YOLOX와 DAMO-YOLO

실시간 객체 탐지의 발전은 앵커 기반에서 앵커 프리 아키텍처로, 수작업 백본에서 자동 신경망 아키텍처 탐색(NAS)으로 여러 차례 전환을 거쳤습니다. 이 기술 비교에서는 이러한 발전의 중요한 이정표인 YOLOX와 DAMO-YOLO의 아키텍처 혁신, 학습 방법론, 성능 간 상충 관계를 분석하고, 신규 프로젝트의 대안으로 Ultralytics YOLO26을 권장하는 이유를 설명합니다.

YOLOX: 앵커 프리 패러다임을 선도하다#

2021년 7월 18일 Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun이 Megvii에서 출시한 YOLOX는 앵커 프리 설계를 YOLO 제품군에 통합해 전환점을 마련했습니다. 자세한 내용은 arXiv 기술 보고서에서 확인할 수 있으며, YOLOX는 학술 연구와 산업 배포 간의 격차를 줄이는 것을 목표로 했습니다.

주요 아키텍처 혁신#

YOLOX는 이전 모델을 개선하기 위해 다음과 같은 핵심 구조 변경을 도입했습니다.

  • 앵커 프리 메커니즘: YOLOX는 객체의 중심과 바운딩 박스 크기를 직접 예측해 설계 경험칙을 줄이고 복잡한 앵커 클러스터링 과정을 간소화했습니다. 따라서 다양한 컴퓨터 비전 시나리오에 유연하게 적용할 수 있습니다.
  • 분리형 헤드: 기존 YOLO 모델은 분류와 회귀에 단일 결합형 헤드를 사용했습니다. YOLOX는 분리형 헤드를 구현해 분류와 위치 추정을 별도로 처리하므로 수렴이 빨라지고 정확도가 향상됩니다.
  • SimOTA 라벨 할당: Optimal Transport Assignment(OTA)의 간소화된 버전을 사용하여 양성 샘플을 동적으로 할당함으로써 학습 시간을 줄이고 중심점 할당의 모호성을 해결했습니다.
YOLOX의 유산

YOLOX의 분리형 헤드 설계는 후속 객체 탐지 모델에 큰 영향을 미쳤으며, 많은 최신 모델의 표준 기능으로 자리 잡았습니다.

YOLOX에 대해 자세히 알아보기

DAMO-YOLO: 대규모 자동 아키텍처 탐색#

Xianzhe Xu와 Alibaba Group의 연구팀이 개발한 DAMO-YOLO는 2022년 11월 23일에 공개되었습니다. arXiv 논문에 자세히 설명된 이 모델은 신경망 아키텍처 탐색(NAS)에 크게 의존해 속도와 정확도 간의 균형을 개선했습니다.

주요 아키텍처 혁신#

DAMO-YOLO의 전략은 효율적인 구조의 설계를 자동화하는 데 기반을 두었습니다.

  • MAE-NAS 백본: 최대 엔트로피 기반 탐색을 활용해 DAMO-YOLO는 특정 지연 시간 예산에 맞게 맞춤화된 고효율 백본을 찾아냈습니다. 특히 TensorRT와 같은 프레임워크로 내보낼 때 효과적입니다.
  • 효율적인 RepGFPN: 공간 해상도가 서로 다른 특징의 융합을 개선하는 대형 넥 설계로, 항공 영상 분석과 다양한 크기의 객체 탐지에 유리합니다.
  • ZeroHead: 모델의 평균 정밀도(mAP)를 떨어뜨리지 않으면서 계산상 중복을 줄이는 간소화된 예측 헤드입니다.
  • AlignedOTA 및 증류: 고급 레이블 할당과 교사-학생 지식 증류를 통합해 소형 학생 모델의 성능을 향상합니다.

DAMO-YOLO 자세히 알아보기

성능 및 지표 비교#

두 모델을 비교할 때는 파라미터 수, 필요한 FLOPs, 지연 시간 특성을 살펴보는 것이 중요합니다. 아래는 여러 스케일에서 YOLOX와 DAMO-YOLO를 비교한 벤치마크 데이터입니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
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

비슷한 지연 시간에서 DAMO-YOLO는 YOLOX보다 정확도가 높습니다. 예를 들어 DAMO-YOLOt는 2.32ms에 42.0 mAP를 달성하는 반면 YOLOXs는 2.56ms에 40.5 mAP를 기록합니다. 그러나 두 모델 모두 고려해야 할 단점이 있습니다. YOLOX의 설계는 최신 학습 기법이 다수 등장하기 전에 만들어졌으며, DAMO-YOLO는 증류에 의존하므로 사용자 지정 데이터셋에서 재학습할 때 더 많은 리소스와 GPU 메모리가 필요합니다.

사용 사례 및 권장 사항#

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

YOLOX를 선택해야 하는 경우#

YOLOX는 다음과 같은 경우에 적합합니다.

  • 앵커 프리 탐지 연구: 새로운 탐지 헤드나 손실 함수를 실험하기 위한 기준 모델로 YOLOX의 간결한 앵커 프리 아키텍처를 사용하는 학술 연구입니다.
  • 초경량 엣지 장치: YOLOX-Nano 변형의 매우 작은 풋프린트(0.91M 파라미터)가 중요한 마이크로컨트롤러 또는 구형 모바일 하드웨어에 배포하는 경우입니다.
  • SimOTA 레이블 할당 연구: 최적 수송 기반 레이블 할당 전략과 해당 전략이 학습 수렴에 미치는 영향을 조사하는 연구 프로젝트입니다.

