컴퓨터 비전 작업에 대해 알아야 할 모든 것

카메라와 인공지능(AI)의 발전 덕분에 이제 컴퓨터와 기계는 인간과 유사한 방식으로 세상을 볼 수 있게 되었습니다. 예를 들어, 사람을 인식하고, 객체를 추적하며, 영상 속에서 일어나는 상황의 맥락까지 이해할 수 있습니다.

구체적으로 computer vision은 기계가 주변 세상의 시각적 정보를 이해하고 해석할 수 있도록 돕는 AI의 한 분야입니다. 컴퓨터 비전에는 이미지나 영상에서 특정 종류의 통찰력을 추출하도록 설계된 다양한 작업이 포함됩니다. 예를 들어, 객체 탐지(object detection)는 사진 속의 다양한 항목을 식별하고 위치를 파악하는 데 도움을 주며, 추적, 세그멘테이션, 자세 추정(pose estimation)과 같은 다른 작업들은 기계가 움직임, 모양, 위치를 더 정확하게 이해하도록 돕습니다.

특정 애플리케이션에 사용되는 computer vision task는 필요한 통찰력의 유형에 따라 달라집니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 다양한 컴퓨터 비전 작업을 지원하므로, 실제 Vision AI 시스템을 구축하는 데 있어 신뢰할 수 있는 선택지입니다.

이 가이드에서는 YOLO11과 같은 모델이 지원하는 컴퓨터 비전 작업을 자세히 살펴보겠습니다. 각 작업의 작동 방식과 다양한 산업 분야에서의 활용 사례를 탐구할 것입니다. 시작해 봅시다!

Link to this section컴퓨터 비전 작업이란 무엇인가요?#

컴퓨터 비전 작업은 인간의 시각 능력을 다양한 방식으로 재현하는 것을 목표로 합니다. 이러한 작업은 기계가 객체를 탐지하고, 움직임을 추적하며, 자세를 추정하고, 이미지와 영상 내의 개별 요소를 윤곽선으로 구분하도록 도울 수 있습니다. 일반적으로 컴퓨터 비전 작업은 시각적 데이터를 더 작은 부분으로 나누어 일어나는 일을 명확하게 해석할 수 있도록 하는 모델에 의해 활성화됩니다.

Vision AI models인 Ultralytics YOLO 모델은 탐지, 추적, 세그멘테이션 등 여러 작업을 하나의 프레임워크에서 지원합니다. 이러한 범용성 덕분에 YOLO11 모델은 광범위한 사용 사례에 쉽게 적용할 수 있습니다.

Fig 1. YOLO11이 지원하는 컴퓨터 비전 작업.

스포츠 분석이 이에 대한 좋은 예입니다. YOLO11은 객체 탐지를 사용하여 경기장의 각 선수를 탐지한 다음, 객체 추적을 통해 경기 내내 그들을 따라갈 수 있습니다. 한편, YOLO11의 자세 추정 기능을 활용하면 선수의 움직임과 기술을 분석할 수 있으며, 인스턴스 세그멘테이션은 각 선수를 배경에서 분리하여 분석의 정밀도를 높여줍니다.

이러한 YOLO11 기반 컴퓨터 비전 작업은 게임 중에 일어나는 상황을 완벽하게 파악하여 팀에게 선수 성과, 전술, 전체적인 전략에 대한 더 깊은 통찰력을 제공합니다.

Link to this sectionYOLO11이 지원하는 컴퓨터 비전 작업 개요#

컴퓨터 비전 작업이 무엇인지 살펴보았으니, 이제 실제 사례를 사용하여 YOLO11이 지원하는 각 작업을 더 자세히 이해해 보겠습니다.

Link to this sectionYOLO11의 이미지 분류 지원#

사진을 볼 때 대부분의 사람들은 강아지, 산, 교통 표지판이 무엇인지 쉽게 알 수 있습니다. 왜냐하면 우리는 이러한 것들이 일반적으로 어떻게 생겼는지 배웠기 때문입니다. Image classification은 기계가 "자동차", "바나나", 또는 "골절이 있는 엑스레이"와 같은 주요 객체를 기반으로 이미지를 분류하고 라벨을 지정하는 방법을 가르쳐 같은 작업을 수행하도록 돕습니다. 이 라벨은 컴퓨터 비전 시스템이 시각적 콘텐츠를 이해하여 그에 따라 대응하거나 결정을 내릴 수 있도록 합니다.

이 컴퓨터 비전 작업의 흥미로운 적용 사례 중 하나는 야생 동물 모니터링입니다. 이미지 분류를 사용하여 야생에서 촬영된 사진에서 다양한 동물 종을 식별할 수 있습니다. 자동으로 이미지에 라벨을 지정함으로써 연구자들은 개체 수를 추적하고, 이동 경로를 모니터링하며, 멸종 위기 종을 더 쉽게 식별하여 보존 노력을 지원할 수 있습니다.

