기존 보안 카메라에 AI 분석을 추가하는 방법

보안 카메라에 AI를 추가하는 방법을 묻는 거의 모든 조직은 이미 필요한 답을 세 가지 선택지 중 어딘가에서 찾을 수 있습니다. 흔한 실수는 보유 자산이 아니라 소프트웨어부터 검토하는 것입니다. 보유한 카메라의 사양, 즉 중요한 거리에서의 해상도, 각도, 저조도 성능, 스트림을 처리할 수 있는 위치에 따라 세 가지 접근 방식 중 실제로 가능한 선택지가 결정됩니다.

이 가이드에서는 먼저 솔직한 카메라 현황 점검을 다룬 다음, 세 가지 접근 방식을 살펴봅니다. 기존 영상 관리 시스템 위에 분석 계층을 추가하는 방법, VMS 또는 카메라 자체를 업그레이드하는 방법, 기존 스트림에서 탐지 모델을 자체 호스팅하는 방법입니다. 대부분의 독자는 앞의 두 가지 중 하나를 선택해야 합니다. 세 번째 방법도 특정 제약 조건에서는 실현 가능한 선택지이며, 이 가이드에서는 어떤 경우에 해당하는지 명확히 설명합니다.

소프트웨어가 아니라 보유 자산부터 살펴보세요#

분석 공급업체는 원하는 탐지를 지원할 수 없는 카메라에도 기꺼이 연결합니다. 평가에 앞서 현황을 점검하세요.

• 메가픽셀이 아니라 대상에 잡히는 픽셀 수입니다. 넓은 야드를 촬영하는 4K 카메라는 40미터 거리에 있는 사람을 촬영할 때 출입구를 촬영하는 1080p 카메라보다 대상에 잡히는 픽셀 수가 적을 수 있습니다. 모든 탐지에는 최소 픽셀 높이가 필요하며, 이 점은 시스템 교체 후 기대에 못 미치는 결과가 나오는 가장 흔한 원인입니다.
• 각도입니다. 보안용 카메라는 대개 넓은 영역에서 얼굴을 볼 수 있도록 기울여 설치합니다. 이는 계수와 구역 로직에 적합하지 않은 시야 기하에 가깝습니다. 이 경우에는 위에서 내려다보는 시야가 비스듬한 시야보다 훨씬 뛰어납니다.
• 저조도 및 역광 성능입니다. 해 질 무렵, 밤, 그리고 햇빛이 렌즈를 향하는 시간대에 테스트하세요. 적외선 조명은 이미지 특성을 크게 바꾸므로, 주간 영상만으로 평가한 모델은 실제 환경에서 예상 밖의 결과를 낼 수 있습니다.
• 프레임 레이트와 코덱입니다. 프레임 레이트가 낮고 압축률이 높은 스트림은 모델이 의존하는 세부 정보를 잃게 됩니다. 카메라가 생성할 수 있는 영상과 레코더가 실제로 저장하는 영상을 확인하세요.
• 스트림 액세스입니다. 녹화 품질을 떨어뜨리지 않고 카메라당 두 번째 RTSP 스트림을 가져올 수 있나요? 많은 카메라가 저해상도 서브스트림을 지원하며, 이 정도면 충분한 경우가 많고 처리 비용도 훨씬 저렴합니다.
• 네트워크 용량과 토폴로지입니다. 여러 스트림에서 지속적으로 분석을 실행하면 중앙 서버로 대역폭을 사용하거나 카메라 근처에서 컴퓨팅을 수행해야 합니다. 이 요인이 소프트웨어 선호도보다 아키텍처를 더 자주 결정합니다.
• 카메라 사용 연한과 패치 상태입니다. 기본 자격 증명을 사용하고 평면 네트워크에 연결된 카메라는 분석 기회가 되기 전에 이미 보안 문제입니다.

