컴퓨터 비전 추적 시스템의 작동 원리를 알아보고, YOLO11 같이 객체 추적을 지원하는 인기 모델을 살펴보고, 실제 적용 사례를 알아보세요.
컴퓨터 비전 추적 시스템의 작동 원리를 알아보고, YOLO11 같이 객체 추적을 지원하는 인기 모델을 살펴보고, 실제 적용 사례를 알아보세요.
전기 부품을 조립하는 로봇, 과속 차량을 적발하는 시스템, 고객의 쇼핑 방식을 track 스마트 리테일 솔루션 등 이러한 혁신은 모두 컴퓨터 비전을 기반으로 합니다. 컴퓨터 비전은 기계가 이미지와 동영상을 분석하고 이해하는 데 도움을 주는 인공지능(AI)의 한 분야입니다.
예를 들어 로봇은 서로 다른 부품을 인식하고 따라가야 올바르게 조립할 수 있습니다. 마찬가지로 교통 시스템은 컴퓨터 비전을 사용하여 자동차를 발견하고 번호판을 판독하며 과속하는 사람을 파악할 수 있습니다. 한편, 매장에서 비전 AI는 고객이 무엇을 보거나 무엇을 집는지 track 재고를 파악하는 데 도움을 줄 수 있습니다.
이러한 애플리케이션은 다음과 같은 컴퓨터 비전 모델에 의해 구동됩니다. Ultralytics YOLO11와 같은 컴퓨터 비전 모델을 통해 다양한 시각적 작업을 지원합니다. 이러한 작업의 대부분은 단일 이미지에서 인사이트를 수집하는 데 중점을 두지만, 특히 흥미로운 작업 중 하나인 객체 추적은 일련의 이미지 또는 비디오 프레임에서 객체의 움직임을 추적하는 데 사용할 수 있습니다.
이 가이드에서는 객체 추적의 작동 방식을 자세히 살펴보고 실제 사용 사례를 살펴봅니다. 또한 Ultralytics YOLO11 같은 비전 AI 모델이 객체 추적을 지원하는 방법에 대해서도 설명합니다. 지금 바로 시작하세요!
객체 추적은 비디오 프레임에서 객체의 움직임을 추적하는 데 사용되는 컴퓨터 비전 작업으로 , 시스템이 시간이 지남에 따라 사물이 어떻게 변화하는지 모니터링하고 이해하는 데 도움을 줍니다. 이는 테니스 경기를 관람할 때 코트를 가로질러 앞뒤로 움직이는 공을 눈으로 track 것처럼 사람이 움직이는 사람이나 물체를 자연스럽게 따라갈 수 있는 것과 매우 유사합니다.
마찬가지로 객체 추적은 카메라와 AI를 사용하여 공의 움직임을 실시간으로 추적합니다. 이 기술은 특히 속도, 궤적 및 선수 위치와 같은 분석을 통해 가정에서 시청하는 시청자에게 게임의 흐름을 더 잘 이해할 수 있도록 해줍니다.
이러한 종류의 시각적 추적은 사람에게는 쉬워 보일 수 있지만, 머신 비전의 경우 Vision AI 모델로 구동되는 일련의 단계를 포함합니다. 다음은 객체 추적 작동 방식에 대한 간단한 분석입니다.
물체 추적과 밀접한 관련이 있는 YOLO11 지원하는 또 다른 컴퓨터 비전 작업은 물체 감지입니다. 이 두 작업의 차이점을 살펴보겠습니다.
객체 감지는 단일 이미지 또는 비디오 프레임 내에서 관심 있는 객체를 식별하고 위치를 파악하는 것을 포함합니다. 예를 들어, 자율 주행 자동차는 객체 감지를 사용하여 탑재된 카메라로 캡처한 단일 프레임에서 정지 표지판이나 보행자를 인식합니다. 이는 “이 이미지에 무엇이 있고, 어디에 있는가?”라는 질문에 답합니다. 그러나 객체가 다음에 어디로 가는지에 대한 정보는 제공하지 않습니다.
객체 추적은 시간에 따른 움직임에 대한 이해를 추가하여 객체 감지를 기반으로 구축됩니다. 둘 사이의 핵심적인 차이점은 시간과 움직임을 처리하는 방식입니다. 객체 감지는 각 프레임을 독립적인 스냅샷으로 취급하는 반면, 객체 추적은 프레임 간의 점을 연결하여 과거 데이터를 사용하여 객체의 미래 위치를 예측합니다.
이 두 가지를 결합하면 동적인 환경에서 실시간 추적이 가능한 강력한 비전 AI 시스템을 구축할 수 있습니다. 예를 들어, 자동화된 보안 시스템은 공간에 들어오는 사람을 detect 프레임 전체에서 지속적으로 움직임을track 수 있습니다.
이제 객체 감지와 추적의 차이점에 대해 살펴봤으니, YOLO11 같은 Ultralytics YOLO 모델이 어떻게 실시간 객체 추적을 지원하는지 살펴보겠습니다.
YOLO 모델은 추적 알고리즘 자체는 아니지만 각 비디오 프레임에서 객체를 감지하여 필수적인 역할을 합니다. 객체가 감지되면 추적 알고리즘을 통해 객체에 고유 ID를 할당하여 시스템이 프레임마다 객체의 움직임을 추적할 수 있도록 해야 합니다.
이러한 요구를 해결하기 위해, Ultralytics Python 패키지는 객체 감지를 BoT-SORT 및 ByteTrack과 같은 인기 있는 추적 알고리즘과 원활하게 통합합니다. 이 통합을 통해 사용자는 최소한의 설정으로 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 동작 예측과 딥러닝을 사용하기 때문에 예측할 수 없이 움직이는 물체를 추적하는 데 적합한 옵션입니다. 반면에 ByteTrack은 복잡한 장면에서 특히 뛰어난 성능을 발휘하며, 물체가 흐릿하거나 부분적으로 숨겨져 있어도 안정적인 추적을 유지합니다.
