2025년 객체 감상에 대한 심층 가이드

많은 산업에서 인공지능(AI) 솔루션을 운영에 빠르게 도입하고 있습니다. 오늘날 이용 가능한 다양한 AI 기술 중 컴퓨터 비전은 가장 널리 사용되는 기술 중 하나입니다. 컴퓨터 비전은 컴퓨터가 사람처럼 이미지와 동영상의 내용을 보고 이해할 수 있도록 지원하는 AI의 한 분야입니다. 컴퓨터 비전을 통해 기계는 객체를 인식하고, 패턴을 식별하며, 바라보고 있는 대상을 이해할 수 있습니다.

컴퓨터 비전의 글로벌 시장 가치는 2032년까지 1,757억 2,000만 달러 규모로 성장할 것으로 예상됩니다. 컴퓨터 비전에는 Vision AI 시스템이 시각 데이터를 분석하고 해석할 수 있도록 하는 다양한 작업이 포함됩니다. 컴퓨터 비전에서 가장 널리 사용되며 필수적인 작업 중 하나가 객체 탐지입니다.

객체 탐지는 시각 데이터에서 객체의 위치를 찾고 분류하는 데 중점을 둡니다. 예를 들어 컴퓨터에 소 이미지를 보여 주면 컴퓨터는 소를 탐지하고 그 주변에 바운딩 박스를 그릴 수 있습니다. 이러한 기능은 동물 모니터링, 자율주행 자동차, 감시와 같은 실제 애플리케이션에서 유용합니다.

그렇다면 객체 탐지는 어떻게 수행할 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 그 작동 방식을 살펴봅니다. 또한 객체 탐지와 Ultralytics YOLO11의 실제 애플리케이션 사례도 알아봅니다.

그림 1. YOLO11의 객체 탐지 기능을 활용한 소 모니터링.

객체 감지란 무엇인가요?#

객체 탐지는 이미지나 동영상에서 객체를 식별하고 위치를 찾는 컴퓨터 비전 작업입니다. 객체 탐지는 다음 두 가지 핵심 질문에 답합니다. '이미지에 어떤 객체가 있는가?'와 '객체는 어디에 있는가?'

객체 탐지는 두 가지 핵심 단계로 이루어진 프로세스라고 생각할 수 있습니다. 첫 번째 단계인 객체 분류를 통해 시스템은 학습한 패턴을 바탕으로 고양이, 자동차, 사람과 같은 객체를 인식하고 레이블을 지정합니다. 두 번째 단계인 위치 지정은 객체 주변에 바운딩 박스를 그려 이미지에서 객체가 나타나는 위치를 표시함으로써 객체의 위치를 파악합니다. 이 두 단계가 결합되어 기계가 장면 속 객체를 탐지하고 이해할 수 있습니다.

객체 탐지를 특별하게 만드는 요소는 객체를 인식하고 그 위치를 정확하게 특정하는 능력입니다. 다른 컴퓨터 비전 작업은 서로 다른 목표에 중점을 둡니다.

예를 들어 이미지 분류는 전체 이미지에 하나의 레이블을 할당합니다. 반면 이미지 세그멘테이션은 다양한 요소를 픽셀 수준으로 이해할 수 있도록 합니다. 객체 탐지는 이와 달리 인식과 위치 지정을 결합합니다. 따라서 실시간으로 여러 객체를 세는 작업과 같은 용도에 특히 유용합니다.

그림 2. 컴퓨터 비전 작업 비교.

객체 인식과 객체 탐지 비교#

다양한 컴퓨터 비전 용어를 살펴보다 보면 객체 인식과 객체 탐지가 서로 바꿔 사용할 수 있는 개념처럼 느껴질 수 있지만, 두 기술은 서로 다른 목적을 가집니다. 그 차이를 이해하는 좋은 방법은 얼굴 탐지와 얼굴 인식을 비교해 보는 것입니다.

얼굴 탐지는 객체 탐지의 한 유형입니다. 이미지에 얼굴이 있는지 식별하고 바운딩 박스를 사용해 그 위치를 표시합니다. 얼굴 탐지는 “이미지에서 얼굴은 어디에 있는가?”라는 질문에 답합니다. 이 기술은 얼굴에 자동으로 초점을 맞추는 스마트폰 카메라나 사람이 나타났을 때 이를 탐지하는 보안 카메라에서 흔히 사용됩니다.

