Ultralytics YOLO27:
Get Started

YOLOX와 DAMO-YOLO#

실시간 객체 탐지의 발전 과정에서는 앵커 기반에서 앵커 프리 아키텍처로, 수동으로 설계한 백본에서 자동 신경망 아키텍처 탐색(NAS)으로 이어지는 등 여러 패러다임 전환이 있었습니다. 이 종합 기술 비교에서는 이러한 여정의 두 주요 이정표인 YOLOX와 DAMO-YOLO를 분석합니다. 아키텍처 혁신, 학습 방법론, 성능상의 절충점을 살펴보고, 최신 개발자를 위한 탁월한 대안인 Ultralytics YOLO26도 소개합니다.

YOLOX: 앵커 프리 패러다임을 선도하다#

YOLOX는 Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun이 Megvii에서 개발하여 2021년 7월 18일에 공개했으며, YOLO 계열에 앵커 프리 설계를 성공적으로 도입해 중요한 전환점을 마련했습니다. 상세한 ArXiv 기술 보고서에 설명된 것처럼 YOLOX는 학술 연구와 산업 현장 배포 사이의 간극을 좁히는 것을 목표로 했습니다.

주요 아키텍처 혁신#

YOLOX는 이전 모델을 크게 개선한 몇 가지 핵심 구조 변화를 도입했습니다.

  • 앵커 프리 메커니즘: YOLOX는 객체의 중심과 바운딩 박스 크기를 직접 예측하여 설계 휴리스틱의 수를 줄이고 복잡한 앵커 클러스터링 절차를 단순화했습니다. 이를 통해 다양한 컴퓨터 비전 시나리오에 매우 유연하게 적용할 수 있습니다.
  • 분리형 헤드: 기존 YOLO 모델은 분류와 회귀에 단일 결합형 헤드를 사용했습니다. YOLOX는 분리형 헤드를 도입해 분류와 위치 추정을 별도로 처리했으며, 그 결과 훨씬 빠르게 수렴하고 정확도도 향상되었습니다.
  • 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 Group 연구팀이 개발한 DAMO-YOLO는 2022년 11월 23일에 공개되었습니다. ArXiv 논문에 자세히 설명된 것처럼 이 모델은 신경망 아키텍처 탐색(NAS)을 적극적으로 활용하여 속도와 정확도의 파레토 프런티어를 확장했습니다.

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 맞춘 고효율 백본을 탐색했습니다. 특히 TensorRT와 같은 프레임워크로 내보낼 때 효과적입니다.
  • 효율적인 RepGFPN: 다양한 공간 해상도에서 특징 융합을 크게 향상하는 무거운 넥 설계로, 항공 이미지 분석과 여러 크기의 객체 탐지에 매우 유용합니다.
  • ZeroHead: 모델의 평균 정밀도(mAP)를 떨어뜨리지 않으면서 계산상 중복을 줄이는 간소화된 예측 헤드입니다.
  • AlignedOTA 및 증류: 고급 라벨 할당과 교사-학생 지식 증류를 통합하여 더 작은 학생 모델에서 최대한의 성능을 끌어냅니다.

DAMO-YOLO 자세히 알아보기

성능 및 지표 비교#

두 모델을 비교할 때는 파라미터 수, 필요한 FLOPs, 지연 시간 프로파일을 살펴봐야 합니다. 아래는 여러 스케일에서 YOLOX와 DAMO-YOLO를 비교한 벤치마크 데이터입니다.

모델크기
(픽셀)		mAP검증
50-95		속도
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

두 모델 모두 인상적인 결과를 제공하지만 단점도 있습니다. YOLOX는 분리형 헤드를 세심하게 튜닝해야 하며, DAMO-YOLO는 증류에 크게 의존하므로 커스텀 데이터셋으로 재학습할 때 상당한 리소스와 막대한 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 프로젝트에는 성능과 개발자 경험을 가장 잘 조합한 Ultralytics YOLO26을 권장합니다.

