Ultralytics YOLO11이 앵커 프리 디텍터로 제공하는 이점

Vision AI 모델의 역사를 되돌아보면, 이미지 또는 동영상 내의 객체를 식별하고 위치를 찾는 핵심 컴퓨터 비전 작업인 객체 감지의 개념은 1960년대부터 존재해 왔습니다. 그러나 오늘날 최첨단 혁신에서 객체 감지가 중요한 핵심 이유는 그 이후 객체 감지 기법과 모델 아키텍처가 발전하고 빠르게 개선되었기 때문입니다.

이전 글에서는 객체 감지의 발전과 Ultralytics YOLO 모델로 이어진 과정을 살펴보았습니다. 오늘은 이 여정에서 더욱 구체적인 이정표인 앵커 기반 detector에서 앵커 프리 detector로의 전환에 초점을 맞추겠습니다.

앵커 기반 detector는 이미지에서 객체가 있는 위치를 예측하기 위해 "앵커"라고 하는 사전 정의된 박스를 사용합니다. 반면 앵커 프리 detector는 이러한 사전 정의된 박스를 사용하지 않고 객체의 위치를 직접 예측합니다.

이러한 변화는 단순하고 논리적인 변경처럼 보일 수 있지만, 실제로는 객체 감지의 정확도와 효율성을 크게 향상시켰습니다. 이 글에서는 Ultralytics YOLO11과 같은 발전을 통해 앵커 프리 detector가 컴퓨터 비전을 어떻게 재편했는지 살펴보겠습니다.

앵커 기반 detector란 무엇인가요?#

앵커 기반 detector는 이미지에서 객체의 위치를 찾는 데 도움을 주기 위해 앵커라고 하는 사전 정의된 박스를 사용합니다. 이러한 앵커를 이미지 위에 배치된 다양한 크기와 형태의 박스 격자라고 생각해 보세요. 그러면 모델은 감지한 객체에 맞도록 이 박스들을 조정합니다. 예를 들어 모델이 자동차를 식별하면 자동차의 위치와 크기에 더 정확히 맞도록 앵커 박스를 수정합니다.

각 앵커는 이미지 내 가능한 객체 하나와 연결되며, 학습 과정에서 모델은 객체의 위치, 크기 및 종횡비에 더 잘 맞도록 앵커 박스를 조정하는 방법을 학습합니다. 이를 통해 모델은 다양한 크기와 방향의 객체를 감지할 수 있습니다. 그러나 적절한 앵커 박스 집합을 선택하는 데 시간이 오래 걸릴 수 있으며, 이를 미세 조정하는 과정에서 오류가 발생하기 쉽습니다.

그림 1. 앵커 박스란 무엇인가요?

YOLOv4와 같은 앵커 기반 detector는 다양한 애플리케이션에서 잘 작동해 왔지만, 몇 가지 단점도 있습니다. 예를 들어 앵커 박스는 다양한 형태나 크기의 객체와 항상 잘 정렬되는 것은 아니므로 모델이 작거나 불규칙한 형태의 객체를 감지하기가 더 어려워집니다. 앵커 박스 크기를 선택하고 미세 조정하는 과정에도 시간이 오래 걸릴 수 있으며 많은 수작업이 필요합니다. 이뿐만 아니라 앵커 기반 모델은 사전 정의된 박스가 더욱 복잡한 상황에 잘 맞게 조정되지 않을 수 있기 때문에 가려져 있거나 서로 겹치는 객체를 감지하는 데 어려움을 겪는 경우가 많습니다.

앵커 프리 객체 감지로의 전환#

앵커 프리 detector는 2018년 CornerNet과 CenterNet 같은 모델을 통해 주목받기 시작했습니다. 이러한 모델은 사전 정의된 앵커 박스의 필요성을 없애 객체 감지에 새로운 접근 방식을 적용했습니다. 다양한 크기와 형태의 앵커 박스에 의존해 객체의 위치를 예측하는 기존 모델과 달리, 앵커 프리 모델은 객체의 위치를 직접 예측합니다. 앵커 프리 모델은 객체의 중심과 같은 핵심 포인트나 특징에 집중하므로 감지 과정이 단순해지고 더 빠르고 정확해집니다.

앵커 프리 모델은 일반적으로 다음과 같이 작동합니다.

