2025년 객체 탐지 심층 분석 가이드

많은 산업 분야가 인공지능(AI) 솔루션을 운영 체제에 빠르게 통합하고 있습니다. 오늘날 이용 가능한 수많은 AI 기술 중에서 컴퓨터 비전은 가장 인기 있는 기술 중 하나입니다. 컴퓨터 비전은 인간처럼 컴퓨터가 이미지와 비디오의 내용을 보고 이해하도록 돕는 AI의 한 분야입니다. 이를 통해 기계가 객체를 인식하고, 패턴을 식별하며, 눈앞에 무엇이 있는지 파악할 수 있게 됩니다.

컴퓨터 비전의 글로벌 시장 가치는 2032년까지 1,757억 2천만 달러 규모로 성장할 것으로 예상됩니다. 컴퓨터 비전은 비전 AI 시스템이 시각 데이터를 분석하고 해석할 수 있도록 하는 다양한 작업을 포괄합니다. 컴퓨터 비전의 가장 널리 사용되고 필수적인 작업 중 하나가 객체 탐지입니다.

객체 탐지는 시각 데이터 내에서 객체의 위치를 파악하고 분류하는 데 중점을 둡니다. 예를 들어, 컴퓨터에 소 이미지를 보여주면 소를 탐지하고 그 주위에 경계 상자(bounding box)를 그릴 수 있습니다. 이러한 능력은 동물 모니터링, 자율주행 자동차, 감시와 같은 실제 응용 분야에서 유용합니다.

그렇다면 객체 탐지는 어떻게 수행될 수 있을까요? 한 가지 방법은 컴퓨터 비전 모델을 사용하는 것입니다. 예를 들어, Ultralytics YOLO11은 객체 탐지와 같은 컴퓨터 비전 작업을 지원하는 컴퓨터 비전 모델입니다.

이 가이드에서는 객체 탐지와 작동 원리를 살펴봅니다. 또한 객체 탐지 및 Ultralytics YOLO11의 실제 응용 사례에 대해서도 논의하겠습니다.

그림 1. YOLO11의 객체 탐지 기능을 활용한 가축 모니터링.

Link to this section객체 탐지란 무엇입니까?#

객체 탐지는 이미지나 비디오에서 객체를 식별하고 위치를 찾아내는 컴퓨터 비전 작업입니다. 이는 '이미지 안에 어떤 객체가 있는가?'와 '그 객체들은 어디에 위치하는가?'라는 두 가지 핵심 질문에 답합니다.

객체 탐지를 두 가지 주요 단계를 포함하는 프로세스로 생각할 수 있습니다. 첫 번째인 객체 분류는 시스템이 학습된 패턴을 바탕으로 고양이, 자동차, 사람 등을 식별하고 라벨을 지정하도록 합니다. 두 번째인 위치 파악은 객체 주위에 경계 상자를 그려 이미지 내에서 나타나는 위치를 나타냄으로써 객체의 위치를 결정합니다. 이 두 단계를 함께 수행하여 기계는 장면 내의 객체를 탐지하고 이해할 수 있게 됩니다.

객체 탐지를 독보적으로 만드는 측면은 객체를 인식하고 그 위치를 정확하게 찾아내는 능력입니다. 다른 컴퓨터 비전 작업들은 서로 다른 목표에 집중합니다.

예를 들어, 이미지 분류는 전체 이미지에 라벨을 할당합니다. 한편, 이미지 분할은 다양한 요소에 대한 픽셀 수준의 이해를 제공합니다. 반면에 객체 탐지는 인식과 위치 파악을 결합합니다. 이로 인해 실시간으로 여러 객체를 세는 것과 같은 작업에 특히 유용합니다.

그림 2. 컴퓨터 비전 작업 비교.

Link to this section객체 인식 vs 객체 탐지#

다양한 컴퓨터 비전 용어를 탐색하다 보면 객체 인식과 객체 탐지를 혼용할 수 있다고 느낄 수 있지만, 이들은 서로 다른 목적을 수행합니다. 차이를 이해하는 좋은 방법은 얼굴 탐지와 얼굴 인식을 살펴보는 것입니다.

얼굴 탐지는 객체 탐지의 한 유형입니다. 이미지 내 얼굴의 존재를 식별하고 경계 상자를 사용하여 위치를 표시합니다. 이는 “이미지 안에서 얼굴이 어디에 있는가?”라는 질문에 답합니다. 이 기술은 자동으로 얼굴에 초점을 맞추는 스마트폰 카메라나 사람의 존재를 감지하는 보안 카메라에 흔히 사용됩니다.

