Ultralytics YOLO 모델을 사용하여 비디오에서 움직이는 객체를 추적하는 방법에 대한 가이드

전기 부품을 조립할 수 있는 로봇, 과속 차량을 감지하는 시스템, 고객의 쇼핑 방식을 추적하는 스마트 소매 솔루션 등 이러한 혁신은 모두 컴퓨터 비전에 의존합니다. 컴퓨터 비전은 기계가 이미지와 비디오를 분석하고 이해하도록 돕는 인공 지능(AI)의 한 분야입니다.

예를 들어 로봇은 여러 부품을 올바르게 조립하기 위해 각 부품을 인식하고 따라야 합니다. 마찬가지로 교통 시스템은 컴퓨터 비전을 사용하여 차량을 식별하고, 번호판을 읽고, 과속 여부를 파악할 수 있습니다. 한편, 상점에서는 Vision AI가 고객이 무엇을 보고 있는지 또는 집어 들고 있는지를 추적하고 재고를 감시하는 데 도움을 줄 수 있습니다.

이러한 애플리케이션은 광범위한 시각적 작업을 지원하는 Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 통해 구동됩니다. 이러한 작업의 대부분은 단일 이미지에서 정보를 수집하는 데 중점을 두지만, 특히 흥미로운 작업인 객체 추적은 일련의 이미지 또는 비디오 프레임에서 객체의 움직임을 추적하는 데 사용할 수 있습니다.

‍

이 가이드에서는 객체 추적의 작동 방식을 자세히 살펴보고 객체 추적이 사용되는 실제 사례를 살펴봅니다. 또한 Ultralytics YOLO11과 같은 Vision AI 모델이 객체 추적을 어떻게 지원하는지 논의할 것입니다. 시작해 보겠습니다!

컴퓨터 비전 추적 시스템에 대한 자세한 내용

객체 추적은 컴퓨터 비전 작업으로, 비디오 프레임에서 객체의 움직임을 추적하여 시스템이 시간이 지남에 따라 사물이 어떻게 변하는지 모니터링하고 이해하도록 돕습니다. 이는 마치 사람이 테니스 경기를 볼 때 눈으로 공의 움직임을 따라 코트 위를 앞뒤로 움직이는 것을 자연스럽게 따라가는 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. 

• 비디오 캡처: 카메라는 비디오 영상을 녹화하여 객체가 시간이 지남에 따라 장면을 통해 어떻게 움직이는지 캡처합니다.
  ‍
• 객체 감지: YOLOv8과 같은 AI 기반 컴퓨터 비전 모델은 각 프레임을 분석하여 사람, 차량 또는 제품과 같은 특정 객체를 식별하고 찾을 수 있습니다.
  ‍
• ID 할당: 객체가 감지되면 추적 알고리즘은 여러 프레임에서 객체를 추적하기 위해 고유 ID를 할당하여 시스템이 움직이더라도 동일한 객체임을 인식하도록 합니다.
  ‍
• 움직임 모니터링: 시스템은 시간이 지남에 따라 움직임을 추적하며 이 데이터는 속도, 방향 및 다른 객체와의 상호 작용과 같은 데이터를 수집하는 데 사용될 수 있습니다.
  ‍
• 인사이트 생성: 이 정보는 특정 사용 사례에 따라 실시간으로 분석을 제공하거나, 의사 결정을 지원하거나, 시각적 오버레이를 구동하는 데 사용될 수 있습니다.

YOLO를 사용한 객체 감지 및 추적 비교

YOLO11에서 지원하는 또 다른 컴퓨터 비전 작업으로 객체 추적과 밀접하게 관련된 객체 감지가 있습니다. 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 둘을 결합하면 역동적인 환경에서 실시간 추적이 가능한 강력한 비전 AI 시스템을 구축할 수 있습니다. 예를 들어, 자동화된 보안 시스템은 공간에 들어오는 사람을 감지하고 프레임 전체에서 움직임을 지속적으로 추적할 수 있습니다.

Ultralytics YOLO 모델을 사용한 실시간 추적

이제 객체 감지와 추적의 차이점을 다루었으므로 YOLO11과 같은 Ultralytics YOLO 모델이 실시간 객체 추적을 어떻게 지원하는지 살펴보겠습니다.

YOLO 모델은 추적 알고리즘 자체가 아니지만 각 비디오 프레임에서 객체를 감지하여 중요한 역할을 합니다. 객체가 감지되면 시스템이 프레임에서 프레임으로 움직임을 추적할 수 있도록 고유 ID를 할당하는 추적 알고리즘이 필요합니다. 

이러한 요구 사항을 해결하기 위해 Ultralytics Python 패키지는 객체 감지를 BoT-SORT 및 ByteTrack과 같은 널리 사용되는 추적 알고리즘과 원활하게 통합합니다. 이 통합을 통해 사용자는 최소한의 설정으로 감지 및 추적을 함께 실행할 수 있습니다.