반면 얼굴 인식은 객체 인식의 한 형태입니다. 얼굴을 탐지하는 데 그치지 않고, 고유한 특징을 분석해 데이터베이스와 비교함으로써 누구의 얼굴인지 식별합니다. 얼굴 인식은 “이 사람은 누구인가?”라는 질문에 답합니다. Face ID로 휴대폰 잠금을 해제하거나 공항 보안 시스템에서 신원을 확인할 때 사용되는 기술입니다.

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

그림 3. 객체 탐지와 객체 인식 비교. 이미지 출처: 작성자.

Ultralytics YOLO11과 같은 많은 객체 탐지 모델은 얼굴 탐지를 지원하도록 설계되었지만 얼굴 인식은 지원하지 않습니다. YOLO11은 이미지에 얼굴이 있는지 효율적으로 식별하고 그 주변에 바운딩 박스를 그릴 수 있으므로 감시 시스템, 군중 모니터링, 자동 사진 태깅과 같은 애플리케이션에 유용합니다. 그러나 얼굴의 주인이 누구인지는 판별할 수 없습니다. YOLO11은 Facenet이나 DeepFace와 같이 얼굴 인식을 위해 특별히 학습된 모델과 통합하여 단일 시스템에서 탐지와 식별을 모두 수행할 수 있습니다.

객체 검출의 작동 방식 이해하기#

객체 탐지의 작동 방식을 알아보기 전에 컴퓨터가 이미지를 분석하는 방법을 먼저 자세히 살펴보겠습니다. 컴퓨터는 우리처럼 이미지를 보는 대신 이미지를 픽셀이라고 하는 작은 정사각형 격자로 나눕니다. 각 픽셀에는 컴퓨터가 시각 데이터를 해석하기 위해 처리할 수 있는 색상 및 밝기 정보가 포함되어 있습니다.

알고리즘은 이러한 픽셀을 이해하기 위해 모양, 색상, 서로 간의 거리 등을 기준으로 픽셀을 의미 있는 영역으로 그룹화합니다. Ultralytics YOLO11과 같은 객체 탐지 모델은 이러한 픽셀 그룹에서 패턴이나 특징을 인식할 수 있습니다.

예를 들어 자율주행 자동차는 우리가 보는 방식으로 보행자를 인식하지 않습니다. 대신 보행자의 특징과 일치하는 모양과 패턴을 탐지합니다. 이러한 모델은 레이블이 지정된 광범위한 이미지 데이터 세트를 사용해 학습하므로 자동차, 교통 표지판, 사람과 같은 객체의 고유한 특성을 학습할 수 있습니다.

일반적인 객체 탐지 모델은 백본, 넥, 헤드라는 세 가지 핵심 부분으로 구성됩니다. 백본은 이미지에서 중요한 특징을 추출합니다. 넥은 이러한 특징을 처리하고 정제하며, 헤드는 객체의 위치를 예측하고 객체를 분류합니다.

탐지 결과 정제 및 표시#

초기 탐지가 완료되면 정확도를 높이고 중복 예측을 걸러내기 위해 후처리 기법을 적용합니다. 예를 들어 겹치는 바운딩 박스를 제거하여 가장 관련성 높은 탐지 결과만 유지합니다. 또한 탐지된 객체가 특정 클래스에 속한다고 모델이 판단하는 확신의 정도를 나타내는 수치인 신뢰도 점수를 각 탐지 객체에 할당하여 예측에 대한 모델의 확신도를 표시합니다.

마지막으로 탐지된 객체 주변에 바운딩 박스를 그리고, 예측된 클래스 레이블과 신뢰도 점수를 함께 표시하여 결과를 출력합니다. 이러한 결과는 실제 애플리케이션에 활용할 수 있습니다.

널리 사용되는 객체 탐지 모델#

오늘날 다양한 컴퓨터 비전 모델을 이용할 수 있으며, 그중 가장 인기 있는 모델로 Ultralytics YOLO 모델을 들 수 있습니다. 이 모델은 속도, 정확도, 범용성으로 잘 알려져 있습니다. 수년에 걸쳐 이러한 모델은 더 빠르고 정밀해졌으며 더 다양한 작업을 처리할 수 있게 되었습니다. Ultralytics YOLOv5가 출시되면서 PyTorch와 같은 프레임워크를 활용한 배포가 쉬워졌고, 깊은 기술 전문 지식이 없어도 더 많은 사람이 고급 Vision AI를 사용할 수 있게 되었습니다.