Fig 2. 이미지 분류에 YOLO11을 사용하는 예시.

Link to this sectionYOLO11의 객체 탐지 기능#

이미지 분류는 이미지에 무엇이 포함되어 있는지 전반적인 아이디어를 얻는 데 유용하지만, 전체 이미지에 하나의 라벨만 할당합니다. 여러 객체의 정확한 위치와 식별 정보와 같은 상세한 정보가 필요한 상황에서는 object detection이 필수적입니다.

객체 탐지는 이미지 내에서 개별 객체를 식별하고 위치를 파악하는 과정이며, 종종 객체 주위에 BBox를 그려서 수행됩니다. Ultralytics YOLO11은 실시간 객체 탐지에서 특히 뛰어난 성능을 발휘하여 다양한 애플리케이션에 이상적입니다.

예를 들어, 소매점에서 매대 재고를 관리하는 데 사용되는 컴퓨터 비전 솔루션을 생각해 보십시오. 객체 탐지는 과일, 채소 및 기타 품목을 세어 정확한 재고를 유지하도록 도울 수 있습니다. 농업 분야에서도 동일한 기술을 사용하여 작물의 성숙도를 모니터링함으로써 농부들이 수확할 최적의 시기를 결정하도록 도우며, 심지어 잘 익은 농산물과 익지 않은 농산물을 구별할 수도 있습니다.

Fig 3. Ultralytics YOLO11을 사용한 과일 탐지.

Link to this sectionYOLO11을 이용한 인스턴스 세그멘테이션 사용#

객체 탐지는 BBox를 사용하여 이미지 내의 객체를 식별하고 위치를 파악하지만, 객체의 정확한 모양은 포착하지 못합니다. 여기서 instance segmentation이 필요합니다. 인스턴스 세그멘테이션은 객체 주위에 상자를 그리는 대신 객체의 정확한 윤곽선을 추적합니다.

이것은 다음과 같이 생각할 수 있습니다. 단순히 "이 영역에 사과가 있다"고 표시하는 대신 사과의 정확한 모양을 신중하게 윤곽을 그리고 채웁니다. 이 상세한 과정은 특히 객체들이 서로 가까이 있을 때 AI 시스템이 객체의 경계를 명확하게 이해하도록 돕습니다.

인스턴스 세그멘테이션은 인프라 점검부터 지질 조사까지 많은 애플리케이션에 적용될 수 있습니다. 예를 들어, 지질 조사 데이터는 YOLO11을 사용하여 크고 작은 표면 균열이나 이상 현상을 세그멘테이션하는 데 분석될 수 있습니다. 이러한 이상 현상 주위에 정확한 경계를 그림으로써 엔지니어는 프로젝트가 시작되기 전에 문제를 정확히 찾아내고 해결할 수 있습니다.

Fig 4. YOLO11 기반 균열 세그멘테이션.

Link to this section객체 추적: YOLO11로 프레임 간 객체 따라가기#

지금까지 살펴본 컴퓨터 비전 작업들은 단일 이미지에 있는 내용에 초점을 맞췄습니다. 하지만 영상의 경우 한 프레임을 넘어선 통찰력이 필요합니다. 이 경우 object tracking 작업을 사용할 수 있습니다.

YOLO11의 객체 추적 기능은 사람이나 자동차와 같은 특정 객체가 일련의 영상 프레임에 걸쳐 이동할 때 이를 따라갈 수 있습니다. 카메라 각도가 변경되거나 다른 객체가 나타나더라도 시스템은 동일한 대상을 계속 추적합니다.

이는 교통 흐름 속의 차량 추적과 같이 시간 경과에 따른 모니터링이 필요한 애플리케이션에 매우 중요합니다. 실제로 YOLO11은 차량을 정확하게 추적하고 각 차량을 따라가 실시간으로 속도를 추정할 수 있습니다. 이로 인해 객체 추적은 교통 모니터링과 같은 시스템의 핵심 구성 요소가 됩니다.

Fig 5. 객체 추적을 지원하는 YOLO11은 속도 추정에 사용할 수 있습니다.

Link to this sectionYOLO11을 사용한 방향성 BBox(OBB) 탐지#

현실 세계의 객체는 항상 완벽하게 정렬되어 있지 않으며, 기울어져 있거나 옆으로 누워 있거나 이상한 각도로 배치되어 있을 수 있습니다. 예를 들어, 위성 이미지에서 선박과 건물은 종종 회전된 상태로 나타납니다.

전통적인 객체 탐지 방법은 객체의 방향에 맞게 조정되지 않는 고정된 직사각형 상자를 사용하여 이러한 회전된 모양을 정확하게 포착하기 어렵습니다. Oriented bounding box (OBB) detection은 회전하여 객체 주위에 딱 맞게 밀착되는 상자를 사용하여 객체의 각도에 정렬함으로써 이러한 문제를 해결하여 더 정밀한 탐지를 가능하게 합니다.

