YOLOv9 대 DAMO-YOLO#
컴퓨터 비전의 급격한 발전으로 다양한 배포 제약 조건과 정확도 요구 사항에 맞춘 강력한 아키텍처들이 등장했습니다. 이 분야에서 주목할 만한 두 가지 모델은 정보 병목 현상을 효과적으로 처리하는 것으로 유명한 YOLOv9와, 신경 아키텍처 탐색(NAS) 및 효율적인 피라미드 구조에 중점을 둔 DAMO-YOLO입니다.
이 가이드는 YOLOv9과 DAMO-YOLO에 대한 심층적인 기술적 비교를 제공하며, 두 모델의 아키텍처 차이점, 학습 방법론, 그리고 이상적인 배포 시나리오를 조명합니다. 또한 Ultralytics ecosystem이 개발에서 프로덕션까지 원활한 경로를 제공하는 방식과 YOLO26과 같은 최신 모델이 신규 프로젝트의 권장 표준이 된 이유를 살펴봅니다.
아키텍처 심층 분석#
각 모델을 구동하는 핵심 메커니즘을 이해하면 다양한 지표에서 두 모델이 서로 다른 성능을 보이는 이유를 알 수 있습니다.
YOLOv9: 프로그래밍 가능한 그래디언트 정보#
YOLOv9는 심층 신경망을 통해 데이터가 흐를 때 발생하는 정보 손실 문제를 직접 해결하도록 설계되었습니다.
저자: Chien-Yao Wang, Hong-Yuan Mark Liao
소속: 대만 중앙연구원 정보과학연구소
날짜: 2024년 2월 21일
링크: Arxiv, GitHub, Docs
YOLOv9은 **Programmable Gradient Information (PGI)**과 **Generalized Efficient Layer Aggregation Network (GELAN)**을 도입합니다. PGI는 피드포워드 과정에서 중요한 공간 및 시의적절한 의미 정보를 유지하여 가중치 업데이트에 사용되는 기울기의 저하를 방지합니다. GELAN은 파라미터 효율성을 극대화하여 보완하며, 모델이 많은 기존 CNN보다 더 적은 FLOPs로 최첨단 mean Average Precision (mAP)을 달성할 수 있도록 합니다.
DAMO-YOLO: NAS 기반 효율성#
Alibaba Group에서 개발한 DAMO-YOLO는 자동화된 아키텍처 탐색을 활용하여 속도와 정확도 사이의 최적의 균형을 찾는 차별화된 접근 방식을 취합니다.
저자: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, Xiuyu Sun
소속: 알리바바 그룹
날짜: 2022년 11월 23일
링크: Arxiv, GitHub
DAMO-YOLO는 효율적인 네트워크 구조를 자동으로 생성하기 위해 MAE-NAS(Masked Autoencoders for Neural Architecture Search) 백본에 의존합니다. 또한 강력한 특징 융합을 위해 RepGFPN(Reparameterized Generalized Feature Pyramid Network)을 사용하고, 검출 헤드의 계산 부담을 최소화하기 위해 "ZeroHead" 설계를 적용했습니다. 그 외에도 AlignedOTA를 통한 레이블 할당과 지식 증류(Knowledge Distillation)를 결합하여 소형 모델의 성능을 향상시켰습니다.
NAS(신경 아키텍처 탐색)는 인공 신경망 설계를 자동화합니다. DAMO-YOLO와 같이 매우 효율적인 모델을 생성할 수 있지만, 아키텍처 공간을 탐색하는 데 방대한 컴퓨팅 자원이 필요한 경우가 많으며, 이는 YOLOv9와 같은 결정론적 설계 철학과는 대조적입니다.
성능 및 지표 비교#
object detection 모델을 선택할 때 정확도, 속도, 그리고 연산량의 균형을 맞추는 것이 중요합니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| 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 |
분석#
- 정확도 대 파라미터: YOLOv9는 일반적으로 파라미터 대비 정확도 측면에서 우수한 성능을 보여줍니다. 예를 들어, YOLOv9c는 25.3M 파라미터로 53.0% mAP를 달성하는 반면, DAMO-YOLOl은 50.8% mAP를 기록하지만 더 많은 파라미터(42.1M)를 필요로 합니다.