이 점검의 결과는 보통 카메라별로 나뉩니다. 일부 카메라는 구역 및 존재 탐지에 충분하고, 더 적은 수의 카메라만 세부 분류에 적합하며, 몇몇 카메라는 어떤 접근 방식을 택하든 위치를 바꾸거나 교체해야 합니다.

세 가지 접근 방식#

접근 방식 1: 기존 VMS 위에 분석 계층 추가#

기본적으로 권장하는 방식입니다. 이러한 제품은 카메라 시스템을 교체하지 않고 탐지 기능을 추가하기 위해 만들어졌으며, 표준 보안 사용 사례에서는 직접 구축하는 어떤 방법보다 빠르고 저렴합니다.

BriefCam. 녹화 영상의 신속한 검토와 검색에 특히 강한 비디오 콘텐츠 분석 계층이며, 온프레미스로 배포할 수 있습니다. 과거 영상에서 사건을 찾는 작업이 주된 업무인 조사 중심 환경에 가장 적합합니다. 단점은 VMS 위에 구성 요소를 추가하는 방식이므로 기존 구성 요소를 대체하지 않는다는 점입니다.

IronYun / Vaidio. 기존 카메라와 VMS 플랫폼에 탐지 기능을 제공하도록 설계된 AI 분석 계층으로, 보안 탐지 카탈로그가 폭넓습니다. 녹화 인프라를 건드리지 않고 더 많은 분석 기능을 원하는 조직에 가장 적합합니다. 단점은 통합 과정에서 테스트하고 유지보수해야 할 공급업체가 하나 더 늘어난다는 점입니다.

Lumana. 기존 카메라 시스템에 AI를 추가하는 데 중점을 두며, 신규 구축을 전제로 하기보다 기존 시스템에 적용하는 경로를 중요하게 다룹니다. 현재 카메라를 유지하는 것이 명시적 요구 사항인 팀에 가장 적합합니다. 단점은 기존 VMS 공급업체에 비해 시장에 새로 진입한 업체라는 점입니다.

Volt.ai. 기존 감시 인프라 위에 AI를 추가하는 데 비슷한 중점을 두며, 통합 안내를 제품의 주요 요소로 제공합니다. 다양한 카메라 하드웨어를 사용하는 환경 전반에 기존 시스템을 개조하려는 조직에 가장 적합합니다. 단점은 다른 오버레이 방식과 마찬가지로 결과의 품질이 여전히 기반 카메라에 따라 달라진다는 점입니다.

네 곳에서 공통으로 제공하는 기능은 표준 탐지(사람 및 차량 존재, 라인 크로싱, 구역 침입, 배회, 방치된 물체, 군중 밀도, 녹화 영상 전반의 속성 기반 검색)와 지원, 정확도에 대한 책임 주체입니다. 제공하지 않는 기능은 카탈로그에 없는 탐지입니다.

범위 설정에 관한 참고 사항입니다. 여러 제품이 영상 전반의 속성 검색을 내세우지만, 공급업체마다 의류 색상과 같은 설명적 속성을 매칭하는 것인지 신원을 매칭하는 것인지가 크게 다릅니다. 두 기능은 실질적으로 다르며 법적 위험도 크게 다르므로, 어떤 기능을 구매하는지, 실제로 어떤 기능을 원하는지 확인하는 것이 중요합니다. 신원이 아닌 속성 및 이벤트 탐지로 범위를 제한하면 규정 준수 논의가 단순해지며, 대부분의 보안 워크플로에는 이 정도로 충분합니다.

접근 방식 2: VMS 또는 카메라 업그레이드#

때로는 분석이 아니라 보유 자산이 제약 조건이라는 점을 인정하는 것이 정답입니다. 카메라가 오래되고, 위치가 좋지 않으며, 패치를 적용할 수 없고, 프레임 레이트도 낮다면 그 위에 AI를 추가해도 실망스러운 결과만 얻게 됩니다.