얼굴 인식은 반면에 객체 인식의 한 형태입니다. 단순히 얼굴을 탐지하는 것이 아니라, 고유한 특징을 분석하고 데이터베이스와 비교하여 누구의 얼굴인지 식별합니다. 이는 “이 사람은 누구인가?”라는 질문에 답합니다. 이것이 Face ID로 휴대폰 잠금을 해제하거나 신원을 확인하는 공항 보안 시스템의 이면에 있는 기술입니다.

간단히 말해, 객체 탐지는 객체를 찾고 위치를 파악하며, 객체 인식은 객체를 분류하고 식별합니다.

그림 3. 객체 탐지 vs 객체 인식. 저자 이미지.

YOLO11과 같은 많은 객체 탐지 모델은 얼굴 탐지는 지원하지만 얼굴 인식은 지원하지 않도록 설계되었습니다. YOLO11은 이미지 내 얼굴의 존재를 효율적으로 식별하고 그 주위에 경계 상자를 그릴 수 있어 보안 시스템, 군중 모니터링, 자동 사진 태깅과 같은 응용 분야에 유용합니다. 하지만 누구의 얼굴인지 판단할 수는 없습니다. YOLO11을 Facenet이나 DeepFace와 같이 얼굴 인식을 위해 특별히 학습된 모델과 통합하여 단일 시스템에서 탐지와 식별을 모두 가능하게 할 수 있습니다.

Link to this section객체 탐지의 작동 원리 이해하기#

객체 탐지의 작동 원리를 논하기 전에, 컴퓨터가 이미지를 분석하는 방법을 자세히 살펴보겠습니다. 컴퓨터는 우리가 보는 것처럼 이미지를 보는 대신, 픽셀이라 불리는 작은 사각형의 그리드로 분해합니다. 각 픽셀에는 컴퓨터가 시각 데이터를 해석하기 위해 처리할 수 있는 색상 및 밝기 정보가 포함되어 있습니다.

이 픽셀들을 이해하기 위해 알고리즘은 모양, 색상 및 서로 간의 근접성에 따라 유의미한 영역으로 그룹화합니다. YOLO11과 같은 객체 탐지 모델은 이러한 픽셀 그룹 내의 패턴이나 특징을 인식할 수 있습니다.

예를 들어, 자율주행 자동차는 우리가 보는 방식으로 보행자를 보지 않습니다. 보행자의 특징과 일치하는 모양과 패턴을 탐지합니다. 이러한 모델은 라벨이 지정된 이미지 데이터셋을 이용한 광범위한 학습에 의존하며, 이를 통해 자동차, 교통 표지판, 사람과 같은 객체의 독특한 특성을 학습할 수 있습니다.

전형적인 객체 탐지 모델은 백본(backbone), 넥(neck), 헤드(head)의 세 가지 핵심 부품으로 구성됩니다. 백본은 이미지에서 중요한 특징을 추출합니다. 넥은 이러한 특징을 처리하고 정제하며, 헤드는 객체 위치 예측과 분류를 담당합니다.

Link to this section탐지 결과 정제 및 결과 표시#

초기 탐지가 완료되면 정확도를 개선하고 중복된 예측을 걸러내기 위해 후처리 기법이 적용됩니다. 예를 들어, 겹치는 경계 상자는 제거되어 가장 관련성이 높은 탐지 결과만 유지되도록 합니다. 또한, 각 탐지된 객체에는 신뢰도 점수(탐지된 객체가 특정 클래스에 속한다고 모델이 확신하는 정도를 나타내는 수치)가 할당되어 예측에 대한 모델의 확신을 나타냅니다.

마지막으로, 출력 결과는 탐지된 객체 주위에 그려진 경계 상자와 함께 예측된 클래스 라벨 및 신뢰도 점수로 표시됩니다. 이러한 결과는 실제 응용 프로그램에서 사용될 수 있습니다.

Link to this section인기 있는 객체 탐지 모델#

오늘날 많은 컴퓨터 비전 모델을 사용할 수 있으며, 그중 가장 인기 있는 모델로는 Ultralytics YOLO 모델이 있습니다. 이 모델은 속도, 정확도 및 범용성으로 잘 알려져 있습니다. 수년간 이러한 모델은 더 빠르고 정밀해졌으며 더 광범위한 작업을 처리할 수 있게 되었습니다. Ultralytics YOLOv5의 출시는 PyTorch와 같은 프레임워크로 배포를 쉽게 만들어 더 많은 사람들이 깊은 기술적 전문 지식 없이도 고급 비전 AI를 사용할 수 있게 했습니다.