- 추론 속도: DAMO-YOLO의 아키텍처는 T4 GPU에서 경쟁력 있는 TensorRT 추론 속도를 제공하며, 미디엄 티어에서 YOLOv9을 약간 앞섭니다. 그러나 FLOPs와 파라미터 수 측면에서 YOLOv9의 효율성은 뛰어난 GPU memory efficiency로 이어집니다.
- 메모리 요구 사항: YOLOv9를 포함한 Ultralytics YOLO 모델은 복잡한 NAS 생성 모델이나 무거운 Transformer 아키텍처에 비해 학습 및 추론 시 메모리 사용량이 낮아, 리소스가 제한된 엣지 하드웨어에서도 쉽게 배포할 수 있습니다.
Ultralytics 생태계의 이점#
이론적 지표도 중요하지만, 실제 구현은 프로젝트의 성공을 크게 좌우합니다. 바로 이 지점에서 Ultralytics Platform과 그 포괄적인 소프트웨어 생태계가 DAMO-YOLO와 같은 단독 저장소보다 빛을 발합니다.
사용 편의성과 학습 효율성#
커스텀 YOLOv9 모델을 학습하는 데는 최소한의 상용구 코드만 필요합니다. Ultralytics Python API는 data augmentation, 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-YOLO를 사용하려면 고유한 학습 파이프라인에 필요한 복잡한 설정 파일과 종속성 체인을 다루어야 하며, 이는 더 가파른 학습 곡선을 초래합니다.
작업 전반의 범용성#
Ultralytics 모델의 특징은 내재된 다목적성입니다. 표준 바운딩 박스 감지를 넘어 Ultralytics 프레임워크는 Instance Segmentation, Pose Estimation, Image Classification, 그리고 Oriented Bounding Box (OBB) 감지 같은 작업을 원활하게 지원합니다. DAMO-YOLO는 엄격하게 2D 객체 감지에 최적화되어 있어, 다른 시각적 패러다임에 적응하려면 상당한 재설계가 필요합니다.
Ultralytics는 TensorRT, OpenVINO, CoreML과 같은 포맷으로 원클릭 model export를 제공하여 배포 파이프라인을 단순화하며, 타겟 하드웨어에 관계없이 최고 성능을 보장합니다.
활용 사례 및 권장 사항#
YOLOv9와 DAMO-YOLO 중에서 선택하는 것은 귀하의 특정 프로젝트 요구 사항, 배포 제약 조건, 에코시스템 선호도에 달려 있습니다.
YOLOv9를 선택해야 할 때#
YOLOv9는 다음 작업에 강력한 선택입니다:
- 정보 병목 현상 연구: PGI(Programmable Gradient Information) 및 GELAN(Generalized Efficient Layer Aggregation Network) 아키텍처를 연구하는 학술 프로젝트.
- 그래디언트 흐름 최적화 연구: 학습 중 심층 네트워크 계층에서의 정보 손실을 이해하고 완화하는 데 중점을 둔 연구.
- 고정밀 탐지 벤치마킹: YOLOv9의 강력한 COCO 벤치마크 성능을 아키텍처 비교를 위한 참조 지점으로 활용해야 하는 시나리오.
DAMO-YOLO를 선택해야 할 때#
DAMO-YOLO는 다음의 경우 권장됩니다:
- 고처리량 영상 분석: 배치-1(batch-1) 처리량이 주요 지표인 고정 NVIDIA GPU 인프라에서 높은 FPS 영상 스트림을 처리할 때.
- 산업 제조 라인: 조립 라인의 실시간 품질 검사와 같이 전용 하드웨어에서 엄격한 GPU 지연 시간 제약이 있는 시나리오.
