2025년 객체 탐지를 심층적으로 살펴보는 가이드

많은 산업에서 인공지능(AI) 솔루션을 운영에 빠르게 도입하고 있습니다. 오늘날 활용 가능한 다양한 AI 기술 중 컴퓨터 비전은 가장 널리 사용되는 기술 중 하나입니다. 컴퓨터 비전은 컴퓨터가 사람처럼 이미지와 동영상의 내용을 보고 이해하도록 돕는 AI의 한 분야입니다. 컴퓨터 비전을 사용하면 기계가 객체를 인식하고 패턴을 식별하며 바라보는 대상의 의미를 파악할 수 있습니다.

컴퓨터 비전의 세계 시장 규모는 2032년까지 1,757억 2천만 달러에 이를 것으로 추정됩니다. 컴퓨터 비전에는 비전 AI 시스템이 시각 데이터를 분석하고 해석할 수 있도록 하는 다양한 작업이 포함됩니다. 컴퓨터 비전에서 가장 널리 사용되는 핵심 작업 중 하나는 객체 감지입니다.

객체 감지는 시각 데이터에서 객체의 위치를 찾고 객체를 분류하는 작업입니다. 예를 들어 컴퓨터에 소 이미지 한 장을 보여주면 컴퓨터는 소를 감지하고 소 주변에 바운딩 박스를 그릴 수 있습니다. 이러한 기능은 동물 모니터링, 자율주행차, 감시와 같은 실제 애플리케이션에 유용합니다.

그렇다면 객체 감지는 어떻게 수행할 수 있을까요? 한 가지 방법은 컴퓨터 비전 모델을 활용하는 것입니다. 예를 들어 Ultralytics YOLO11은 객체 감지와 같은 컴퓨터 비전 작업을 지원하는 컴퓨터 비전 모델입니다.

이 가이드에서는 객체 감지와 작동 방식을 살펴봅니다. 객체 감지와 Ultralytics YOLO11의 실제 활용 사례도 알아보겠습니다.

그림 1. YOLO11의 객체 감지 기능을 사용한 소 모니터링입니다.

객체 감지란 무엇인가요?#

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

객체 감지는 두 가지 핵심 단계로 이루어진 과정이라고 생각할 수 있습니다. 첫 번째인 객체 분류를 통해 시스템은 학습된 패턴을 바탕으로 고양이, 자동차, 사람과 같은 객체를 인식하고 라벨을 지정합니다. 두 번째인 위치 추정은 객체 주위에 바운딩 박스를 그려 이미지에서 객체가 나타나는 위치를 표시합니다. 이 두 단계를 함께 수행하면 기계가 장면의 객체를 감지하고 이해할 수 있습니다.

객체 감지의 고유한 특징은 객체를 인식하고 정확한 위치를 파악할 수 있다는 점입니다. 다른 컴퓨터 비전 작업은 서로 다른 목표에 초점을 맞춥니다.

예를 들어 이미지 분류는 이미지 전체에 라벨을 지정합니다. 반면 이미지 세그멘테이션은 서로 다른 요소를 픽셀 단위로 파악합니다. 객체 감지는 인식과 위치 추정을 결합합니다. 따라서 여러 객체를 실시간으로 세는 작업과 같은 용도에 특히 유용합니다.

그림 2. 컴퓨터 비전 작업 비교입니다.

객체 인식과 객체 감지 비교#

다양한 컴퓨터 비전 용어를 살펴보다 보면 객체 인식과 객체 감지를 같은 의미로 여길 수 있지만, 두 작업의 목적은 다릅니다. 얼굴 감지와 얼굴 인식을 비교하면 그 차이를 쉽게 이해할 수 있습니다.

얼굴 감지는 객체 감지의 한 유형입니다. 이미지에서 얼굴의 존재를 식별하고 바운딩 박스로 위치를 표시합니다. 얼굴 감지는 “이미지에서 얼굴은 어디에 있는가?”라는 질문에 답합니다. 얼굴에 자동으로 초점을 맞추는 스마트폰 카메라나 사람이 있는지 감지하는 보안 카메라에서 흔히 사용됩니다.

반면 얼굴 인식은 객체 인식의 한 형태입니다. 얼굴을 감지하는 데 그치지 않고 고유한 특징을 분석하여 데이터베이스와 비교함으로써 누구의 얼굴인지 식별합니다. 얼굴 인식은 “이 사람은 누구인가?”라는 질문에 답합니다. Face ID로 휴대폰 잠금을 해제하거나 신원을 확인하는 공항 보안 시스템에 사용되는 기술입니다.

간단히 말해 객체 감지는 객체를 찾아 위치를 파악하고, 객체 인식은 객체를 분류하고 식별합니다.

그림 3. 객체 감지와 객체 인식 비교입니다. 이미지 제공: 저자.

