컴퓨터 비전 작업에 대해 알아야 할 모든 것

카메라와 인공지능(AI)의 발전 덕분에 이제 컴퓨터와 기계는 사람이 세상을 보는 방식과 유사하게 세상을 볼 수 있습니다. 예를 들어 사람을 인식하고, 객체를 추적하며, 동영상에서 일어나는 일의 맥락까지 이해할 수 있습니다.

구체적으로 컴퓨터 비전은 기계가 주변 세계의 시각 정보를 이해하고 해석할 수 있도록 하는 AI의 한 분야입니다. 컴퓨터 비전에는 다양한 작업이 포함되며, 각 작업은 이미지나 동영상에서 특정 유형의 인사이트를 추출하도록 설계되었습니다. 예를 들어 객체 감지는 이미지에서 서로 다른 항목을 식별하고 위치를 찾는 데 도움을 주며, 추적, 세그멘테이션, 포즈 추정과 같은 다른 작업은 기계가 움직임, 형태, 위치를 더욱 정확하게 이해하도록 지원합니다.

특정 애플리케이션에 사용되는 컴퓨터 비전 작업은 필요한 인사이트의 유형에 따라 달라집니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 다양한 컴퓨터 비전 작업을 지원하므로, 실제 Vision AI 시스템 구축을 위한 신뢰할 수 있는 선택지입니다.

이 가이드에서는 YOLO11과 같은 모델이 지원하는 컴퓨터 비전 작업을 자세히 살펴봅니다. 각 작업이 어떻게 작동하고 다양한 산업에서 어떻게 활용되는지 알아보겠습니다. 시작하겠습니다!

컴퓨터 비전 작업이란 무엇인가요?#

컴퓨터 비전 작업은 다양한 방식으로 인간의 시각 능력을 모방하는 것을 목표로 합니다. 이러한 작업은 기계가 객체를 감지하고, 움직임을 추적하고, 포즈를 추정하며, 이미지와 동영상에서 개별 요소의 윤곽까지 표시하도록 지원합니다. 일반적으로 컴퓨터 비전 작업은 시각 데이터를 더 작은 부분으로 분해하는 모델을 통해 수행되며, 이를 통해 현재 일어나는 일을 더욱 명확하게 해석할 수 있습니다.

Vision AI 모델인 Ultralytics YOLO 모델은 하나의 프레임워크에서 감지, 추적, 세그멘테이션과 같은 여러 작업을 지원합니다. 이러한 다용도성 덕분에 YOLO11 모델은 다양한 사용 사례에 쉽게 도입할 수 있습니다.

그림 1. Ultralytics YOLO11이 지원하는 컴퓨터 비전 작업입니다.

스포츠 분석이 좋은 예입니다. YOLO11은 객체 감지를 사용해 경기장에 있는 각 선수를 감지한 다음, 객체 추적을 통해 경기 내내 선수들을 따라갈 수 있습니다. 한편 YOLO11의 포즈 추정 기능은 선수의 움직임과 기술을 분석하는 데 도움을 주며, 인스턴스 세그멘테이션은 각 선수를 배경에서 분리하여 분석의 정밀도를 높일 수 있습니다.

이러한 YOLO11 기반 컴퓨터 비전 작업을 함께 사용하면 경기 중 일어나는 일을 종합적으로 파악할 수 있어, 팀이 선수의 경기력, 전술, 전반적인 전략에 대한 더욱 심층적인 인사이트를 얻을 수 있습니다.

Ultralytics YOLO11이 지원하는 컴퓨터 비전 작업 개요#

이제 컴퓨터 비전 작업이 무엇인지 살펴보았으므로, 실제 사례를 통해 YOLO11이 지원하는 각 작업을 자세히 알아보겠습니다.

Ultralytics YOLO11의 이미지 분류 지원#

사진을 볼 때 대부분의 사람은 그 사진에 개, 산, 교통 표지판 중 무엇이 찍혀 있는지 쉽게 구분할 수 있습니다. 우리 모두 이러한 사물이 일반적으로 어떻게 보이는지 학습했기 때문입니다. 이미지 분류는 기계가 이미지의 주요 객체를 기반으로 이미지를 분류하고 레이블을 지정하는 방법을 학습하게 하여 같은 작업을 수행하도록 지원합니다. 예를 들어 주요 객체가 "자동차", "바나나" 또는 "골절이 있는 X선 이미지"인지 분류할 수 있습니다. 이 레이블을 통해 컴퓨터 비전 시스템은 시각적 콘텐츠를 이해하고 그에 따라 응답하거나 의사 결정을 내릴 수 있습니다.

이 컴퓨터 비전 작업의 흥미로운 활용 사례 중 하나는 야생동물 모니터링입니다. 이미지 분류를 사용하면 야생에서 촬영한 사진으로 다양한 동물 종을 식별할 수 있습니다. 연구자들은 이미지에 자동으로 레이블을 지정하여 개체 수를 추적하고, 이동 패턴을 모니터링하며, 멸종 위기종을 더욱 쉽게 식별해 보전 활동을 지원할 수 있습니다.

