Ultralytics YOLO11이 앵커 프리 감지기라는 점의 이점

비전 AI 모델의 역사를 되돌아보면, 이미지나 동영상에서 객체를 식별하고 위치를 찾는 핵심 컴퓨터 비전 작업인 객체 감지의 개념은 1960년대부터 존재했습니다. 오늘날 객체 감지 기법과 모델 아키텍처가 그 이후 크게 발전했다는 점에서 그 중요성을 확인할 수 있습니다.

이전 글에서는 객체 감지의 발전 과정과 Ultralytics YOLO 모델로 이어진 경로를 살펴봤습니다. 오늘은 이 여정에서 더 구체적인 이정표인 앵커 기반 감지기에서 앵커 프리 감지기로의 전환을 집중적으로 살펴보겠습니다.

앵커 기반 감지기는 이미지에서 객체의 위치를 예측하기 위해 "앵커"라고 하는 사전 정의된 박스에 의존합니다. 반면 앵커 프리 감지기는 이러한 사전 정의된 박스를 사용하지 않고 객체 위치를 직접 예측합니다.

이러한 전환은 단순하고 논리적인 변화처럼 보일 수 있지만, 실제로 객체 감지의 정확도와 효율성을 크게 향상시켰습니다. 이 글에서는 Ultralytics YOLO11과 같은 발전을 통해 앵커 프리 감지기가 컴퓨터 비전을 어떻게 변화시켰는지 살펴보겠습니다.

앵커 기반 감지기란 무엇인가요?#

앵커 기반 감지기는 앵커라고 하는 사전 정의된 박스를 사용해 이미지에서 객체의 위치를 찾습니다. 앵커는 이미지 위에 배치된 다양한 크기와 형태의 박스 그리드라고 생각할 수 있습니다. 그런 다음 모델은 감지한 객체에 맞도록 이 박스를 조정합니다. 예를 들어 모델이 자동차를 식별하면 자동차의 위치와 크기에 더 정확히 맞도록 앵커 박스를 수정합니다.

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

그림 1. 앵커 박스란 무엇인가요?

YOLOv4와 같은 앵커 기반 감지기는 여러 애플리케이션에서 효과적으로 작동했지만 단점도 있습니다. 예를 들어 앵커 박스는 다양한 형태나 크기의 객체에 항상 잘 맞는 것은 아니므로 모델이 작거나 불규칙한 형태의 객체를 감지하기 어려울 수 있습니다. 앵커 박스 크기를 선택하고 미세 조정하는 과정도 시간이 오래 걸리고 많은 수작업이 필요합니다. 이뿐만 아니라 사전 정의된 박스가 복잡한 상황에 잘 대응하지 못할 수 있어, 앵커 기반 모델은 가려지거나 서로 겹친 객체를 감지하는 데 어려움을 겪는 경우가 많습니다.

앵커 프리 객체 감지로의 전환#

앵커 프리 감지기는 2018년 CornerNet과 CenterNet 같은 모델이 등장하면서 주목받기 시작했습니다. 이 모델들은 사전 정의된 앵커 박스가 필요 없는 새로운 방식으로 객체 감지를 수행했습니다. 객체 위치를 예측하기 위해 다양한 크기와 형태의 앵커 박스에 의존하는 기존 모델과 달리 앵커 프리 모델은 객체의 위치를 직접 예측합니다. 객체의 중심과 같은 핵심 지점이나 특징에 초점을 맞추므로 감지 과정이 간소화되고 더 빠르고 정확해집니다.

앵커 프리 모델의 일반적인 작동 방식은 다음과 같습니다.

• 키포인트 감지: 사전 정의된 박스를 사용하는 대신, 일부 모델은 객체의 중심이나 특정 모서리와 같은 중요 지점을 식별합니다. 이러한 키포인트를 통해 모델은 객체의 위치와 크기를 파악할 수 있습니다.
• 중심점 예측: 일부 모델은 객체의 중심점을 예측하는 데 초점을 맞춥니다. 중심점을 찾은 다음에는 이를 바탕으로 객체 전체의 크기와 위치를 예측할 수 있습니다.
• 히트맵 회귀: 많은 앵커 프리 모델은 각 픽셀이 객체가 있을 수 있는 위치를 나타내는 히트맵을 사용합니다. 히트맵 값이 클수록 해당 지점에 객체가 있을 가능성이 높다는 뜻입니다.

