Ultralytics YOLO 모델을 사용해 동영상에서 움직이는 객체를 추적하는 가이드

전기 부품을 조립하는 로봇, 과속 차량을 단속하는 시스템, 고객의 쇼핑 방식을 추적하는 스마트 소매 솔루션 등 이러한 혁신은 모두 컴퓨터 비전에 의존합니다. 컴퓨터 비전은 기계가 이미지와 동영상을 분석하고 이해하도록 지원하는 인공지능(AI)의 한 분야입니다.

예를 들어 로봇은 부품을 올바르게 조립하기 위해 다양한 부품을 인식하고 추적해야 합니다. 마찬가지로 교통 시스템은 컴퓨터 비전을 사용해 차량을 감지하고 번호판을 읽으며 과속 여부를 파악할 수 있습니다. 또한 매장에서는 Vision AI를 통해 고객이 무엇을 살펴보거나 집어 드는지 추적하고 재고를 모니터링할 수도 있습니다.

이러한 애플리케이션은 다양한 시각 작업을 지원하는 Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 기반으로 합니다. 이러한 작업 중 다수는 단일 이미지에서 정보를 수집하는 데 중점을 두지만, 특히 흥미로운 작업인 객체 추적을 사용하면 일련의 이미지나 동영상 프레임에 걸쳐 객체의 움직임을 추적할 수 있습니다.

그림 1. 자동차를 감지하고 추적하는 예시입니다.

이 가이드에서는 객체 추적의 작동 방식을 자세히 살펴보고 실제 활용 사례를 알아봅니다. 또한 Ultralytics YOLO11과 같은 비전 AI 모델이 객체 추적을 어떻게 지원하는지도 설명합니다.

컴퓨터 비전 추적 시스템 자세히 알아보기#

객체 추적은 동영상 프레임에 걸쳐 객체의 움직임을 추적하는 컴퓨터 비전 작업으로, 시스템이 시간에 따른 변화를 모니터링하고 이해하도록 지원합니다. 테니스 경기를 볼 때 눈이 코트 양쪽으로 오가는 공을 따라가듯, 사람이 움직이는 사람이나 객체를 눈으로 자연스럽게 추적하는 방식과 매우 비슷합니다.

마찬가지로 객체 추적은 카메라와 AI를 사용해 공의 움직임을 실시간으로 추적합니다. 이 기술은 속도, 궤적, 선수 위치와 같은 분석 정보를 통해 집에서 경기를 시청하는 사람들에게 경기 흐름을 더 잘 이해하도록 지원할 수 있습니다.

이러한 시각적 추적은 사람에게는 쉬워 보일 수 있지만, 머신 비전에서는 Vision AI 모델을 기반으로 한 일련의 단계가 필요합니다. 객체 추적의 작동 방식을 간단히 살펴보겠습니다.

• 동영상 캡처: 카메라가 동영상을 녹화해 시간이 지남에 따라 장면 속 객체가 어떻게 움직이는지 기록합니다.
• 객체 감지: YOLO11과 같은 AI 기반 컴퓨터 비전 모델은 각 프레임을 분석해 사람, 차량, 제품과 같은 특정 객체를 식별하고 위치를 파악할 수 있습니다.
• ID 할당: 객체가 감지되면 추적 알고리즘은 여러 프레임에 걸쳐 객체를 따라갈 수 있도록 고유 ID를 할당합니다. 이를 통해 객체가 이동하더라도 시스템은 동일한 객체임을 파악할 수 있습니다.
• 움직임 모니터링: 시스템은 시간의 흐름에 따른 움직임을 추적하며, 이 데이터를 활용해 속도, 방향, 다른 객체와의 상호작용 등을 수집할 수 있습니다.
• 인사이트 생성: 이 정보를 실시간으로 활용하면 분석 결과를 제공하고, 의사결정을 지원하거나, 구체적인 사용 사례에 따라 시각적 오버레이를 표시할 수 있습니다.

YOLO를 사용한 객체 감지와 추적 비교#

객체 추적과 밀접한 관련이 있는 또 다른 컴퓨터 비전 작업은 Ultralytics YOLO11이 지원하는 객체 감지입니다. 이 두 작업의 차이점을 살펴보겠습니다.

객체 감지는 단일 이미지나 비디오 프레임에서 관심 객체를 식별하고 위치를 찾는 작업입니다. 예를 들어 자율주행차는 차량에 탑재된 카메라로 촬영한 단일 프레임에서 정지 표지판이나 보행자를 인식하기 위해 객체 감지를 사용합니다. 객체 감지는 “이 이미지에 무엇이 있고, 어디에 있는가?”라는 질문에 답합니다. 하지만 객체가 다음에 어디로 이동하는지에 대한 정보는 제공하지 않습니다.

객체 추적은 시간의 흐름에 따른 움직임을 파악하는 기능을 추가해 객체 감지를 확장합니다. 두 작업의 핵심적인 차이는 시간과 움직임을 처리하는 방식입니다. 객체 감지는 각 프레임을 독립적인 스냅샷으로 취급하는 반면, 객체 추적은 이전 데이터를 사용해 객체의 미래 위치를 예측하며 프레임 사이의 연관성을 파악합니다.