• 키포인트 감지: 일부 모델은 사전 정의된 박스를 사용하는 대신 객체의 중심이나 특정 모서리와 같은 중요한 포인트를 식별합니다. 이러한 핵심 포인트를 통해 모델은 객체의 위치와 크기를 파악할 수 있습니다.
• 중심 예측: 일부 모델은 객체의 중심을 예측하는 데 집중합니다. 중심을 찾으면 모델은 이를 바탕으로 객체 전체의 크기와 위치를 예측할 수 있습니다.
• 히트맵 회귀: 많은 앵커 프리 모델은 히트맵을 사용하며, 각 픽셀은 객체가 있을 가능성이 있는 위치를 나타냅니다. 히트맵 값이 클수록 해당 지점에 객체가 존재할 가능성이 높다는 의미입니다.

그림 2. 앵커 기반 감지와 앵커 프리 감지 비교

앵커 프리 모델은 앵커 박스에 의존하지 않으므로 설계가 더 단순합니다. 따라서 계산 효율성이 더 높습니다. 여러 앵커 박스를 처리할 필요가 없기 때문에 객체를 더 빠르게 감지할 수 있으며, 이는 자율 주행 및 동영상 감시와 같은 실시간 애플리케이션에서 중요한 이점입니다.

앵커 프리 모델은 작거나 불규칙하거나 가려진 객체를 처리하는 데에도 훨씬 뛰어납니다. 앵커 박스에 맞추기보다 핵심 포인트 감지에 집중하므로 훨씬 유연합니다. 따라서 앵커 기반 모델이 실패할 수 있는 복잡하거나 객체가 뒤섞인 환경에서도 객체를 정확하게 감지할 수 있습니다.

Ultralytics YOLO11: 앵커 프리 detector#

YOLO 모델은 처음부터 속도와 효율성을 위해 설계되었으며, 점차 앵커 기반 방식에서 앵커 프리 감지로 전환해 왔습니다. 이에 따라 Ultralytics YOLO11과 같은 모델은 더 빠르고 유연해졌으며 다양한 실시간 애플리케이션에 더욱 적합해졌습니다.

다양한 YOLO 버전에서 앵커 프리 설계가 어떻게 발전해 왔는지 간단히 살펴보겠습니다.

• Ultralytics YOLOv5u: 앵커 프리 분할 Ultralytics Head를 도입하여 사전 정의된 앵커 박스의 필요성을 없앴습니다. 대신 모델이 이미지 내 객체의 위치를 직접 예측하므로 과정이 단순해지고 유연성과 속도가 향상되었습니다.
• YOLOv6: 앵커를 학습 중에만 사용하는 Anchor-Aided Training(AAT)이라는 새로운 방법을 사용했습니다. 이를 통해 모델은 학습 중 앵커 기반 방식의 구조를 활용하면서도 런타임에는 앵커 프리 감지를 사용하여 더 나은 속도와 적응성을 확보할 수 있었습니다.
• Ultralytics YOLOv8: 앵커 프리 분할 Ultralytics Head를 사용하여 앵커 프리 감지로 완전히 전환했습니다. 이로 인해 모델이 더 빠르고 정확해졌으며, 특히 앵커 박스에 잘 맞지 않는 작거나 비정상적인 형태의 객체를 감지하는 성능이 향상되었습니다.
• Ultralytics YOLO11: YOLOv8의 앵커 프리 접근 방식을 기반으로 앵커 박스를 완전히 제거하여 감지를 더욱 최적화했습니다. 그 결과 동물 행동 모니터링 및 리테일 분석과 같은 실시간 애플리케이션에서 더 빠르고 정확한 감지가 가능합니다.

그림 3. Ultralytics YOLOv8과 Ultralytics YOLO11 비교

Ultralytics YOLO11의 실제 활용 사례#

Ultralytics YOLO11을 사용한 앵커 프리 감지의 이점을 보여 주는 대표적인 사례는 자율 주행 차량입니다. 자율 주행 자동차에서는 보행자, 다른 차량 및 장애물을 빠르고 정확하게 감지하는 것이 안전에 매우 중요합니다. YOLO11의 앵커 프리 접근 방식은 사전 정의된 앵커 박스에 의존하는 대신 보행자의 중심이나 다른 차량의 경계와 같은 객체의 핵심 포인트를 직접 예측하여 감지 과정을 단순화합니다.