그림 2. 앵커 기반 감지와 앵커 프리 감지 비교.

앵커 프리 모델은 앵커 박스에 의존하지 않으므로 설계가 더 단순합니다. 따라서 연산 효율성이 높습니다. 여러 앵커 박스를 처리할 필요가 없어 객체를 더 빠르게 감지할 수 있으며, 이는 자율주행이나 영상 감시와 같은 실시간 애플리케이션에서 중요한 이점입니다.

앵커 프리 모델은 작고 불규칙하거나 가려진 객체를 처리하는 데도 훨씬 뛰어납니다. 앵커 박스에 맞추기보다 키포인트 감지에 집중하므로 유연성이 훨씬 높습니다. 따라서 앵커 기반 모델이 실패할 수 있는 복잡하거나 객체가 많은 환경에서도 객체를 정확하게 감지할 수 있습니다.

Ultralytics YOLO11: 앵커 프리 감지기#

속도와 효율성을 위해 처음 설계된 YOLO 모델은 점차 앵커 기반 방식에서 앵커 프리 감지로 전환되었습니다. 그 결과 Ultralytics YOLO11과 같은 모델은 더 빠르고 유연해졌으며 다양한 실시간 애플리케이션에 더 적합해졌습니다.

YOLO 버전별 앵커 프리 설계의 발전을 간단히 살펴보겠습니다.

• Ultralytics YOLOv5u: YOLOv8에서 처음 도입된 앵커 프리 분리형 Ultralytics 헤드를 채택해 사전 정의된 앵커 박스가 필요하지 않습니다. 모델이 이미지 내 객체의 위치를 직접 예측하므로 과정이 단순해지고 유연성과 속도가 향상됩니다.
• YOLOv6: 앵커 지원 학습(AAT)이라는 새로운 방식을 사용해 학습 중에만 앵커를 활용했습니다. 이 방식은 학습 시 앵커 기반 방식의 구조적 이점을 활용하면서도 런타임에는 앵커 프리 감지를 사용해 속도와 적응성을 높였습니다.
• Ultralytics YOLOv8: 앵커 프리 분할 Ultralytics 헤드를 사용해 완전히 앵커 프리 감지로 전환했습니다. 그 결과 모델이 더 빠르고 정확해졌으며, 특히 앵커 박스에 잘 맞지 않는 작거나 형태가 불규칙한 객체를 감지하는 성능이 향상됐습니다.
• Ultralytics YOLO11: YOLOv8의 앵커 프리 설계를 유지하면서 백본과 넥을 개선했습니다. 그 결과 동물 행동 모니터링과 소매 분석과 같은 실시간 애플리케이션에서 더 빠르고 정확하게 감지할 수 있습니다.

그림 3. Ultralytics YOLOv8과 Ultralytics YOLO11 비교.

Ultralytics YOLO11의 실제 적용 사례#

Ultralytics YOLO11을 사용한 앵커 프리 탐지의 이점을 잘 보여주는 사례는 자율주행차입니다. 자율주행차에서는 보행자, 다른 차량, 장애물을 빠르고 정확하게 탐지하는 것이 안전에 매우 중요합니다. YOLO11의 앵커 프리 방식은 미리 정의된 앵커 박스에 의존하는 대신 보행자의 중심이나 다른 차량의 경계와 같은 객체의 핵심 지점을 직접 예측하여 탐지 과정을 간소화합니다.

그림 4. Ultralytics YOLO11의 앵커 프리 탐지 이점(이미지 작성자 제공).