이러한 기반을 바탕으로 Ultralytics YOLOv8은 인스턴스 세그멘테이션, 포즈 추정, 이미지 분류와 같은 새로운 기능을 도입했습니다. 이제 YOLO11은 여러 작업에서 더 나은 성능을 제공하며 한 단계 더 발전했습니다. YOLO11m은 YOLOv8m보다 파라미터가 22% 적으면서 COCO 데이터 세트에서 더 높은 평균 정밀도(mAP)를 달성합니다. 간단히 말해 YOLO11은 더 적은 리소스를 사용하면서 객체를 더 정밀하게 인식할 수 있으므로 더 빠르고 안정적입니다.

AI 전문가이든 이제 막 시작한 사용자이든, Ultralytics YOLO11은 컴퓨터 비전 애플리케이션을 위한 강력하면서도 사용하기 쉬운 솔루션을 제공합니다.

객체 탐지를 위한 모델 커스텀 학습#

Vision AI 모델을 학습시키는 과정에는 컴퓨터가 이미지와 동영상을 인식하고 이해하도록 돕는 작업이 포함됩니다. 그러나 학습에는 많은 시간이 걸릴 수 있습니다. 처음부터 시작하는 대신 전이 학습을 사용하면 일반적인 패턴을 이미 인식하는 사전 학습 모델을 활용해 작업 속도를 높일 수 있습니다.

예를 들어 Ultralytics YOLO11은 다양한 일상 사물이 포함된 COCO 데이터 세트를 사용해 이미 학습되었습니다. 이 사전 학습 모델을 추가로 커스텀 학습하여 원래 데이터 세트에 포함되지 않았을 수 있는 특정 객체를 탐지할 수 있습니다.

Ultralytics YOLO11을 커스텀 학습하려면 탐지하려는 객체의 이미지가 포함된 레이블 지정 데이터 세트가 필요합니다. 예를 들어 식료품점에서 다양한 종류의 과일을 식별하는 모델을 구축하려면 사과, 바나나, 오렌지 등의 이미지에 레이블을 지정하여 데이터 세트를 만듭니다. 데이터 세트가 준비되면 YOLO11을 학습시키고 배치 크기, 학습률, 에포크와 같은 파라미터를 조정하여 성능을 최적화할 수 있습니다.

이 접근 방식을 사용하면 기업은 제조 과정의 불량 부품부터 보전 프로젝트의 야생 동물 종까지 무엇이든 탐지하도록 Ultralytics YOLO11을 학습시켜 모델을 정확한 요구 사항에 맞게 조정할 수 있습니다.

객체 탐지의 애플리케이션#

이제 객체 탐지의 실제 활용 사례와 객체 탐지가 다양한 산업을 어떻게 변화시키고 있는지 살펴보겠습니다.

자율주행을 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 합니다. 자율주행 자동차는 주변 환경을 지속적으로 분석하여 신속하게 의사 결정을 내리고 교통 상황에서 안전하게 이동할 수 있습니다.

그림 4. Ultralytics YOLO11을 활용해 포트홀을 탐지하는 객체 탐지 사례.

헬스케어의 의료 영상 분석#

X선, MRI, CT 스캔, 초음파와 같은 의료 영상 기술은 질병의 진단과 치료를 지원하기 위해 인체의 매우 상세한 이미지를 생성합니다. 이러한 스캔은 방사선 전문의와 병리학자 같은 의사가 질병을 탐지하기 위해 주의 깊게 분석해야 하는 대량의 데이터를 생성합니다. 그러나 모든 이미지를 세부적으로 검토하는 데는 많은 시간이 걸릴 수 있으며, 피로 또는 시간 제약으로 인해 전문가가 세부 사항을 놓치는 경우도 있습니다.

Ultralytics YOLO11과 같은 객체 탐지 모델은 의료 스캔에서 장기, 종양, 이상 징후와 같은 핵심 특징을 높은 정확도로 자동 식별하여 이러한 작업을 지원할 수 있습니다. 커스텀 학습 모델은 바운딩 박스로 우려 영역을 강조 표시하여 의사가 잠재적인 문제에 더 빠르게 집중할 수 있도록 합니다. 이를 통해 업무량을 줄이고 효율성을 높이며 신속한 인사이트를 제공할 수 있습니다.