YOLO 모델을 객체 추적에 사용할 때 애플리케이션 요구 사항에 따라 적용할 추적 알고리즘을 선택할 수 있습니다. 예를 들어 BoT-SORT는 모션 예측 및 딥러닝을 사용하여 예측할 수 없이 움직이는 객체를 추적하는 데 적합합니다. 반면에 ByteTrack은 혼잡한 장면에서 특히 뛰어난 성능을 보이며 객체가 흐릿하거나 부분적으로 가려진 경우에도 안정적인 추적을 유지합니다.

‍

커스텀 YOLO 모델 학습은 객체 추적과 어떻게 관련되어 있습니까?

커스텀 학습은 YOLOv8과 같이 사전 훈련된 객체 감지 모델을 특정 데이터 세트에서 미세 조정하여 표준 데이터 세트에 포함되지 않은 객체를 인식할 수 있도록 하는 프로세스입니다. 이는 추적 시스템이 커스텀 객체 또는 흔하지 않은 객체를 추적해야 할 때 특히 중요합니다.

추적 시스템은 객체를 먼저 인식하기 위해 감지 모델에 의존합니다. YOLO 모델이 특정 유형의 기계 또는 야생 동물 종과 같은 특정 항목을 감지할 수 없는 경우 추적 알고리즘은 해당 항목을 추적할 수 없습니다.

그렇기 때문에 커스텀 학습이 필수적입니다. 커스텀 학습은 감지 모델이 추적하려는 객체를 정확하게 식별할 수 있도록 보장합니다.

또한 이 프로세스 동안에는 감지 모델만 미세 조정된다는 점을 명심해야 합니다. BoT-SORT 또는 ByteTrack과 같은 추적 알고리즘은 커스텀 학습되지 않으며 단순히 YOLO 모델의 출력을 사용하여 프레임 간에 감지된 객체를 추적합니다.

Ultralytics YOLO를 사용한 객체 추적 애플리케이션

객체 추적이 무엇이고 어떻게 작동하는지 더 잘 이해했으므로 이 기술이 영향을 미치는 실제 애플리케이션을 살펴보겠습니다.

속도 추정을 위한 Ultralytics YOLO를 사용한 실시간 추적

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 YOLOv8과 같은 모델을 사용하면 비디오 프레임에서 객체를 감지하고 추적할 수 있습니다. 시스템은 특정 기간 동안 객체가 이동하는 거리를 분석하여 속도를 추정할 수 있습니다. 

‍

제조 분야에서 객체 추적 살펴보기

제조 공정은 빠르게 진행되고 매우 복잡하여 생산되는 모든 품목을 수동으로 추적하기가 어렵습니다. 객체 추적은 생산의 각 단계를 거치는 제품 모니터링을 자동화하는 데 적합한 솔루션을 제공합니다. 이는 공장이 속도를 늦추지 않고도 높은 수준의 정확성과 효율성을 유지하는 데 도움이 될 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.

‍

소매 분석에서 객체 추적 개요

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.

‍

객체 추적의 장단점

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.

• 실시간 알림 활성화: 객체 추적과 통합된 시스템은 사람이 제한 구역에 들어가거나 배송품이 한 곳에 너무 오래 방치되는 등 비정상적인 상황이 감지되면 자동으로 알림을 트리거하도록 구성할 수 있습니다.
  ‍
• 다른 시스템과의 통합: 객체 추적 데이터는 얼굴 인식, 열화상 카메라 또는 재고 시스템과 같은 다른 기술과 결합하여 더욱 강력한 통찰력을 얻을 수 있습니다.
  ‍
• 장기적으로 비용 효율적: 초기 설정에는 투자가 필요할 수 있지만, 자동화된 추적은 수작업의 필요성을 줄이고, 오류율을 낮추며, 시간이 지남에 따라 운영 비용을 절감합니다.

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.

• 혼잡한 환경에서의 어려움:: 콘서트, 쇼핑 센터 또는 도시 거리와 같이 붐비는 환경에서는 추적 시스템이 서로 가까이 있는 사람이나 물체를 구별하기 어려워 혼란이나 부정확한 결과가 발생할 수 있습니다.

• 환경 조건에 민감함: 열악한 조명, 안개, 빠른 움직임 또는 카메라 흔들림은 특히 실외 또는 통제되지 않은 환경에서 객체를 정확하게 추적하는 시스템의 능력에 영향을 미칠 수 있습니다.

• 개인 정보 보호 및 법적 문제: 개인 데이터의 부적절한 처리, 사용자 동의 부족 또는 공공 장소에서의 감시는 윤리적 문제를 야기하고 개인 정보 보호법을 준수하지 않을 수 있습니다.

주요 내용

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.

YOLO11과 같은 Vision AI 모델과 BoT-SORT 및 ByteTrack과 같은 추적 알고리즘을 통해 객체 추적은 더욱 빠르고 스마트해졌으며 다양한 산업에서 접근성이 높아졌습니다. 객체 추적 기술이 발전함에 따라 시스템은 한 번에 한 프레임씩 더 지능적이고 효율적이며 대응력이 향상되도록 돕고 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.