Genetec Security Center. 강력한 사이버 보안 및 개인정보 보호 도구를 갖춘 통합 비디오, 출입 통제 및 ALPR 플랫폼이며, 온프레미스로 배포할 수 있습니다. 통합 물리 보안이 필요한 대기업 및 공공 부문 시스템에 가장 적합합니다. 단점은 그에 맞는 전문성이 필요한 대규모 플랫폼이라는 점입니다.

Milestone XProtect. 서드파티 통합 생태계가 큰 개방형 플랫폼 VMS이므로 녹화 계층과 별도로 분석 솔루션을 선택할 수 있습니다. 선택의 여지를 유지하려는 조직에 가장 적합합니다. 단점은 통합 구성 전체를 책임질 담당자가 필요하다는 점입니다.

Avigilon Unity. 분석 기능이 내장되고 카메라와 소프트웨어가 긴밀하게 통합된 온프레미스 비디오 보안 플랫폼입니다. 단일 공급업체의 일관된 스택을 원하는 팀에 가장 적합합니다. 단점은 자체 카메라를 도입할 때 가장 효과적이라는 점입니다.

Verkada. 분석 기능이 내장된 클라우드 관리형 카메라로, 배포와 관리의 편의성을 특히 강조합니다. 현장 IT 인력이 제한적인 분산형 다중 사이트 조직에 가장 적합합니다. 단점은 클라우드 관리 아키텍처이며, 일부 데이터 상주 요건은 이를 허용하지 않습니다.

Rhombus. 분석 기능을 포함한 클라우드 관리형 제품으로, 간편한 다중 사이트 구축을 목표로 합니다. 빠른 구축을 원하는 중견 시장 조직에 가장 적합합니다. 단점은 앞서 언급한 것처럼 영상이 로컬에 보관되어야 하는 경우 클라우드 모델이 제약 조건이 된다는 점입니다.

Eagle Eye Networks. 개방형 API 접근 방식과 분석 옵션을 제공하는 클라우드 영상 관리 플랫폼입니다. 통합 유연성을 유지하면서 클라우드 관리를 원하는 조직에 가장 적합합니다. 단점은 클라우드 중심 아키텍처라는 점입니다.

Axis Camera Station. Axis 카메라 및 카메라 내 분석 기능을 사용하는 간단한 온프레미스 영상 관리 솔루션으로, 하드웨어 이력 문서가 이례적으로 상세합니다. 중간 규모의 Axis 구축 환경에 가장 적합합니다. 단점은 대기업용 플랫폼에 비해 초대규모 다중 사이트 환경에는 적합하지 않다는 점입니다.

데이터 상주, 에어갭 또는 조달 제한 요건이 있다면 다른 무엇보다 먼저 이 목록의 선택지가 좁아집니다. 이러한 결정의 근거가 되는 규정 준수 프레임워크는 보안 규정 준수를 위한 온프레미스 비디오 분석 가이드에서 더 자세히 다룹니다.

접근 방식 3: 기존 스트림에서 모델 자체 호스팅#

이 방법은 소수만 선택하는 방식이며, 다음과 같은 특정 조건에서는 올바른 선택입니다.

• 탐지가 어떤 카탈로그에도 없습니다. 특정 장비, 시설별 조건, 공정 상태 또는 생산 라인의 제품이 여기에 해당합니다. 일반적인 보안 분석은 새로운 클래스를 구성할 수 없습니다. - 추론 경계가 절대적입니다. 저장만을 뜻하는 것이 아닙니다. 공급업체의 클라우드 계층을 포함해 분석을 위해 어떤 이미지도 네트워크 밖으로 내보낼 수 없습니다. - 제품을 출시합니다. 분석 기능이 판매하는 제품의 일부라면 채널당 라이선스는 비용 모델에 맞지 않으며, 직접 구축해야 합니다. - 스트림 수가 많아 채널당 라이선스가 확장되지 않으며, 대안을 운영할 엔지니어링 역량이 있습니다. - 모델 수명 주기를 직접 관리해야 합니다. 공급업체의 릴리스를 기다리는 대신 사이트가 바뀔 때 자체 영상으로 재학습해야 합니다.