이러한 기반 위에 Ultralytics YOLOv8은 인스턴스 분할, 자세 추정, 이미지 분류와 같은 새로운 기능을 도입했습니다. 이제 YOLO11은 여러 작업에서 더 나은 성능을 보여주며 한 걸음 더 나아가고 있습니다. YOLO8m보다 파라미터가 22% 적은 YOLO11m은 COCO 데이터셋에서 더 높은 mAP(mean average precision)를 달성합니다. 간단히 말해, YOLO11은 더 적은 리소스를 사용하면서 더 높은 정밀도로 객체를 인식할 수 있어 더 빠르고 신뢰할 수 있습니다.

AI 전문가이든 이제 막 시작하는 초보자이든, YOLO11은 컴퓨터 비전 응용 프로그램을 위한 강력하면서도 사용자 친화적인 솔루션을 제공합니다.

Link to this section객체 탐지를 위한 모델 맞춤형 학습#

비전 AI 모델 학습에는 컴퓨터가 이미지와 비디오를 인식하고 이해하도록 돕는 과정이 포함됩니다. 그러나 학습은 시간이 많이 걸리는 과정일 수 있습니다. 처음부터 시작하는 대신, 전이 학습(transfer learning)은 이미 공통 패턴을 인식하는 사전 학습된 모델을 사용하여 속도를 높입니다.

예를 들어, YOLO11은 이미 일상적인 객체를 다양하게 포함하는 COCO 데이터셋으로 학습되었습니다. 이 사전 학습된 모델은 원래 데이터셋에 포함되지 않은 특정 객체를 탐지하도록 추가로 맞춤형 학습될 수 있습니다.

YOLO11을 맞춤형 학습하려면 탐지하려는 객체의 이미지가 포함된 라벨링된 데이터셋이 필요합니다. 예를 들어, 식료품점에서 다양한 과일 종류를 식별하는 모델을 만들려면 사과, 바나나, 오렌지 등의 라벨링된 이미지가 포함된 데이터셋을 생성해야 합니다. 데이터셋이 준비되면 YOLO11을 학습시킬 수 있으며, 배치 크기, 학습률, 에포크와 같은 파라미터를 조정하여 성능을 최적화할 수 있습니다.

이 접근 방식을 통해 기업은 제조 현장의 불량 부품부터 보존 프로젝트의 야생 동물 종에 이르기까지 무엇이든 탐지하도록 YOLO11을 학습시켜 요구 사항에 정확히 맞출 수 있습니다.

Link to this section객체 탐지의 응용 분야#

다음으로, 객체 탐지의 실제 사례와 그것이 다양한 산업을 어떻게 변화시키고 있는지 살펴보겠습니다.

Link to this section자율주행을 위한 위험 탐지#

자율주행 자동차는 안전하게 주행하고 장애물을 피하기 위해 객체 탐지와 같은 컴퓨터 비전 작업을 사용합니다. 이 기술은 보행자, 다른 차량, 포트홀, 도로 위험 요소를 인식하여 주변 환경을 더 잘 이해할 수 있도록 돕습니다. 자동차는 주변 환경을 지속적으로 분석함으로써 빠르게 판단을 내리고 교통 상황 속에서 안전하게 이동할 수 있습니다.

그림 4. YOLO11을 사용하여 포트홀을 탐지하는 객체 탐지 사례.

Link to this section헬스케어 분야의 의료 영상 분석#

X-레이, MRI, CT 스캔, 초음파와 같은 의료 영상 기술은 질병을 진단하고 치료하기 위해 인체의 매우 상세한 이미지를 생성합니다. 이러한 스캔은 방사선 전문의나 병리학자와 같은 의사들이 질병을 탐지하기 위해 신중하게 분석해야 하는 방대한 양의 데이터를 생성합니다. 그러나 모든 이미지를 자세히 검토하는 것은 시간이 많이 걸릴 수 있으며, 인간 전문가도 피로 또는 시간 제약으로 인해 세부 사항을 놓칠 때가 있습니다.

