞추는 것이 중요합니다.

모델크기
(픽셀)		mAPval
50-95		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0
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

분석#

  • 정확도와 파라미터: YOLOv9은 일반적으로 파라미터 대비 정확도 비율이 더 우수합니다. 예를 들어 YOLOv9c는 25.3M개의 파라미터로 53.0% mAP를 달성하는 반면, DAMO-YOLOl은 50.8% mAP를 달성하지만 훨씬 더 많은 파라미터(42.1M)가 필요합니다.
  • 추론 속도: DAMO-YOLO의 아키텍처는 T4 GPU에서 경쟁력 있는 TensorRT 추론 속도를 제공하며, 중간 규모 모델에서는 YOLOv9을 근소하게 앞섭니다. 그러나 YOLOv9은 FLOPs와 파라미터 수 측면의 효율성 덕분에 탁월한 GPU 메모리 효율성을 제공합니다.
  • YOLOv9을 포함한 Ultralytics YOLO 모델은 일반적으로 복잡한 NAS 생성 모델이나 대규모 Transformer 아키텍처에 비해 학습과 추론 중 메모리 사용량이 낮습니다. 따라서 리소스가 제한된 엣지 하드웨어에 배포하기에 매우 적합합니다.

Ultralytics 생태계의 이점#

이론적 지표도 중요하지만 실제 구현이 프로젝트의 성공을 크게 좌우합니다. 이러한 측면에서 Ultralytics Platform과 종합적인 소프트웨어 생태계는 DAMO-YOLO과 같은 독립형 리포지토리보다 뛰어난 성능을 발휘합니다.

사용 편의성 및 학습 효율성#

커스텀 YOLOv9 모델을 학습하는 데는 최소한의 보일러플레이트만 필요합니다. Ultralytics Python API는 데이터 증강, 분산 학습, 하드웨어 최적화와 같은 복잡한 프로세스를 추상화합니다.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model
model = YOLO("yolov9c.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate model performance
metrics = model.val()

# Export for production deployment
model.export(format="onnx")

반면 DAMO-YOLO을 사용하려면 고유한 학습 파이프라인에 특화된 엄격한 구성 파일과 복잡한 종속성 체인을 다뤄야 하는 경우가 많아 학습 곡선이 더 가파릅니다.

다양한 작업 지원#

Ultralytics 모델의 대표적인 특징은 본질적인 다목적성입니다. 표준 바운딩 박스 탐지를 넘어 Ultralytics 프레임워크는 인스턴스 세그멘테이션, 포즈 추정, 이미지 분류, 지향성 바운딩 박스(OBB) 탐지와 같은 작업을 원활하게 지원합니다. DAMO-YOLO은 2D 객체 탐지에만 엄격하게 최적화되어 있어 다른 비전 패러다임에 적용하려면 상당한 재설계가 필요합니다.

엣지 디바이스로 내보내기

Ultralytics는 TensorRT, OpenVINO, CoreML과 같은 형식으로 원클릭 모델 내보내기를 제공하여 배포 파이프라인을 간소화하고, 대상 하드웨어와 관계없이 최고의 성능을 보장합니다.

사용 사례 및 권장 사항#

YOLOv9과 DAMO-YOLO 중 무엇을 선택할지는 구체적인 프로젝트 요구사항, 배포 제약, 생태계 선호도에 따라 달라집니다.

YOLOv9을 선택해야 하는 경우#

YOLOv9은 다음과 같은 경우에 적합합니다:

  • 정보 병목 연구: 프로그래밍 가능한 그래디언트 정보(PGI) 및 일반화된 효율적 레이어 집계 네트워크(GELAN) 아키텍처를 연구하는 학술 프로젝트입니다.
  • 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 레이어의 정보 손실을 이해하고 완화하는 데 중점을 둔 연구입니다.
  • 고정확도 탐지 벤치마킹: 아키텍처 비교를 위한 기준점으로 YOLOv9의 강력한 COCO 벤치마크 성능이 필요한 시나리오입니다.

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.

미래: YOLO26으로의 전환#

YOLOv9과 DAMO-YOLO이 중요한 역사적 이정표를 보여주는 반면, 최신 컴퓨터 비전은 네이티브 엔드투엔드 아키텍처로 전환되었습니다. 새로운 개발에는 **YOLO26**이 권장 표준입니다.

2026년에 출시된 YOLO26은 이전 모델의 성공을 기반으로 정확도와 배포 간소화 측면에서 모두 큰 도약을 제공합니다.

YOLO26의 주요 혁신#

  • 엔드투엔드 NMS 없는 설계: YOLO26은 비최대 억제(NMS) 후처리를 완전히 제거합니다. 이를 통해 네이티브 엔드투엔드 방식의 간소화된 배포 파이프라인을 구축하며, 이는 YOLOv10에서 최초로 개척된 획기적인 방식입니다.
  • DFL 제거: Distribution Focal Loss를 제거하여 내보내기를 간소화하고 엣지 및 저전력 디바이스 호환성을 향상합니다.
  • 최대 43% 더 빠른 CPU 추론: 복잡한 후처리를 제거하고 핵심 합성곱을 최적화한 YOLO26은 전용 GPU가 없는 엣지 컴퓨팅 시나리오에 특히 적합합니다.
  • MuSGD 옵티마이저: LLM 학습 혁신에서 영감을 받은 YOLO26은 SGD와 Muon의 하이브리드 방식인 MuSGD를 활용하여 더욱 안정적인 학습 실행과 눈에 띄게 빠른 수렴 시간을 보장합니다.
  • ProgLoss + STAL: 이러한 고급 손실 함수는 소형 객체 인식 성능을 크게 향상하여 YOLO26을 고고도 항공 이미지와 IoT 디바이스에 이상적인 모델로 만듭니다.

다음 프로젝트를 위해 현재 YOLO11 또는 YOLOv8을 검토하고 있다면, YOLO26으로 업그레이드하여 현재 이용 가능한 가장 최적화된 최신 비전 AI 프레임워크를 사용할 수 있습니다.

요약#

적합한 모델의 선택은 구체적인 운영 제약에 따라 달라집니다.

  • DAMO-YOLO은 NAS 기반 최적화를 흥미롭게 보여주며, RepGFPN 아키텍처가 강점을 발휘하는 매우 특정한 하드웨어 프로파일에서 경쟁력 있는 속도를 제공합니다.
  • YOLOv9은 세밀한 시각적 정보를 유지하는 데 중점을 두는 연구자에게 탁월한 선택입니다. PGI 아키텍처를 활용하여 심층 네트워크에서 정보 손실을 방지합니다.
  • Ultralytics YOLO26은 최신 엔터프라이즈 및 연구 애플리케이션을 위한 확실한 선택입니다. 탁월한 사용 편의성, NMS 없는 아키텍처, 최첨단 MuSGD 학습 최적화를 바탕으로 컴퓨터 비전 분야에서 가장 안정적이고 정확하며 쉽게 배포할 수 있는 모델입니다.
기여자
GLglenn-jocher17PDpderrenger1

댓글