위 조건 중 해당하는 항목이 없다면 접근 방식 1을 선택하세요.

아키텍처#

VMS를 유지하세요. 녹화, 보존, 액세스 제어 및 감사 로깅은 이미 해결되어 있으며 규정 준수와도 관련이 있습니다. VMS를 교체하지 말고 VMS에서 스트림을 가져오세요.

RTSP 스트림을 자체 추론 서비스로 가져오세요. 해상도가 충분하다면 카메라 서브스트림을 우선 사용하세요. 디코딩 비용이 훨씬 적게 들며, 추론보다 디코딩이 실제 병목인 경우가 흔합니다.

탐지 및 트래킹을 실행하세요. Ultralytics YOLO 모델(YOLOv8, YOLO11 및 YOLO26)은 관련 작업을 지원합니다. 사람, 차량 및 객체 탐지, 라인 크로싱과 구역 로직을 위한 트래킹, 자세 및 낙상 탐지를 위한 포즈 추정, 박스보다 경계가 중요한 경우의 세그멘테이션을 수행할 수 있습니다. 배포 대상 하드웨어에 맞게 ONNX 또는 TensorRT로 내보내세요.

자체 영상으로 학습하세요. 일반 모델은 사람과 차량을 잘 처리합니다. 그러나 실제 환경의 정확도는 사용하는 카메라, 각도, 날씨 및 조명에 따라 달라지며 공개 데이터셋에는 이러한 조건이 반영되지 않습니다. Ultralytics Platform에서는 SAM 기반 Smart Annotation으로 현장 영상에 주석을 추가하고 동일한 워크플로에서 학습할 수 있습니다. 주석 도구와 학습 도구를 별도로 연결해야 하는 대안과 비교하면 중요한 이점입니다.

보안 워크플로에 이벤트를 다시 기록하세요. 탐지 결과는 운영자가 이미 확인하는 VMS 또는 경보 관리 시스템에 들어가야 합니다. 별도의 대시보드는 아무도 열어보지 않는 또 다른 시스템이 될 수 있습니다.

파일럿이 프로덕션 단계로 넘어가기 전에 라이선스를 확정하세요. Ultralytics YOLO 모델은 AGPL-3.0으로 제공되며, 상업적 배포 또는 독점 배포에는 일반적으로 비공개 배포와 고급 지원도 포함하는 Ultralytics Enterprise 라이선스가 필요합니다. 설계 단계에서 이 문제를 해결하는 것이 구축을 마친 뒤 해결하는 것보다 훨씬 저렴합니다.

컴퓨팅 용량 산정#

여러 스트림에서 추론을 지속적으로 실행하려면 용량 계획이 필요하며, 두 가지 요소가 가장 큰 영향을 미칩니다.

첫 번째 요소는 프레임 레이트입니다. 대부분의 보안 이벤트는 모든 프레임을 처리할 필요가 없습니다. 놓치지 말아야 할 가장 짧은 이벤트를 기준으로 레이트를 설정하세요(사람이 선을 통과하는 장면에는 30fps보다 훨씬 낮은 레이트로도 충분합니다). 그러면 필요한 용량이 대폭 줄어드는 경우가 많습니다.

두 번째 요소는 추론을 실행하는 위치입니다. 카메라 근처의 엣지 디바이스를 사용하면 네트워크를 통해 비디오를 스트리밍하지 않아도 되고 영상을 로컬에 보관할 수 있습니다. 이는 프로젝트의 주요 목적일 때가 많습니다. 중앙 GPU 서버는 운영과 관리가 더 간단하지만 대역폭 수요가 집중됩니다. 여러 환경을 함께 운영하는 조직은 원격 사이트에서 엣지 추론을, 네트워크 상태가 좋은 곳에서는 중앙 처리를 사용하는 경우가 많습니다.