그림 4. Ultralytics YOLO11에서 앵커 프리 감지의 이점(이미지 작성자 제공)

Ultralytics YOLO11은 각 객체에 맞게 앵커 격자를 조정하거나 맞출 필요가 없으므로 계산 비용과 처리 시간이 줄어듭니다. 대신 핵심 특징에 집중하여 더 빠르고 효율적으로 작동합니다. 예를 들어 보행자가 차량의 경로에 들어오면 사람이 일부 가려져 있거나 움직이는 경우에도 YOLO11은 핵심 포인트를 찾아 위치를 빠르게 식별할 수 있습니다. 앵커 박스 없이 다양한 형태와 크기에 적응할 수 있으므로 YOLO11은 객체를 더 안정적으로, 더 빠른 속도로 감지할 수 있으며, 이는 자율 주행 시스템의 실시간 의사 결정에 필수적입니다.

Ultralytics YOLO11의 앵커 프리 기능이 특히 돋보이는 다른 애플리케이션은 다음과 같습니다.

• 리테일 및 재고 관리: Ultralytics YOLO11을 사용하면 제품이 쌓여 있거나 일부 가려진 경우에도 진열대의 제품을 더 쉽게 모니터링할 수 있습니다. 이를 통해 재고를 더 빠르고 정확하게 추적하고 오류를 줄일 수 있습니다.
• 의료 영상: YOLO11은 의료 영상에서 종양이나 기타 이상을 감지할 수 있어 헬스케어 분야에서도 효과적입니다. 불규칙한 형태의 객체를 처리하는 능력은 복잡한 질환을 진단할 때 정확도를 높이는 데 도움이 됩니다.
• 야생동물 모니터링: 야생동물 연구에서 Ultralytics YOLO11은 울창한 숲이나 험난한 지형에서도 동물을 추적하여 연구자가 행동을 모니터링하거나 멸종 위기종을 보호하는 데 도움을 줄 수 있습니다.
• 스포츠 분석: Ultralytics YOLO11은 스포츠 경기 중 선수, 공의 움직임 또는 기타 요소를 실시간으로 추적하여 팀, 코치 및 방송사에 유용한 인사이트를 제공하는 데 사용할 수 있습니다.

앵커 프리 모델을 사용할 때 고려할 사항#

Ultralytics YOLO11과 같은 앵커 프리 모델은 많은 이점을 제공하지만 특정한 한계도 있습니다. 실무에서 고려해야 할 주요 사항 중 하나는 앵커 프리 모델도 가려진 객체나 서로 크게 겹치는 객체를 처리하는 데 어려움을 겪을 수 있다는 점입니다. 그 이유는 컴퓨터 비전이 인간의 시각을 모방하려 하기 때문이며, 우리가 가려진 객체를 식별하는 데 어려움을 겪을 때가 있는 것처럼 AI 모델도 유사한 문제에 직면할 수 있습니다.

또 다른 흥미로운 요소는 모델 예측의 처리와 관련이 있습니다. 앵커 프리 모델의 아키텍처는 앵커 기반 모델보다 단순하지만, 특정 상황에서는 추가적인 정제가 필요합니다. 예를 들어 비최대 억제(NMS)와 같은 후처리 기법을 사용하여 겹치는 예측을 정리하거나 복잡한 장면에서 정확도를 향상해야 할 수 있습니다.

Ultralytics YOLO11로 AI의 미래를 향해 나아가기#

앵커 기반 감지에서 앵커 프리 감지로의 전환은 객체 감지 분야에서 중요한 발전이었습니다. Ultralytics YOLO11과 같은 앵커 프리 모델을 사용하면 과정이 단순해져 정확도와 속도가 모두 향상됩니다.

Ultralytics YOLO11을 통해 빠르고 정밀한 감지가 중요한 자율 주행 자동차, 동영상 감시 및 의료 영상과 같은 실시간 애플리케이션에서 앵커 프리 객체 감지가 뛰어난 성능을 발휘하는 것을 확인할 수 있습니다. 이 접근 방식은 YOLO11이 다양한 객체 크기와 복잡한 장면에 더 쉽게 적응하도록 하여 여러 환경에서 더 나은 성능을 제공합니다.

컴퓨터 비전이 계속 발전함에 따라 객체 감지는 더욱 빠르고 유연하며 효율적으로 발전할 것입니다.

GitHub 저장소를 살펴보고 활발한 커뮤니티에 참여하여 AI와 관련된 모든 최신 소식을 확인해 보세요. 비전 AI가 제조 및 농업과 같은 분야에 어떤 영향을 미치는지도 확인해 보세요.