항만 모니터링과 관련하여 YOLO11의 OBB 탐지 지원은 방향에 관계없이 선박을 정확하게 식별하고 추적하여 항구에 드나드는 모든 선박이 적절히 모니터링되도록 도울 수 있습니다. 이러한 정밀 탐지는 바쁜 항구를 관리하고 충돌을 방지하는 데 필수적인 선박 위치 및 움직임에 대한 실시간 정보를 제공합니다.

Fig 6. OBB 탐지와 YOLO11을 사용한 보트 탐지.

Link to this section자세 추정과 YOLO11: 키 포인트 추적#

Pose estimation은 관절, 사지 또는 기타 마커와 같은 키 포인트를 추적하여 객체가 어떻게 움직이는지 이해하는 컴퓨터 비전 기술입니다. 전체 객체나 신체를 하나의 완전한 단위로 취급하는 대신 이 방법은 그것을 주요 부분으로 나눕니다. 이를 통해 움직임, 제스처 및 상호 작용을 상세하게 분석할 수 있습니다.

이 기술의 일반적인 적용 사례 중 하나는 인체 자세 추정입니다. 다양한 신체 부위의 위치를 실시간으로 추적함으로써 사람이 어떻게 움직이는지에 대한 명확한 그림을 제공합니다. 이 정보는 제스처 인식과 활동 모니터링부터 스포츠 경기 성과 분석에 이르기까지 다양한 목적으로 사용될 수 있습니다.

비슷하게 물리 치료에서 치료사는 인체 자세 추정과 YOLO11을 사용하여 운동 중 환자의 움직임을 모니터링할 수 있습니다. 이는 각 움직임이 올바르게 수행되는지 확인하는 동시에 시간이 지남에 따라 진행 상황을 추적하도록 돕습니다.

Fig 7. YOLO11은 자세 추정을 사용하여 운동을 모니터링할 수 있습니다.

Link to this sectionYOLO11이 다양한 컴퓨터 비전 작업을 지원하는 방법 탐색#

이제 YOLO11이 지원하는 모든 컴퓨터 비전 작업을 자세히 살펴보았으니, YOLO11이 이들을 어떻게 지원하는지 단계별로 확인해 보겠습니다.

YOLO11은 하나의 모델이 아니라 특정 컴퓨터 비전 작업을 위해 설계된 전문 모델 변형들의 제품군입니다. 이로 인해 YOLO11은 광범위한 애플리케이션에 적응할 수 있는 다재다능한 도구가 됩니다. 또한 프로젝트의 고유한 문제를 해결하기 위해 사용자 정의 datasets에서 이러한 모델을 미세 조정(fine-tune)할 수 있습니다.

다음은 특정 비전 작업을 위해 사전 훈련된 YOLO11 model variants입니다:

• YOLO11: 이 모델은 여러 객체를 실시간으로 탐지하고 라벨을 지정하므로 고속 시각 인식에 이상적입니다.
• YOLO11-seg: 이 변형은 상세한 마스크를 사용하여 배경에서 객체를 분리하는 세그멘테이션에 중점을 둡니다.
• YOLO11-obb: 이 모델은 각 객체의 방향에 맞춰 BBox를 그려 회전된 객체를 탐지하도록 설계되었습니다.
• YOLO11-cls: 이 변형은 전체 내용을 기반으로 단일 범주 라벨을 할당하여 이미지를 분류합니다.
• YOLO11-pose: 이 모델은 신체의 키 포인트를 추정하여 자세, 사지 위치 및 움직임을 추적합니다.

각 변형은 다양한 크기로 제공되므로 사용자는 자신의 특정 요구 사항에 맞춰 속도와 정확성 사이에서 올바른 균형을 선택할 수 있습니다.

Link to this section핵심 요약#

컴퓨터 비전 작업은 기계가 세상을 이해하고 상호 작용하는 방식을 바꾸고 있습니다. 이미지와 영상을 핵심 요소로 나눔으로써 이러한 기술은 객체, 움직임, 상호 작용을 상세하게 분석하는 것을 더 쉽게 만듭니다.

교통 안전 및 스포츠 성과 향상부터 산업 공정 효율화에 이르기까지, YOLO11과 같은 모델은 혁신을 주도하는 실시간 통찰력을 제공할 수 있습니다. Vision AI가 계속 발전함에 따라, 우리가 매일 시각적 데이터를 해석하고 사용하는 방식에서 점점 더 중요한 역할을 하게 될 것입니다.

커뮤니티에 가입하고 GitHub 저장소를 방문하여 AI가 실제로 작동하는 모습을 확인해 보세요. 솔루션 페이지에서 라이선스 옵션을 살펴보고 농업 분야의 AI 및 제조 분야의 컴퓨터 비전에 대해 더 자세히 알아보세요.