그림 5. Ultralytics YOLO11을 활용한 의료 이미지 분석.

사람 및 이상 징후 탐지를 통한 보안 강화#

객체 추적은 Ultralytics YOLO11이 지원하는 컴퓨터 비전 작업으로, 실시간 모니터링과 보안 강화를 가능하게 합니다. 객체 탐지를 기반으로 객체를 식별하고 프레임 간 이동을 지속적으로 추적합니다. 이 기술은 다양한 환경에서 안전성을 높이기 위해 감시 시스템에 널리 사용됩니다.

예를 들어 학교와 어린이집에서는 객체 추적을 통해 아이들을 모니터링하고 이탈을 방지할 수 있습니다. 보안 애플리케이션에서는 제한 구역의 침입자를 탐지하고, 과밀 상태나 의심스러운 행동이 있는지 군중을 모니터링하며, 승인되지 않은 활동이 탐지되면 실시간 알림을 전송하는 데 중요한 역할을 합니다. Ultralytics YOLO11 기반 추적 시스템은 객체의 이동을 추적하여 보안을 강화하고 모니터링을 자동화하며 잠재적 위협에 더 신속하게 대응할 수 있도록 합니다.

객체 탐지의 장단점#

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

• 자동화: 객체 탐지는 CCTV 영상 모니터링과 같은 작업에서 사람의 감독 필요성을 줄이는 데 도움이 될 수 있습니다.
• 다른 AI 모델과 연동: 얼굴 인식, 행동 인식, 추적 시스템과 통합하여 정확도와 기능을 향상할 수 있습니다.
• 실시간 처리: Ultralytics YOLO11과 같은 많은 객체 탐지 모델은 빠르고 효율적이므로 즉각적인 결과가 필요한 실시간 애플리케이션에 적합합니다.

이러한 이점은 객체 탐지가 다양한 활용 사례에 미치는 영향을 보여 주지만, 구현 과정에서 발생하는 과제도 고려해야 합니다. 주요 과제는 다음과 같습니다.

• 데이터 개인정보 보호: 특히 감시나 헬스케어와 같이 민감한 분야에서 시각 데이터를 사용하면 개인정보 보호 문제와 보안 우려가 발생할 수 있습니다.

• 가림: 객체 탐지에서 가림은 객체가 부분적으로 차단되거나 시야에서 가려지는 상황을 의미하며, 이로 인해 모델이 객체를 정확하게 탐지하고 분류하기 어려워집니다.

• 높은 계산 비용: 고성능 모델은 처리에 강력한 GPU(그래픽 처리 장치)가 필요한 경우가 많으므로 실시간 배포에 비용이 많이 들 수 있습니다.

핵심 요점#

객체 탐지는 기계가 이미지와 동영상에서 객체를 탐지하고 위치를 찾을 수 있도록 지원하는 컴퓨터 비전의 판도를 바꾸는 도구입니다. 자율주행 자동차부터 헬스케어까지 다양한 분야에서 사용되어 작업을 더 쉽고 안전하며 효율적으로 만듭니다. Ultralytics YOLO11과 같은 최신 모델을 사용하면 기업은 커스텀 객체 탐지 모델을 쉽게 생성하여 특화된 컴퓨터 비전 애플리케이션을 구축할 수 있습니다.

개인정보 보호 문제나 시야에서 객체가 가려지는 상황과 같은 과제가 있지만, 객체 탐지는 신뢰할 수 있는 기술입니다. 작업 자동화, 시각 데이터의 실시간 처리, 다른 Vision AI 도구와의 통합 기능을 갖춘 객체 탐지는 최첨단 혁신의 핵심 요소입니다.

자세한 내용은 GitHub 리포지토리를 방문하고 커뮤니티에 참여해 보세요. 솔루션 페이지에서 자율주행 자동차의 AI 및 농업의 컴퓨터 비전과 같은 분야의 혁신을 살펴보세요. YOLO 라이선스 옵션을 확인하고 Vision AI 프로젝트를 현실로 구현해 보세요. 🚀