두 작업을 결합하면 동적인 환경에서 실시간 추적이 가능한 강력한 비전 AI 시스템을 구축할 수 있습니다. 예를 들어 자동 보안 시스템은 공간에 들어오는 사람을 감지하고 프레임 내에서 사람의 움직임을 지속적으로 추적할 수 있습니다.

Ultralytics YOLO 모델을 사용한 실시간 추적#

객체 감지와 추적의 차이를 살펴보았으니, 이제 YOLO11과 같은 Ultralytics YOLO 모델이 실시간 객체 추적을 어떻게 지원하는지 알아보겠습니다.

YOLO 모델 자체는 추적 알고리즘이 아니지만, 각 비디오 프레임에서 객체를 감지하는 필수적인 역할을 합니다. 객체가 감지되면 추적 알고리즘이 객체에 고유 ID를 할당해야 시스템이 프레임마다 객체의 움직임을 따라갈 수 있습니다.

이러한 요구를 해결하기 위해 Ultralytics Python 패키지는 객체 감지와 BoT-SORT 및 ByteTrack 같은 인기 있는 추적 알고리즘을 통합합니다. 이 통합을 통해 사용자는 최소한의 설정만으로 감지와 추적을 함께 실행할 수 있습니다.

객체 추적에 YOLO 모델을 사용할 때는 애플리케이션의 요구사항에 따라 적용할 추적 알고리즘을 선택할 수 있습니다. 예를 들어 BoT-SORT는 움직임 예측과 딥러닝을 활용하므로 예측하기 어려운 움직임을 보이는 객체를 추적하는 데 적합합니다. 반면 ByteTrack은 혼잡한 장면에서 특히 우수한 성능을 발휘하며, 객체가 흐릿하거나 일부 가려져도 안정적인 추적을 유지합니다.

그림 2. Ultralytics Python 패키지는 BoT-SORT와 ByteTrack을 통합합니다.

커스텀 YOLO 모델 학습은 객체 추적과 어떤 관련이 있나요?#

맞춤 학습은 Ultralytics YOLO11과 같은 사전 학습 객체 감지 모델을 특정 데이터셋에 맞춰 미세 조정해 표준 데이터셋에 포함되지 않은 객체도 인식할 수 있도록 하는 과정입니다. 추적 시스템이 맞춤형 또는 흔치 않은 객체를 추적해야 할 때 특히 중요합니다.

추적 시스템은 먼저 객체를 인식하는 감지 모델에 의존합니다. YOLO 모델이 특정 유형의 기계나 야생 동물 종과 같은 특정 항목을 감지하지 못하면 추적 알고리즘도 해당 항목을 추적할 수 없습니다.

따라서 커스텀 학습은 필수적입니다. 추적하려는 객체를 감지 모델이 정확하게 식별할 수 있도록 보장하기 때문입니다.

이 과정에서 미세 조정되는 것은 감지 모델뿐이라는 점도 유의해야 합니다. BoT-SORT나 ByteTrack과 같은 추적 알고리즘은 맞춤 학습되지 않으며, YOLO 모델의 출력을 사용해 프레임 전체에서 감지된 객체를 추적할 뿐입니다.

Ultralytics YOLO를 활용한 객체 추적 애플리케이션#

객체 추적이 무엇이고 어떻게 작동하는지 살펴보았으니, 이제 이 기술이 실제로 영향을 미치고 있는 몇 가지 실제 애플리케이션을 알아보겠습니다.

속도 추정을 위한 Ultralytics YOLO 기반 실시간 추적#

컴퓨터 비전 기반 속도 추정 시스템은 객체 감지 및 추적과 같은 작업에 의존합니다. 이러한 시스템은 차량, 자전거 이용자, 심지어 사람까지 객체의 이동 속도를 계산하도록 설계되었습니다. 이 정보는 교통 관리부터 안전 모니터링, 산업 자동화까지 다양한 애플리케이션에서 매우 중요합니다.

Ultralytics YOLO11과 같은 모델을 사용하면 비디오 프레임에 걸쳐 객체를 감지하고 추적할 수 있습니다. 특정 시간 동안 객체가 이동한 거리를 분석해 시스템이 속도를 추정할 수 있습니다.

그림 3. 속도 추정에 YOLO11의 객체 추적 기능을 사용하는 모습입니다.

제조 분야의 객체 추적 살펴보기#

제조 공정은 속도가 빠르고 매우 복잡할 수 있어 생산되는 모든 품목을 수동으로 추적하기 어렵습니다. 객체 추적은 제품이 생산의 각 단계를 거치는 동안 모니터링을 자동화하는 효과적인 솔루션입니다. 이를 통해 공장 운영 속도를 늦추지 않고도 높은 정확도와 효율성을 유지할 수 있습니다.