Ultralytics YOLO11과 같은 많은 객체 감지 모델은 얼굴 감지를 지원하도록 설계되었지만 얼굴 인식은 지원하지 않습니다. YOLO11은 이미지에서 얼굴의 존재를 효율적으로 식별하고 얼굴 주위에 바운딩 박스를 그릴 수 있으므로 감시 시스템, 군중 모니터링, 자동 사진 태깅과 같은 애플리케이션에 유용합니다. 하지만 누구의 얼굴인지는 식별할 수 없습니다. Facenet이나 DeepFace와 같이 얼굴 인식 전용으로 학습된 모델과 YOLO11을 통합하면 하나의 시스템에서 감지와 식별을 모두 수행할 수 있습니다.

객체 감지 작동 방식 이해하기#

객체 감지의 작동 방식을 살펴보기 전에 먼저 컴퓨터가 이미지를 분석하는 방식을 자세히 알아보겠습니다. 컴퓨터는 우리가 보는 방식으로 이미지를 보지 않고, 이미지를 픽셀이라고 하는 작은 정사각형 격자로 나눕니다. 각 픽셀에는 컴퓨터가 시각 데이터를 해석하기 위해 처리할 수 있는 색상 및 밝기 정보가 들어 있습니다.

이러한 픽셀을 이해하기 위해 알고리즘은 모양, 색상, 서로 간의 거리를 기준으로 픽셀을 의미 있는 영역으로 묶습니다. Ultralytics YOLO11과 같은 객체 감지 모델은 이러한 픽셀 그룹에서 패턴이나 특징을 인식할 수 있습니다.

예를 들어 자율주행차는 보행자를 우리가 보는 방식으로 인식하지 않습니다. 대신 보행자의 특징에 해당하는 모양과 패턴을 감지합니다. 이러한 모델은 라벨이 지정된 이미지 데이터셋으로 광범위하게 학습하므로 자동차, 교통 표지판, 사람과 같은 객체의 고유한 특징을 학습할 수 있습니다.

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

감지 결과를 정제하고 표시하기#

초기 감지가 완료되면 후처리 기법을 적용하여 정확도를 높이고 중복 예측을 걸러냅니다. 예를 들어 서로 겹치는 바운딩 박스를 제거하여 가장 관련성이 높은 감지만 남깁니다. 또한 감지된 각 객체에 신뢰도 점수(감지된 객체가 특정 클래스에 속한다고 모델이 판단하는 확신을 나타내는 수치)를 할당하여 예측에 대한 모델의 확신 정도를 표시합니다.

마지막으로 감지된 객체 주위에 바운딩 박스를 그리고 예측 클래스 라벨 및 신뢰도 점수와 함께 결과를 표시합니다. 이 결과는 실제 애플리케이션에 사용할 수 있습니다.

널리 사용되는 객체 감지 모델#

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

이 기반을 바탕으로 Ultralytics YOLOv8은 인스턴스 세그멘테이션, 자세 추정, 이미지 분류와 같은 새로운 기능을 도입했습니다. 이제 YOLO11은 여러 작업에서 더 나은 성능을 제공하며 한 단계 더 발전했습니다. YOLOv8m보다 파라미터 수가 22% 적은 YOLO11m은 COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성합니다. 간단히 말해 YOLO11은 더 적은 리소스를 사용하면서 객체를 더 정확하게 인식하므로 속도가 빠르고 안정적입니다.

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

객체 감지 모델 커스텀 학습하기#

비전 AI 모델 학습은 컴퓨터가 이미지와 동영상을 인식하고 이해하도록 돕는 과정입니다. 하지만 학습에는 시간이 많이 걸릴 수 있습니다. 처음부터 시작하는 대신, 이미 일반적인 패턴을 인식하는 사전 학습 모델을 사용하는 전이 학습으로 학습 속도를 높일 수 있습니다.

예를 들어 Ultralytics YOLO11은 다양한 일상 사물이 포함된 COCO 데이터셋으로 이미 학습되었습니다. 이 사전 학습 모델을 추가로 커스텀 학습하면 원래 데이터셋에 포함되지 않은 특정 객체를 감지할 수 있습니다.

Ultralytics YOLO11을 커스텀 학습하려면 감지하려는 객체의 이미지가 포함된 라벨링 데이터셋이 필요합니다. 예를 들어 식료품점에서 다양한 과일을 식별하는 모델을 만들려면 사과, 바나나, 오렌지 등의 라벨이 지정된 이미지를 포함하는 데이터셋을 준비합니다. 데이터셋을 준비한 다음 배치 크기, 학습률, 에포크와 같은 파라미터를 조정하여 성능을 최적화하면서 YOLO11을 학습할 수 있습니다.

이 방식을 사용하면 기업은 제조 과정의 결함 부품부터 보존 프로젝트의 야생동물 종까지 원하는 대상을 감지하도록 Ultralytics YOLO11을 학습하여 모델을 정확한 요구 사항에 맞출 수 있습니다.