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 프로젝트에서 Ultralytics YOLO26은 성능과 개발자 경험의 최적 조합을 제공합니다.

  • 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 장치에서는 YOLO26의 최대 43% 빠른 CPU 추론(YOLO26n 대 YOLO11n)이 결정적인 이점을 제공합니다.
  • 소형 객체 탐지: 항공 드론 이미지 분석이나 IoT 센서 분석처럼 어려운 시나리오에서 ProgLoss와 STAL은 작은 객체의 정확도를 향상합니다.

Ultralytics의 강점: YOLO26 소개#

YOLOX와 DAMO-YOLO는 역사적으로 중요한 이정표이지만, 현대 개발자에게는 높은 정확도와 사용 편의성을 함께 제공하는 솔루션이 필요합니다. 2026년 1월에 출시된 Ultralytics YOLO26은 YOLOv10과 같은 NMS-Free 모델을 바탕으로 속도, 정확도, 개발자 경험 간의 균형을 효과적으로 제공합니다.

YOLO26을 선택해야 하는 이유#

개별 연구 저장소와 비교했을 때 통합 Ultralytics 생태계는 다음과 같은 기능을 제공합니다.

  • 엔드투엔드 NMS-Free 설계: YOLO26의 선택형 일대일 헤드(nms=False)는 추론 중 NMS를 제거합니다. 이에 따라 빠르고 예측 가능한 지연 시간을 제공하며, 이는 엣지 배포와 자율주행차에 매우 중요합니다.
  • DFL 제거: Distribution Focal Loss를 제거해 엣지 디바이스로의 내보내기를 간소화하고 저전력 하드웨어와의 호환성을 높입니다.
  • MuSGD Optimizer: YOLO26은 SGD와 Muon을 결합한 옵티마이저를 사용해 LLM 학습 혁신을 적용하며, 안정적인 학습과 빠른 수렴을 지원합니다.
  • CPU 추론 속도 최대 43% 향상: DFL과 NMS를 제거한 YOLO26n은 고가의 GPU 하드웨어 없이도 CPU에서 YOLO11n보다 최대 43% 빠르게 실행됩니다.
  • ProgLoss + STAL: 점진적 손실 및 소형 객체 인식 레이블 할당(STAL)은 소형 객체 탐지를 개선하여 YOLO26을 드론 검사 및 IoT 모니터링과 같은 작업에 적합하게 합니다.
  • 다용도성: 탐지 전용 모델인 DAMO-YOLO와 달리 YOLO26은 단일 통합 프레임워크에서 인스턴스 분할, 의미론적 분할, 깊이 추정, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB) 작업을 기본적으로 지원합니다.
즉시 개발 시작

Ultralytics Python API를 사용하면 복잡한 증류 파이프라인을 수동으로 구성하거나 모델 배포를 위해 수백 줄의 C++ 코드를 작성할 필요가 없습니다.

from ultralytics import YOLO

# YOLO26 나노 모델을 불러옵니다
model = YOLO("yolo26n.pt")

# 사용자 지정 데이터 세트로 모델을 학습합니다.
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 초고속 NMS-free 추론을 실행합니다
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# 단일 명령으로 ONNX 또는 OpenVINO로 내보냅니다
model.export(format="openvino")

함께 고려할 다른 모델#

컴퓨터 비전 생태계는 방대합니다. 구체적인 제약에 따라 Ultralytics 생태계에서 완전히 지원되는 다른 아키텍처도 살펴볼 수 있습니다.

  • YOLO11: YOLO26의 이전 모델로, 소매 분석과 제조 품질 관리에서 견고한 성능으로 알려져 있습니다.
  • YOLOv8: 널리 채택된 안정적인 앵커 프리 모델로, 엣지 배포의 확산에 기여했습니다.
  • RT-DETR: Baidu가 개발한 실시간 탐지 Transformer로, 전역 어텐션 메커니즘을 적극 활용하는 작업에 강력한 대안을 제공합니다. 다만 학습 시 메모리 요구량이 더 높습니다.

결론#

YOLOX와 DAMO-YOLO는 딥러닝 발전에 중요한 개념을 기여했습니다. YOLOX는 분리형 앵커 프리 방식의 유효성을 입증했고, DAMO-YOLO는 자동 아키텍처 탐색의 강력한 효과를 보여주었습니다. 그러나 실제 프로덕션에서는 두 모델의 원본 연구 코드베이스가 복잡해 민첩한 팀의 개발 속도를 늦출 수 있습니다.

Ultralytics Platform을 사용하면 개발자가 이러한 어려움을 피할 수 있습니다. YOLO26의 엔드투엔드 설계와 더 빠른 CPU 속도, 방대한 문서는 정확한 비전 AI를 더욱 쉽게 활용할 수 있도록 합니다. 스마트 시티 인프라, 의료 진단, 첨단 로보틱스 중 무엇을 구축하든 Ultralytics는 원시 데이터에서 실제 배포까지 직접 이어지는 경로를 제공합니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.