사용자 지정 훈련은 표준 데이터 세트에 포함되지 않은 객체를 인식할 수 있도록 특정 데이터 세트에 대해 YOLO11 같이 사전 훈련된 객체 감지 모델을 미세 조정하는 프로세스입니다. 이는 추적 시스템이 사용자 지정 또는 흔하지 않은 물체를 추적해야 할 때 특히 중요합니다.
추적 시스템은 감지 모델에 의존하여 먼저 물체를 인식합니다. 특정 유형의 기계나 야생동물 종과 같은 특정 물체를 detect 수 없는 경우 추적 알고리즘이 이를 추적할 수 없습니다.
탐지 모델이 track 대상을 정확하게 식별할 수 있도록 하기 위해 사용자 지정 학습이 필수적인 이유입니다.
또한 이 과정에서 감지 모델만 미세 조정된다는 점을 명심해야 합니다. BoT-SORT 또는 ByteTrack과 같은 추적 알고리즘은 사용자 지정 학습이 아니라 YOLO 모델의 출력을 사용하여 프레임 전체에서 감지된 객체를 따라갈 뿐입니다.
객체 추적이 무엇이고 어떻게 작동하는지 더 잘 이해했으므로 이 기술이 영향을 미치는 실제 애플리케이션을 살펴보겠습니다.
컴퓨터 비전으로 구현되는 속도 추정 시스템은 객체 감지 및 추적과 같은 작업에 의존합니다. 이러한 시스템은 차량, 자전거 운전자 또는 사람을 포함하여 객체가 얼마나 빨리 움직이는지 계산하도록 설계되었습니다. 이 정보는 교통 관리에서 안전 모니터링 및 산업 자동화에 이르기까지 다양한 애플리케이션에 매우 중요합니다.
Ultralytics YOLO11 같은 모델을 사용하면 비디오 프레임 전체에서 물체를 감지하고 추적할 수 있습니다. 특정 시간 동안 물체가 얼마나 멀리 움직이는지 분석함으로써 시스템은 물체의 속도를 추정할 수 있습니다.
제조 공정은 빠르게 진행되고 매우 복잡하기 때문에 생산되는 모든 품목을 수동으로 track 어려울 수 있습니다. 객체 추적은 생산의 각 단계를 거치는 동안 제품 모니터링을 자동화하는 데 유용한 솔루션을 제공합니다. 이를 통해 공장은 작업 속도를 늦추지 않고 높은 수준의 정확성과 효율성을 유지할 수 있습니다.
컨베이어 벨트에서 제품 수를 세는 것부터 결함을 발견하거나 적절한 조립을 확인하는 것까지 객체 추적은 시간 소모적이거나 오류가 발생하기 쉬운 작업에 가시성과 제어 기능을 제공합니다. 이 기술은 속도와 정확성이 중요한 식품 가공, 전자 제품 및 포장과 같은 대량 생산 산업에서 특히 영향력이 큽니다.
수많은 고객이 매일 소매점을 드나들며 고객 경험과 비즈니스 성과를 개선하는 데 있어 고객 행동을 이해하는 것이 중요합니다. 객체 추적을 통해 소매업체는 침입적이거나 수동적인 방법 없이도 통행량을 모니터링하고, 체류 시간을 측정하고, 이동 패턴을 분석할 수 있습니다.
개인이 매장에 들어가고, 나가고, 이동하는 것을 추적함으로써 기업은 피크 시간, 인기 있는 영역, 대기열 길이에 대한 통찰력을 얻을 수 있습니다. 이러한 통찰력은 인력 배치, 매장 레이아웃 및 재고 배치에 대한 결정을 내리는 데 도움이 되어 궁극적으로 운영 효율성을 높이고 매출을 늘릴 수 있습니다.
소매점부터 공장 현장에 이르기까지, 객체 추적은 효율성, 안전, 전반적인 경험과 같은 요소를 개선하기 위해 모든 종류의 산업에서 사용되고 있습니다. 다음은 객체 추적이 다양한 산업에 가져다 줄 수 있는 주요 이점 중 일부입니다.
이러한 이점은 객체 추적이 다양한 사용 사례에 긍정적인 영향을 미치는 방식을 강조하지만, 구현과 관련된 과제도 고려하는 것이 중요합니다. 객체 추적의 몇 가지 제한 사항을 자세히 살펴보겠습니다.
객체 추적은 기계가 시간이 지남에 따라 객체의 움직임을 추적할 수 있도록 하는 컴퓨터 비전 작업입니다. 차량 속도 추정, 조립 라인에서 제품 수량 계산, 스포츠에서 선수 움직임 분석 등 광범위한 실제 시나리오에서 사용됩니다.
YOLO11 같은 비전 AI 모델과 BoT-SORT 및 ByteTrack과 같은 추적 알고리즘을 통해 다양한 산업 분야에서 객체 추적이 더 빠르고 스마트해졌으며 접근성이 향상되었습니다. 객체 추적 기술이 발전함에 따라 시스템이 한 프레임씩 더 지능적이고 효율적이며 반응성이 높아지는 데 도움이 되고 있습니다.
컴퓨터 비전 및 AI에 대해 자세히 알고 싶으십니까? GitHub 리포지토리를 살펴보고, 커뮤니티와 연결하고, 라이선스 옵션을 확인하여 컴퓨터 비전 프로젝트를 시작하십시오. 제조 분야의 AI 및 자동차 산업의 컴퓨터 비전과 같은 혁신을 탐색하고 있다면 솔루션 페이지를 방문하여 자세히 알아보십시오.