  • NMS가 필요 없는 엣지 배포: 비최대 억제 후처리의 복잡성 없이 일관된 저지연 추론이 필요한 애플리케이션입니다.
  • CPU 전용 환경: 전용 GPU 가속 기능이 없는 디바이스에서 YOLO26의 최대 43% 빠른 CPU 추론은 결정적인 이점을 제공합니다.
  • 작은 객체 탐지: 항공 드론 이미지나 IoT 센서 분석과 같이 작은 객체의 정확도를 ProgLoss와 STAL이 크게 높여 주는 까다로운 시나리오입니다.

Ultralytics의 강점: YOLO26 소개#

YOLOX와 DAMO-YOLO는 중요한 역사적 이정표이지만, 오늘날 개발자에게는 최첨단 정확도와 탁월한 사용 편의성을 모두 갖춘 솔루션이 필요합니다. 이러한 요구에 부응하는 Ultralytics YOLO26은 환경을 새롭게 바꿉니다. 2026년 1월에 공개된 YOLO26은 NMS-free 모델의 발전을 기반으로 속도, 정확도, 개발자 경험의 최적 균형을 제공합니다.

YOLO26을 선택해야 하는 이유#

통합 Ultralytics 생태계는 다음과 같은 기능을 제공하여 파편화된 학술 리포지토리보다 뛰어난 경험을 제공합니다.

  • 엔드투엔드 NMS-free 설계: YOLO26의 선택형 일대일 헤드(nms=False)는 추론 중 비최대 억제(NMS)를 제거합니다. 이로써 매우 빠르고 예측 가능한 지연 시간을 제공하며, 이는 엣지 배포와 자율주행 차량에 필수적입니다.
  • DFL 제거: Distribution Focal Loss를 제거하여 엣지 디바이스로 내보내는 절차를 단순화하고 경량 애플리케이션의 메모리 요구량을 크게 낮춥니다.
  • MuSGD 옵티마이저: YOLO26은 SGD와 Muon을 결합한 하이브리드 옵티마이저로 LLM 학습 혁신을 활용하여 매우 안정적인 학습과 초고속 수렴을 보장합니다.
  • 최대 43% 빠른 CPU 추론: 심층적인 구조 최적화를 통해 고가의 GPU 하드웨어 없이도 CPU에서 매우 빠르게 실행됩니다.
  • 고급 손실 함수: ProgLoss + STAL을 통합해 소형 객체 인식 성능을 크게 향상하므로 드론 검사와 IoT 모니터링 같은 태스크에 적합합니다.
  • 다용도성: 탐지 전용 모델인 DAMO-YOLO와 달리 YOLO26은 단일 통합 프레임워크에서 인스턴스 분할, 자세 추정, 이미지 분류, 방향성 바운딩 박스(OBB) 태스크를 기본 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

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

# 사용자 지정 데이터셋으로 간편하게 모델 학습
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 뛰어난 전작으로, 리테일 분석과 제조 품질 관리에서 견고한 성능을 제공하는 것으로 알려져 있습니다.
  • YOLOv8: 엣지 배포의 보급을 이끈 전설적인 고안정성 앵커 프리 모델입니다.
  • RT-DETR: Baidu가 개발한 실시간 객체 탐지 Transformer로, 학습 시 메모리 요구량이 더 높지만 전역 어텐션 메커니즘의 이점을 크게 얻는 태스크에 탁월한 대안입니다.

결론#

YOLOX와 DAMO-YOLO는 딥러닝 발전에 중요한 개념을 더했습니다. YOLOX는 분리형 앵커 프리 접근법의 유효성을 입증했고, DAMO-YOLO는 자동 아키텍처 탐색의 강력함을 보여주었습니다. 그러나 실제 프로덕션 환경에서는 원래 연구 코드베이스의 복잡성으로 인해 애자일 팀의 작업 속도가 느려질 수 있습니다.

종합적인 Ultralytics Platform을 활용하면 개발자는 이러한 장애물을 피할 수 있습니다. YOLO26의 엔드투엔드 설계, 뛰어난 CPU 속도, 폭넓은 문서를 통해 최첨단 비전 AI를 그 어느 때보다 쉽게 구현할 수 있습니다. 스마트 시티 인프라, 의료 진단, 첨단 로보틱스를 구축하는 경우에도 Ultralytics는 원시 데이터에서 견고한 실환경 배포까지 가장 효율적인 경로를 제공합니다.

기여자
GLglenn-jocher17PDpderrenger2

댓글