그림 2. YOLO11을 이미지 분류에 사용하는 예입니다.

Ultralytics YOLO11의 객체 감지 기능#

이미지 분류는 이미지에 무엇이 포함되어 있는지 전반적으로 파악하는 데 유용하지만, 이미지 전체에 하나의 레이블만 할당합니다. 여러 객체의 정확한 위치와 정체성처럼 상세한 정보가 필요한 상황에서는 객체 감지가 필수적입니다.

객체 감지는 이미지 안의 개별 객체를 식별하고 위치를 찾는 과정으로, 일반적으로 객체 주위에 바운딩 박스를 그려 수행합니다. Ultralytics YOLO11은 실시간 객체 감지에서 특히 뛰어난 성능을 발휘하므로 다양한 애플리케이션에 적합합니다.

소매점에서 진열대 재고를 관리하는 데 사용되는 컴퓨터 비전 솔루션을 예로 들어 보겠습니다. 객체 감지는 과일, 채소 및 기타 품목의 수를 세어 정확한 재고를 확보하는 데 도움을 줄 수 있습니다. 농경지에서는 동일한 기술로 작물의 성숙도를 모니터링하여 농부가 수확 적기를 판단하도록 지원하고, 익은 농산물과 덜 익은 농산물도 구분할 수 있습니다.

그림 3. Ultralytics YOLO11을 사용한 과일 감지입니다.

YOLO11을 사용한 인스턴스 세그멘테이션#

객체 감지는 바운딩 박스를 사용해 이미지에서 객체를 식별하고 위치를 찾지만, 객체의 정확한 형태까지 포착하지는 못합니다. 이때 인스턴스 세그멘테이션이 사용됩니다. 인스턴스 세그멘테이션은 객체 주위에 박스를 그리는 대신 객체의 정확한 윤곽을 추적합니다.

이를 다음과 같이 생각할 수 있습니다. 단순히 "이 영역에 사과가 있습니다"라고 표시하는 대신, 사과의 정확한 형태를 세밀하게 윤곽선으로 표시하고 내부를 채우는 것입니다. 이러한 상세한 과정은 특히 객체들이 서로 가까이 있을 때 AI 시스템이 객체의 경계를 명확하게 이해하도록 지원합니다.

인스턴스 세그멘테이션은 인프라 검사부터 지질 조사까지 다양한 애플리케이션에 적용할 수 있습니다. 예를 들어 지질 조사 데이터를 YOLO11로 분석하여 지표면의 크고 작은 균열이나 이상을 모두 세그멘테이션할 수 있습니다. 이러한 이상 현상 주위에 정확한 경계를 그리면 엔지니어가 문제를 정확히 파악하고 프로젝트가 시작되기 전에 해결할 수 있습니다.

그림 4. YOLO11 기반 균열 세그멘테이션입니다.

객체 추적: YOLO11로 프레임 간 객체 추적하기#

지금까지 살펴본 컴퓨터 비전 작업은 단일 이미지에 무엇이 있는지 파악하는 데 중점을 둡니다. 하지만 동영상에서는 한 프레임을 넘어서는 인사이트가 필요합니다. 이때 객체 추적 작업을 사용할 수 있습니다.

YOLO11의 객체 추적 기능은 사람이나 자동차와 같은 특정 객체가 여러 동영상 프레임을 이동할 때 이를 따라갈 수 있습니다. 카메라 각도가 바뀌거나 다른 객체가 나타나더라도 시스템은 동일한 대상을 계속 추적합니다.

이는 교통 상황에서 자동차를 추적하는 것처럼 시간에 따른 모니터링이 필요한 애플리케이션에 매우 중요합니다. 실제로 YOLO11은 차량을 정확하게 추적하고 각 자동차를 따라가며 실시간으로 속도를 추정할 수 있습니다. 따라서 객체 추적은 교통 모니터링과 같은 시스템의 핵심 구성 요소입니다.

그림 5. YOLO11의 객체 추적 지원은 속도 추정에 사용할 수 있습니다.

YOLO11을 사용한 방향성 바운딩 박스(OBB) 감지#

현실 세계의 객체가 항상 완벽하게 정렬되어 있는 것은 아닙니다. 기울어져 있거나 옆으로 놓여 있거나 특이한 각도로 배치될 수 있습니다. 예를 들어 위성 이미지에서는 선박과 건물이 회전된 상태로 나타나는 경우가 많습니다.

기존 객체 감지 방법은 객체의 방향에 맞게 조정되지 않는 고정된 직사각형 박스를 사용하므로, 회전된 형태를 정확하게 포착하기 어렵습니다. 방향성 바운딩 박스(OBB) 감지는 객체에 꼭 맞도록 회전하는 박스를 사용하여 이 문제를 해결하며, 객체의 각도에 맞춰 더욱 정밀하게 감지합니다.