YOLO11과 같은 객체 탐지 모델은 장기, 종양, 이상 징후와 같은 의료 스캔의 핵심 특징을 자동으로 식별하여 높은 정확도로 의사를 도울 수 있습니다. 맞춤형 학습된 모델은 경계 상자로 주의가 필요한 영역을 강조 표시하여 의사가 잠재적인 문제를 더 빠르게 파악하도록 돕습니다. 이는 업무 부하를 줄이고 효율성을 개선하며 빠른 통찰력을 제공합니다.

그림 5. YOLO11을 사용한 의료 이미지 분석.

Link to this section사람 및 이상 탐지를 통한 보안 강화#

객체 추적은 YOLO11이 지원하는 컴퓨터 비전 작업으로, 실시간 모니터링 및 보안 강화를 가능하게 합니다. 이는 객체를 식별하고 프레임 전체에서 움직임을 지속적으로 추적함으로써 객체 탐지를 기반으로 합니다. 이 기술은 다양한 환경에서 안전을 개선하기 위해 감시 시스템에 널리 사용됩니다.

예를 들어, 학교와 어린이집에서 객체 추적은 아이들을 모니터링하고 혼자 돌아다니는 것을 방지하는 데 도움을 줄 수 있습니다. 보안 분야에서는 제한 구역 내 침입자 탐지, 군중의 과밀 또는 의심스러운 행동 모니터링, 승인되지 않은 활동이 감지될 때 실시간 알림 전송에 중요한 역할을 합니다. 객체가 이동함에 따라 추적함으로써 YOLO11 기반 추적 시스템은 보안을 강화하고 모니터링을 자동화하며 잠재적 위협에 더 빠르게 대응할 수 있게 합니다.

Link to this section객체 탐지의 장단점#

객체 탐지가 다양한 산업에 가져올 수 있는 주요 이점은 다음과 같습니다.

• 자동화: 객체 탐지는 CCTV 영상 모니터링과 같은 작업에서 사람의 감독 필요성을 줄이는 데 도움을 줄 수 있습니다.
• 다른 AI 모델과 협업: 안면 인식, 동작 인식, 추적 시스템과 통합하여 정확도와 기능을 개선할 수 있습니다.
• 실시간 처리: YOLO11과 같은 많은 객체 탐지 모델은 빠르고 효율적이어서 즉각적인 결과가 필요한 실시간 응용 분야에 이상적입니다.

이러한 이점들은 객체 탐지가 다양한 사용 사례에 어떻게 영향을 미치는지 보여주지만, 구현과 관련된 과제를 고려하는 것도 중요합니다. 주요 과제는 다음과 같습니다.

• 데이터 프라이버시: 특히 감시나 헬스케어와 같이 민감한 영역에서 시각 데이터를 사용하는 것은 프라이버시 문제와 보안 우려를 야기할 수 있습니다.

• 가려짐(Occlusion): 객체 탐지에서의 가려짐은 객체가 부분적으로 차단되거나 시야에서 숨겨져 모델이 객체를 정확하게 탐지하고 분류하기 어려울 때 발생합니다.

• 높은 연산 비용: 고성능 모델은 처리를 위해 종종 강력한 GPU(Graphics Processing Unit)가 필요하며, 이는 실시간 배포 비용을 높입니다.

Link to this section핵심 요약#

객체 탐지는 기계가 이미지와 비디오에서 객체를 탐지하고 위치를 찾도록 돕는 컴퓨터 비전의 판도를 바꾸는 도구입니다. 자율주행 자동차부터 헬스케어에 이르기까지 여러 분야에서 사용되어 작업을 더 쉽고 안전하며 효율적으로 만듭니다. YOLO11과 같은 새로운 모델을 통해 기업은 맞춤형 객체 탐지 모델을 쉽게 만들어 특화된 컴퓨터 비전 응용 프로그램을 구축할 수 있습니다.

프라이버시 우려나 객체가 가려지는 현상과 같은 몇 가지 과제가 있지만, 객체 탐지는 신뢰할 수 있는 기술입니다. 작업을 자동화하고, 시각 데이터를 실시간으로 처리하며, 다른 비전 AI 도구와 통합할 수 있는 능력은 객체 탐지를 최첨단 혁신의 필수적인 부분으로 만듭니다.

자세한 내용은 GitHub 저장소를 방문하고 우리 커뮤니티에 참여하십시오. 당사 솔루션 페이지에서 AI 자율주행 자동차 및 농업 분야 컴퓨터 비전과 같은 분야의 혁신을 살펴보십시오. YOLO 라이선스 옵션을 확인하고 비전 AI 프로젝트를 현실로 만들어 보십시오. 🚀