- 신경망 아키텍처 탐색 연구: 자동화된 아키텍처 탐색(MAE-NAS) 및 효율적인 재매개변수화 백본이 탐지 성능에 미치는 영향을 연구할 때.
Ultralytics (YOLO26)를 선택해야 할 때#
대부분의 신규 프로젝트의 경우, Ultralytics YOLO26은 성능과 개발자 경험의 최상의 조합을 제공합니다.
- NMS 미사용 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관되고 낮은 지연 시간의 추론이 필요한 애플리케이션.
- CPU 전용 환경: 전용 GPU 가속이 없는 디바이스에서, 최대 43% 더 빠른 YOLO26의 CPU 추론 속도가 결정적인 이점을 제공합니다.
- 소형 객체 감지: 항공 드론 이미지나 IoT 센서 분석과 같은 까다로운 시나리오에서 ProgLoss와 STAL이 아주 작은 객체의 정확도를 크게 향상시킵니다.
미래를 향해: YOLO26으로의 전환#
YOLOv9과 DAMO-YOLO가 강력한 역사적 이정표를 나타내지만, 현대 컴퓨터 비전은 기본적으로 엔드투엔드 아키텍처로 이동했습니다. 모든 신규 개발에 있어 **YOLO26**이 권장 표준입니다.
2026년에 출시된 YOLO26은 이전 버전들의 성공을 기반으로 정확도와 배포 간결성 모두에서 비약적인 발전을 이루었습니다.
주요 YOLO26 혁신#
- 엔드투엔드 NMS-Free 디자인: YOLO26은 비최대억제(NMS) 후처리 과정을 완전히 제거합니다. 이를 통해 YOLOv10에서 처음 개척된 혁신인, 기본적으로 엔드투엔드인 간소화된 배포 파이프라인이 생성됩니다.
- DFL 제거: 내보내기 과정을 간소화하고 엣지/저전력 기기와의 호환성을 개선하기 위해 DFL(Distribution Focal Loss)을 제거했습니다.
- 최대 43% 더 빠른 CPU 추론: 복잡한 후처리를 제거하고 핵심 컨볼루션을 최적화하여, YOLO26은 전용 GPU가 없는 엣지 컴퓨팅 환경에 독보적으로 적합합니다.
- MuSGD 옵티마이저: LLM 학습 혁신에서 영감을 받은 YOLO26은 SGD와 Muon의 하이브리드인 MuSGD를 사용하여 더 안정적인 학습과 훨씬 빠른 수렴 속도를 보장합니다.
- ProgLoss + STAL: 이 고급 손실 함수들은 작은 객체 인식 기능을 대폭 향상시켜, 고고도 항공 이미지나 IoT 기기 환경에 YOLO26을 이상적으로 만듭니다.
다음 프로젝트를 위해 YOLO11 또는 YOLOv8을 현재 연구 중이라면, YOLO26으로 업그레이드함으로써 현재 사용 가능한 가장 최적화되고 최첨단인 비전 AI 프레임워크를 활용하고 있음을 보장할 수 있습니다.
요약#
적절한 모델 선택은 특정 운영 제약 조건에 따라 달라집니다.
- DAMO-YOLO는 NAS 기반 최적화에 대한 흥미로운 시각을 제공하며, RepGFPN 아키텍처가 빛을 발하는 특정 하드웨어 프로필에서 경쟁력 있는 속도를 제공합니다.
- YOLOv9는 심층 신경망에서의 정보 손실을 방지하는 PGI 아키텍처를 활용하여, 세밀한 시각 정보를 유지하는 데 집중하는 연구자들에게 훌륭한 선택입니다.
- Ultralytics YOLO26은 현대 기업 및 연구 애플리케이션을 위한 결정적인 선택입니다. 독보적인 사용 편의성, NMS-free 아키텍처, 최첨단 MuSGD 학습 최적화는 이 모델을 컴퓨터 비전 분야에서 가장 신뢰할 수 있고 정확하며 배포하기 쉬운 모델로 만듭니다.