컨베이어 벨트 위의 제품 수를 세는 것부터 결함을 발견하거나 올바르게 조립되었는지 확인하는 것까지, 객체 추적은 그렇지 않으면 시간이 오래 걸리거나 오류가 발생하기 쉬운 작업에 가시성과 제어 기능을 제공합니다. 속도와 정밀도가 중요한 전자제품 및 포장 산업과 식품 가공처럼 생산량이 많은 산업에서 특히 큰 효과를 발휘합니다.

그림 4. Ultralytics YOLO11을 사용해 조립 라인의 식품을 추적하고 계수하는 예시입니다.

리테일 분석에서의 객체 추적 개요#

매일 수많은 고객이 소매점에 드나들며, 고객 경험과 비즈니스 성과를 모두 개선하려면 고객 행동을 이해하는 것이 중요합니다. 객체 추적을 사용하면 침해적이거나 수동적인 방법 없이도 소매업체가 매장 방문자 수를 모니터링하고, 체류 시간을 측정하며, 이동 패턴을 분석할 수 있습니다.

고객이 매장에 들어오고 나가며 매장 내를 이동하는 과정을 추적하면 기업은 혼잡 시간대, 인기 구역, 대기열 길이 등에 관한 인사이트를 얻을 수 있습니다. 이러한 인사이트는 인력 배치, 매장 레이아웃, 재고 배치에 관한 의사결정에 활용되어 궁극적으로 운영 효율성과 매출을 높일 수 있습니다.

그림 5. Ultralytics YOLO11의 객체 추적 기능으로 매장에 들어오고 나가는 사람을 모니터링하는 모습입니다.

객체 추적의 장단점#

소매점에서 공장 현장에 이르기까지 다양한 산업에서 효율성, 안전, 전반적인 경험과 같은 요소를 개선하기 위해 객체 추적을 활용하고 있습니다. 객체 추적이 여러 산업에 제공할 수 있는 주요 이점은 다음과 같습니다.

• 실시간 알림 지원: 객체 추적이 통합된 시스템은 제한 구역에 사람이 들어오거나 배송 물품이 한 장소에 너무 오래 방치되는 등 이상 상황을 감지하면 자동으로 알림을 보내도록 구성할 수 있습니다.
• 다른 시스템과 통합: 객체 추적 데이터는 안면 인식, 열화상 카메라, 재고 시스템과 같은 다른 기술과 결합해 더 풍부한 인사이트를 제공할 수 있습니다.
• 장기적인 비용 효율성: 초기 설정에는 투자가 필요할 수 있지만, 자동 추적을 사용하면 수작업의 필요성을 줄이고 오류율을 낮추며 시간이 지남에 따라 운영 비용을 절감할 수 있습니다.

이러한 이점은 객체 추적이 다양한 사용 사례에 긍정적인 영향을 미치는 방식을 보여줍니다. 하지만 객체 추적을 구현할 때 따르는 어려움도 고려해야 합니다. 객체 추적의 몇 가지 한계를 자세히 살펴보겠습니다.

• 혼잡한 환경에서의 어려움: 콘서트장, 쇼핑센터, 도심 거리처럼 혼잡한 장소에서는 서로 가까이 있는 사람이나 객체를 추적 시스템이 구분하기 어려워 혼동하거나 부정확한 결과를 낼 수 있습니다.
• 환경 조건에 민감: 조도가 낮거나 안개가 끼고, 움직임이 빠르거나 카메라가 흔들리면 객체를 정확하게 추적하는 시스템의 능력이 저하될 수 있습니다. 특히 야외나 통제되지 않는 환경에서 이러한 문제가 두드러집니다.
• 개인정보 보호 및 법적 문제: 개인정보의 부적절한 처리, 사용자 동의 부재, 공공장소 감시는 윤리적 문제를 일으키고 개인정보 보호 법률을 준수하지 못하는 결과로 이어질 수 있습니다.

핵심 요점#

객체 추적은 기계가 시간의 흐름에 따라 객체의 움직임을 따라갈 수 있도록 하는 컴퓨터 비전 작업입니다. 차량 속도 추정, 조립 라인의 제품 계수부터 스포츠 경기에서 선수의 움직임 분석까지 다양한 실제 상황에서 사용됩니다.

Ultralytics YOLO11과 같은 비전 AI 모델 및 BoT-SORT와 ByteTrack 등의 추적 알고리즘을 통해 객체 추적은 여러 산업에서 더 빠르고 스마트하며 쉽게 활용할 수 있는 기술이 되었습니다. 객체 추적 기술이 발전하면서 프레임 하나하나를 처리할 때마다 시스템의 지능과 효율성, 응답성이 향상되고 있습니다.

컴퓨터 비전과 AI에 대해 더 알아보고 싶으신가요? GitHub 저장소를 살펴보고, 커뮤니티에 참여하고, 라이선스 옵션을 확인해 컴퓨터 비전 프로젝트를 시작해 보세요. 제조 분야의 AI와 자동차 산업의 컴퓨터 비전 같은 혁신 기술을 살펴보고 있다면 솔루션 페이지를 방문해 자세히 알아보세요.