YOLO 비전 2025에 주목하세요!
2025년 9월 25일
10:00 - 18:00 BST
하이브리드 이벤트
눈은 다른 자연 표면과 마찬가지로 야생동물의 활동 기록을 남길 수 있습니다. 예를 들어, 눈에 남겨진 발자국을 통해 어떤 동물이 지나갔는지, 어떻게 이동했는지, 무엇을 하고 있었는지를 알 수 있습니다.
수십 년 동안 등산객, 사냥꾼, 연구자들은 야생 동물의 행동에 대해 더 많은 것을 알기 위해 이 지문을 연구해 왔습니다. 하지만 이 과정이 항상 신뢰할 수 있는 것은 아닙니다. 눈이 움직이거나 바람에 의해 세부 사항이 흐려질 수 있으며, 발자국이 겹치면 식별이 어려울 수 있습니다. 훈련된 관찰자조차도 중요한 패턴을 간과할 수 있습니다.
기술의 발전으로 이러한 신호를 더 쉽게 해석할 수 있게 되었습니다. 특히 컴퓨터 비전은 기계가 시각 데이터를 정확하고 빠르게 분석할 수 있게 해주는 AI의 한 분야로, 동물의 발자국을 감지하고 이해하는 데 사용할 수 있습니다. 예를 들어, Ultralytics YOLO11과 같은 모델은 동물 발자국 이미지에서 모양과 패턴을 감지하도록 학습시킬 수 있습니다.
이 글에서는 눈 속 동물 발자국이 어떻게 보존되는지, 발자국이 야생동물에 대해 알려주는 것은 무엇인지, 컴퓨터 비전을 통해 어떻게 더 효율적으로 추적할 수 있는지 살펴봅니다.
동물 발자국은 동물이 눈, 흙, 진흙 등의 표면을 이동할 때 남기는 흔적입니다. 적절한 눈 상태에서는 발톱 자국, 발가락 패드, 앞발과 뒷발의 차이 등 흙이나 풀에서는 감지하기 어려운 선명한 디테일을 보존할 수 있습니다.
.png)
동물의 종을 식별하는 것 외에도 흔적의 간격, 배열, 미묘한 변화는 연구자들에게 움직임, 행동, 환경과의 상호작용에 대해 많은 것을 알려주며 연구자, 등산객, 야생동물 애호가에게 동물 활동에 대한 귀중한 통찰력을 제공합니다.
다음은 연구자들이 트랙을 읽을 때 찾는 주요 기능 중 일부입니다:
눈 위의 모든 발자국은 동물의 이야기를 담고 있습니다. 각 발자국의 크기와 모양, 앞발과 뒷발의 차이, 발톱 자국의 유무에 따라 동물의 종, 걸음걸이, 체중 분포 등을 알 수 있습니다. 예를 들어 여우와 코요테는 발톱 자국이 뚜렷하게 남는 반면 살쾡이와 퓨마는 발톱 자국이 남지 않는 경우가 많습니다.
흔적은 그 자체로 나타나는 경우는 거의 없습니다. 배설물, 털 조각, 꼬리 끌기, 인근 굴 입구와 같은 단서가 중요한 맥락을 제공하는 경우가 많습니다. 눈 상태와 겹치는 흔적은 세부 사항을 흐릿하게 만들 수 있으므로 추적자는 여러 가지 징후를 함께 사용하여 더 명확한 그림을 구축합니다. 눈 위에서 발자국을 배열하는 방식은 동물이 어디로 갔는지뿐만 아니라 동물이 어떻게 움직이고 행동했는지를 강조하는 데 특히 유용합니다.
다음은 눈에서 흔히 볼 수 있는 동물의 흔적 패턴입니다:
발자국과 관련된 다양한 단서가 있음에도 불구하고 눈 속에서 동물을 추적하는 것은 여전히 복잡할 수 있습니다. 눈 상태는 발자국이 나타나는 방식에 영향을 미칩니다. 신선한 눈은 디테일을 보존하는 반면, 딱딱하거나 녹거나 새로 내린 눈은 흔적을 왜곡하거나 가릴 수 있습니다.
바람과 햇빛으로 인해 가장자리가 흐려지고 여러 동물의 경로가 겹쳐 혼란을 야기할 수 있으므로 날씨도 중요한 역할을 합니다. 이 외에도 동물의 행동이 예측 불가능성을 더합니다.