객체 감지의 활용 분야#

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

자율주행을 위한 위험 요소 감지#

자율주행차는 객체 감지와 같은 컴퓨터 비전 작업을 사용하여 안전하게 주행하고 장애물을 피합니다. 이 기술은 보행자, 다른 차량, 포트홀, 도로 위험 요소를 인식하도록 도와 주변 환경을 더 잘 파악할 수 있게 합니다. 자율주행차는 주변을 지속적으로 분석하여 신속하게 판단하고 교통 흐름 속에서 안전하게 이동할 수 있습니다.

그림 4. Ultralytics YOLO11로 객체 감지를 사용해 포트홀을 감지하는 예시입니다.

헬스케어 분야의 의료 영상 분석#

X선, MRI, CT, 초음파와 같은 의료 영상 기법은 질병의 진단과 치료를 돕기 위해 인체의 상세한 이미지를 생성합니다. 이러한 영상에는 방사선 전문의와 병리학자 같은 의사가 질병을 감지하기 위해 주의 깊게 분석해야 하는 대량의 데이터가 담겨 있습니다. 그러나 모든 이미지를 자세히 검토하는 데는 시간이 많이 걸리고, 피로나 시간 제약으로 인해 전문가가 세부 사항을 놓칠 수도 있습니다.

Ultralytics YOLO11과 같은 객체 감지 모델은 의료 영상에서 장기, 종양, 이상 소견과 같은 주요 특징을 높은 정확도로 자동 식별하여 의료진을 도울 수 있습니다. 커스텀 학습 모델은 우려되는 영역을 바운딩 박스로 표시하여 의사가 잠재적인 문제에 더 빠르게 집중하도록 돕습니다. 이를 통해 업무 부담을 줄이고 효율성을 높이며 신속한 정보를 제공할 수 있습니다.

그림 5. Ultralytics YOLO11을 사용한 의료 영상 분석입니다.

사람 및 이상 감지로 보안 강화#

객체 추적은 Ultralytics YOLO11이 지원하는 컴퓨터 비전 작업으로, 실시간 모니터링과 보안 강화를 가능하게 합니다. 객체를 식별하고 프레임 전반에서 움직임을 지속적으로 추적하여 객체 감지 기능을 확장합니다. 이 기술은 다양한 환경의 안전성을 높이기 위해 감시 시스템에서 널리 사용됩니다.

예를 들어 학교와 어린이집에서는 객체 추적을 활용해 아이들을 모니터링하고 아이들이 멀리 벗어나는 것을 방지할 수 있습니다. 보안 분야에서는 출입 제한 구역의 침입자를 감지하고, 과밀하거나 의심스러운 행동이 있는지 군중을 모니터링하며, 승인되지 않은 활동이 감지되면 실시간으로 경고를 보내는 데 중요한 역할을 합니다. Ultralytics YOLO11 기반 추적 시스템은 객체의 이동을 지속적으로 추적하여 보안을 강화하고 모니터링을 자동화하며 잠재적 위협에 더 빠르게 대응할 수 있게 합니다.

객체 감지의 장단점#

객체 감지는 다양한 산업에서 다음과 같은 핵심 이점을 제공합니다:

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

이러한 이점은 객체 감지가 다양한 활용 사례에 미치는 영향을 보여 주지만, 구현 과정에서 발생하는 문제도 고려해야 합니다. 주요 문제는 다음과 같습니다:

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

• 가림(Occlusion): 객체 감지에서 가림은 객체가 부분적으로 차단되거나 시야에서 가려지는 현상으로, 모델이 객체를 정확하게 감지하고 분류하기 어렵게 만듭니다.

• 높은 연산 비용: 고성능 모델은 처리에 강력한 그래픽 처리 장치(GPU)가 필요한 경우가 많아 실시간 배포에 많은 비용이 듭니다.

핵심 요점#

객체 감지는 컴퓨터 비전의 판도를 바꾸는 기술로, 기계가 이미지와 동영상에서 객체를 감지하고 위치를 파악하도록 지원합니다. 자율주행차부터 의료 분야까지 다양한 산업에서 활용되어 작업을 더 쉽고 안전하며 효율적으로 수행할 수 있게 합니다. Ultralytics YOLO11과 같은 최신 모델을 사용하면 기업은 맞춤형 객체 감지 모델을 손쉽게 만들어 전문화된 컴퓨터 비전 애플리케이션을 개발할 수 있습니다.

개인정보 보호 문제나 객체가 시야에서 가려지는 현상과 같은 몇 가지 어려움이 있지만, 객체 감지는 신뢰할 수 있는 기술입니다. 작업 자동화, 시각 데이터의 실시간 처리, 다른 비전 AI 도구와의 통합 기능 덕분에 최첨단 혁신을 위한 필수 요소로 자리 잡았습니다.

자세한 내용은 GitHub 저장소를 방문하고 커뮤니티에 참여해 보세요. 솔루션 페이지에서 자율주행차의 AI와 농업 분야의 컴퓨터 비전과 같은 산업 분야의 혁신 사례를 살펴보세요. YOLO 라이선스 옵션을 확인하고 비전 AI 프로젝트를 시작해 보세요. 🚀