항만 모니터링에서 YOLO11의 OBB 감지 지원은 방향과 관계없이 선박을 정확하게 식별하고 추적하는 데 도움을 줄 수 있으며, 항구에 들어오거나 나가는 모든 선박을 적절히 모니터링할 수 있도록 합니다. 이러한 정밀한 감지는 선박의 위치와 움직임에 대한 실시간 정보를 제공하므로, 혼잡한 항구를 관리하고 충돌을 방지하는 데 매우 중요합니다.

그림 6. OBB 감지와 YOLO11을 사용한 보트 감지입니다.

포즈 추정과 YOLO11: 키포인트 추적#

포즈 추정은 관절, 팔다리 또는 기타 마커와 같은 키포인트를 추적하여 객체가 어떻게 움직이는지 이해하는 컴퓨터 비전 기술입니다. 이 방법은 객체나 신체 전체를 하나의 완전한 단위로 취급하는 대신 핵심 부분으로 나눕니다. 이를 통해 움직임, 제스처, 상호작용을 상세하게 분석할 수 있습니다.

이 기술의 일반적인 활용 사례 중 하나는 사람의 포즈 추정입니다. 다양한 신체 부위의 위치를 실시간으로 추적하여 사람이 어떻게 움직이는지 명확하게 파악할 수 있습니다. 이 정보는 제스처 인식과 활동 모니터링부터 스포츠 경기력 분석까지 다양한 목적으로 사용할 수 있습니다.

마찬가지로 물리 재활 분야에서 치료사는 사람의 포즈 추정과 YOLO11을 사용해 환자가 운동하는 동안의 움직임을 모니터링할 수 있습니다. 이를 통해 각 동작이 올바르게 수행되는지 확인하는 동시에 시간에 따른 진행 상황을 추적할 수 있습니다.

그림 7. YOLO11은 포즈 추정을 사용해 운동을 모니터링할 수 있습니다.

YOLO11이 다양한 컴퓨터 비전 작업을 지원하는 방식 알아보기#

이제 YOLO11이 지원하는 모든 컴퓨터 비전 작업을 자세히 살펴보았으므로, YOLO11이 이러한 작업을 어떻게 지원하는지 알아보겠습니다.

YOLO11은 단일 모델이 아니라 특정 컴퓨터 비전 작업을 수행하도록 각각 설계된 전문 모델 변형들의 모음입니다. 따라서 YOLO11은 다양한 애플리케이션에 맞게 조정할 수 있는 다용도 도구입니다. 또한 맞춤형 데이터셋으로 이러한 모델을 파인튜닝하여 프로젝트의 고유한 문제를 해결할 수 있습니다.

다음은 특정 비전 작업을 위해 사전 학습된 YOLO11 모델 변형입니다.

• YOLO11: 여러 객체를 실시간으로 감지하고 레이블을 지정하므로 고속 시각 인식에 적합한 모델입니다.
• YOLO11-seg: 상세한 마스크를 사용해 객체를 배경에서 분리하는 세그멘테이션에 중점을 둔 변형입니다.
• YOLO11-obb: 각 객체의 방향에 맞게 정렬되는 바운딩 박스를 그려 회전된 객체를 감지하도록 설계된 모델입니다.
• YOLO11-cls: 전체 콘텐츠를 기반으로 하나의 범주 레이블을 할당하여 이미지를 분류하는 변형입니다.
• YOLO11-pose: 신체의 키포인트를 추정하여 자세, 팔다리의 위치, 움직임을 추적하는 모델입니다.

각 변형은 다양한 크기로 제공되므로 사용자는 특정 요구 사항에 맞춰 속도와 정확도 사이에서 적절한 균형을 선택할 수 있습니다.

핵심 요점#

컴퓨터 비전 작업은 기계가 세상을 이해하고 상호작용하는 방식을 바꾸고 있습니다. 이미지와 동영상을 핵심 요소로 분해함으로써 이러한 기술은 객체, 움직임, 상호작용을 더욱 상세하게 분석할 수 있도록 합니다.

교통 안전과 스포츠 경기력 향상부터 산업 프로세스 간소화까지, YOLO11과 같은 모델은 혁신을 이끄는 실시간 인사이트를 제공할 수 있습니다. Vision AI가 계속 발전함에 따라 우리가 매일 시각 데이터를 해석하고 사용하는 방식에서 점점 더 중요한 역할을 할 것으로 보입니다.

커뮤니티에 참여하고 GitHub 저장소를 방문하여 AI가 실제로 작동하는 모습을 확인해 보세요. 라이선스 옵션을 살펴보고 솔루션 페이지에서 농업 분야의 AI와 제조업의 컴퓨터 비전에 대해 자세히 알아보세요.