Ultralytics YOLO11은 각 객체에 맞게 앵커 그리드를 조정하거나 맞출 필요가 없으므로, 계산 비용과 처리 시간이 줄어듭니다. 대신 핵심 특징에 집중하여 더 빠르고 효율적으로 작동합니다. 예를 들어 보행자가 차량의 주행 경로에 들어오면 YOLO11은 사람이 부분적으로 가려져 있거나 움직이는 경우에도 핵심 지점을 파악해 위치를 신속하게 식별할 수 있습니다. 앵커 박스 없이 다양한 모양과 크기에 적응하는 능력 덕분에 YOLO11은 객체를 더 안정적으로, 더 빠르게 탐지할 수 있으며, 이는 자율주행 시스템의 실시간 의사결정에 매우 중요합니다.

Ultralytics YOLO11의 앵커 프리 기능이 특히 돋보이는 다른 적용 분야는 다음과 같습니다.

• 소매 및 재고 관리: Ultralytics YOLO11을 사용하면 선반에 쌓여 있거나 일부 가려진 제품도 더 쉽게 모니터링할 수 있습니다. 이를 통해 재고를 더 빠르고 정확하게 추적하고 오류를 줄일 수 있습니다.
• 의료 영상: YOLO11은 종양이나 기타 이상 징후를 의료 스캔 영상에서 탐지할 수 있어 의료 분야에서도 효과적입니다. 불규칙한 형태의 객체를 처리하는 능력은 복잡한 질환의 진단 정확도를 높이는 데 도움이 됩니다.
• 야생동물 모니터링: 야생동물 연구에서 Ultralytics YOLO11은 울창한 숲이나 험난한 지형에서 동물을 추적하여 연구자가 동물의 행동을 관찰하거나 멸종 위기종을 보호하도록 지원할 수 있습니다.
• 스포츠 분석: Ultralytics YOLO11은 스포츠 경기 중 선수와 공의 움직임 또는 기타 요소를 실시간으로 추적하여 팀과 코치, 방송사에 유용한 인사이트를 제공할 수 있습니다.

앵커 프리 모델 사용 시 고려 사항#

Ultralytics YOLO11과 같은 앵커 프리 모델은 많은 장점을 제공하지만, 몇 가지 한계도 있습니다. 실무에서 고려해야 할 주요 사항 중 하나는 앵커 프리 모델도 가림이나 심하게 겹친 객체를 처리하는 데 어려움을 겪을 수 있다는 점입니다. 컴퓨터 비전은 사람의 시각을 모방하는 것을 목표로 하므로, 사람이 가려진 객체를 식별하는 데 어려움을 겪을 때 AI 모델도 비슷한 문제에 직면할 수 있습니다.

또 다른 흥미로운 요소는 모델 예측을 처리하는 방식입니다. 앵커 프리 모델의 아키텍처는 앵커 기반 모델보다 단순하지만, 특정 상황에서는 추가적인 개선이 필요합니다. 예를 들어 비최대 억제(NMS)와 같은 후처리 기법을 사용해 겹치는 예측을 정리하거나 객체가 많은 장면의 정확도를 높여야 할 수 있습니다. Ultralytics YOLO26과 같은 최신 모델은 종단 간 NMS 프리 설계로 이 단계를 제거합니다.

Ultralytics YOLO11과 함께 AI의 미래를 향해 나아가기#

앵커 기반 탐지에서 앵커 프리 탐지로의 전환은 객체 탐지 분야의 중요한 발전이었습니다. Ultralytics YOLO11과 같은 앵커 프리 모델은 과정을 간소화하여 정확도와 속도를 모두 향상합니다.

Ultralytics YOLO11을 통해 자율주행차, 영상 감시, 의료 영상처럼 빠르고 정밀한 탐지가 중요한 실시간 애플리케이션에서 앵커 프리 객체 탐지가 탁월한 성능을 발휘하는 것을 확인했습니다. 이 방식 덕분에 YOLO11은 다양한 객체 크기와 복잡한 장면에 더 쉽게 적응하여 여러 환경에서 더 나은 성능을 제공합니다.

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

AI 전반에 관한 최신 소식을 확인하려면 GitHub 리포지토리를 살펴보고 활발한 커뮤니티에 참여하세요. 비전 AI가 제조업 및 농업과 같은 분야에 어떤 영향을 미치는지 알아보세요.