스컹크나 흑곰과 같은 일부 종은 겨울에 동면하는 반면, 다른 종은 불규칙적으로 움직이거나 흔적을 남깁니다. 한편, 숲에서는 사슴, 무스, 엘크의 흔적이 작은 동물이나 포식자와 교차하는 경우가 많으며 배설물, 털, 꼬리 끌기와 같은 추가 징후를 통해 움직임과 행동을 파악할 수 있습니다.
눈 속 동물 발자국 분석의 어려움을 해결하기 위해 연구자들은 컴퓨터 비전과 같은 첨단 기술을 활용하기 시작했습니다. 예를 들어, 연구자들은 개별 발자국을 감지하고 위치를 파악하고, 겹치는 발자국을 구분하고, 맞춤형 데이터 세트를 학습하여 발톱 자국이나 걸음걸이 패턴과 같은 종별 특징을 인식할 수 있는 컴퓨터 비전 모델을 연구하고 있습니다.
특히, Ultralytics YOLO11과 같은 모델은 개별 발자국을 식별하고 위치를 파악하는 데 사용할 수 있는 물체 감지, 겹치는 트랙을 분리할 수 있는 인스턴스 분할과 같은 컴퓨터 비전 작업을 지원합니다. 연구자들은 동물 발자국의 맞춤형 데이터 세트에 대해 YOLO11과 같은 모델을 훈련함으로써 종별 패턴을 더 쉽게 인식하고, 겹치는 발자국을 구분하며, 수동 관찰보다 더 일관된 결과를 생성할 수 있습니다.
컴퓨터 비전으로 동물 발자국을 추적하는 방법을 살펴봤으니 이제 이 기술이 실제 연구에 어떻게 적용되고 있는지 살펴보겠습니다.
수년 동안 대부분의 발자국 연구는 발자국 식별 기술(FIT)에 의존해 왔습니다. FIT는 각 발자국의 특정 지점을 표시하고 그 측정값을 사용해 동물을 구분하는 방식으로 작동합니다. 효과적이기는 하지만, 이 과정은 느리고 숙련된 전문가가 필요하며 야생에서 수천 개의 발자국을 분석할 때는 실용적이지 않습니다.
중국 북동부의 아무르 호랑이에 대한 최근 연구에서는 FIT가 눈 속 발자국에서도 개체를 식별할 수 있어 멸종 위기에 처한 포식자를 모니터링하는 신뢰할 수 있고 비침습적인 방법을 제공한다는 사실을 입증했습니다.
.jpg)
그러나 연구자들은 노동 집약적이고 확장하기 어렵다는 한계도 강조했습니다. 중요한 점은 향후 컴퓨터 비전이 이 프로세스를 자동화하여 훨씬 더 큰 데이터 세트를 처리하면서 수동 측정의 필요성을 줄일 수 있다는 점입니다.
이러한 변화는 이미 진흙, 모래, 눈 위에서 18개 종의 수천 개의 라벨이 붙은 발자국이 포함된 공개 데이터 세트인 OpenAnimalTracks와 같은 프로젝트에서 시작되고 있습니다. 이러한 리소스를 통해 Vision AI 모델을 학습시켜 발자국을 자동으로 감지하고 분류할 수 있으므로 야생동물을 더 빠르고 쉽게 모니터링할 수 있습니다.
FIT의 토대를 구축하고 이를 개방형 데이터 세트 및 컴퓨터 비전과 결합함으로써 동물 보호 연구는 동물 자체를 방해하지 않으면서도 종을 추적하고 생태계를 보호할 수 있는 확장 가능한 시스템으로 나아가고 있습니다.
눈 속의 동물 발자국은 동물이 어떻게 움직이고 행동하며 서식지를 이용하는지를 보여줍니다. 손으로 일일이 읽어내려면 인내심과 경험이 필요하지만, 컴퓨터 비전을 활용하면 보다 효율적으로 작업할 수 있습니다. YOLO11과 같은 도구를 인간의 지식과 함께 사용하면 야생동물 모니터링이 더욱 간소화되고, 보호 노력에 도움이 되며, 종 보호에 유용한 데이터를 제공할 수 있습니다.
성장하는 커뮤니티에 참여하세요! AI에 대해 자세히 알아보려면 GitHub 리포지토리를 살펴보세요. 솔루션 페이지를 방문하여 제조 분야의 컴퓨터 비전과 물류 분야의 AI에 대해 알아보세요. 컴퓨터 비전으로 구축을 시작하려면 라이선스 옵션을 확인하세요.