자체 스트림과 하드웨어로 벤치마크하세요. 정제된 데이터셋에서 측정한 모델 처리량 수치로는 실제 카메라에서 디코딩과 추론을 결합한 파이프라인의 성능을 예측할 수 없습니다.

오탐은 모델 내부가 아니라 모델 위 계층에서 해결합니다#

자체 구축 시스템에서 가장 흔한 실패 원인은 탐지 정확도가 낮은 것이 아닙니다. 운영자가 2주 안에 대응을 중단할 만큼 경보가 쏟아지는 것입니다.

탐지 결과가 곧 이벤트는 아닙니다. 박스를 경보로 변환하는 계층에서 실제 오탐률을 제어합니다.

• 지속성입니다. 트랙이 이벤트로 간주되기 전에 여러 프레임에 걸쳐 추적되도록 요구하세요. 단일 프레임 탐지는 노이즈입니다.
• 실제 환경을 반영한 구역 기하입니다. 2D 이미지에 그린 다각형은 지면 위의 실제 영역과 같지 않습니다. 원근 보정이 없으면 위험 구역에서 한참 떨어진 사람도 구역 안에 있는 것처럼 보일 수 있습니다.
• 디바운싱입니다. 경계에서 배회하는 한 사람이 반복적인 통과 이벤트를 생성해서는 안 됩니다.
• 일정과 예외입니다. 오후 2시 통로의 지게차는 정상일 수 있지만 오전 2시에는 그렇지 않습니다. 이러한 조건을 입력하면 경보를 상당수 줄일 수 있습니다.
• 에스컬레이션 단계입니다. 모든 탐지에 경보가 필요한 것은 아닙니다. 실시간 경보, 교대 근무 요약 및 주간 추세는 각각 정확도 요건이 다른 세 가지 출력입니다.

이 계층의 코드가 모델 통합 코드보다 많을 수 있다고 예상하고, 테스트 세트 기준 탐지 정확도 대신 교대 근무당 오탐 수로 시스템을 평가하세요. 교대 근무당 오탐 수에 따라 3개월 후에도 시스템이 켜져 있을지가 결정됩니다.

개인정보 보호 및 범위#

기존 카메라에 분석 기능을 추가하면 카메라의 역할이 바뀌며, 대개 기존 설치 시에는 없었던 의무가 발생합니다.

• 목적 제한입니다. 보안을 위해 설치한 카메라를 생산성이나 행동 모니터링에 조용히 전용해서는 안 됩니다. 직장에서는 법적 문제인 동시에 신뢰의 문제이기도 합니다.
• 기존 평가를 그대로 따르지 말고 다시 평가하세요. 기존 영상에 자동 분석을 추가하면 일반적으로 새로운 데이터 보호 평가가 필요하며, EU 상당 지역에서는 노사협의회 협의도 필요합니다.
• 신원 매칭을 범위에서 제외하세요. 사람 및 차량 탐지, 라인 크로싱, 구역 침입, 배회, 군중 밀도 및 방치된 물체 탐지는 모두 익명 탐지 결과를 기반으로 작동합니다. Ultralytics는 얼굴 인식용 모델을 제공하지 않으며, 신원 매칭은 이러한 탐지 기능을 개선하지 않으면서 법적 위험을 크게 높입니다.
• 보존하는 데이터를 최소화하세요. 이벤트와 계수 결과로 충분하다면 이벤트와 계수 결과만 보관하세요.
• 설정 변경뿐 아니라 영상 조회 및 내보내기도 기록하세요.
• 카메라 네트워크를 분리하세요. 시스템을 개조하는 지금이 평면 네트워크와 기본 자격 증명을 개선하기에 좋은 시점입니다.