Ultralytics YOLO11이 앵커 프리 탐지기라는 점의 이점

비전 AI 모델의 역사를 돌아보면, 이미지나 비디오 내에서 객체를 식별하고 위치를 파악하는 핵심 컴퓨터 비전 작업인 객체 검출 개념은 1960년대부터 존재해 왔습니다. 하지만 오늘날 최첨단 혁신에서 객체 검출이 중요한 핵심 이유는 그동안 객체 검출 기법과 모델 아키텍처가 발전하고 빠르게 개선되어 왔기 때문입니다.

이전 아티클에서 우리는 객체 검출의 진화와 Ultralytics YOLO 모델에 이르게 된 과정을 논의했습니다. 오늘 우리는 이 여정에서 좀 더 구체적인 이 마일스톤, 즉 앵커 기반 검출기에서 앵커 프리 검출기로의 전환을 탐구하는 데 집중할 것입니다.

앵커 기반 검출기는 "앵커"라고 불리는 미리 정의된 박스에 의존하여 이미지 내 객체의 위치를 예측합니다. 대조적으로 앵커 프리 검출기는 이러한 미리 정의된 박스를 건너뛰고 대신 객체의 위치를 직접 예측합니다.

이러한 변화는 단순하고 논리적인 변경처럼 보일 수 있지만, 실제로는 객체 검출 정확도와 효율성에서 큰 향상을 이끌어냈습니다. 이 아티클에서는 Ultralytics YOLO11 같은 발전 양상을 통해 앵커 프리 검출기가 컴퓨터 비전을 어떻게 재정립했는지 알아봅니다.

앵커 기반 탐지기란 무엇입니까?#

앵커 기반 검출기는 앵커라고 알려진 미리 정의된 박스를 사용하여 이미지에서 객체의 위치를 찾는 데 도움을 줍니다. 이러한 앵커를 이미지 위에 배치된 다양한 크기와 모양의 박스 격자라고 생각하면 됩니다. 그런 다음 모델은 감지한 객체에 맞게 이 박스들을 조정합니다. 예를 들어, 모델이 자동차를 식별하면 자동차의 위치와 크기에 더 정확히 맞도록 앵커 박스를 수정합니다.

각 앵커는 이미지 내의 잠재적 객체와 연결되어 있으며, 훈련 중에 모델은 객체의 위치, 크기, 종횡비에 더 잘 맞도록 앵커 박스를 조정하는 방법을 학습합니다. 이를 통해 모델은 다양한 스케일과 방향에서 객체를 검출할 수 있습니다. 그러나 올바른 앵커 박스 세트를 선택하는 것은 시간이 오래 걸릴 수 있으며, 이를 미세 조정하는 과정은 오류가 발생하기 쉽습니다.

그림 1. 앵커 박스란 무엇인가요?

YOLOv4와 같은 앵커 기반 검출기는 많은 응용 분야에서 잘 작동해 왔지만, 몇 가지 단점이 있습니다. 예를 들어, 앵커 박스는 다양한 모양이나 크기의 객체와 항상 잘 정렬되지 않아 모델이 작거나 불규칙한 모양의 객체를 검출하기 어렵게 만듭니다. 앵커 박스 크기를 선택하고 미세 조정하는 과정 역시 시간이 많이 걸릴 수 있으며 많은 수작업 노력이 필요합니다. 그 외에도 앵커 기반 모델은 가려지거나 겹치는 객체를 검출하는 데 종종 어려움을 겪는데, 이는 미리 정의된 박스가 이러한 더 복잡한 시나리오에 잘 적응하지 못할 수 있기 때문입니다.

앵커 프리 객체 탐지로의 전환#

앵커 프리 탐지기는 2018년 CornerNet 및 CenterNet과 같은 모델들이 등장하면서 주목받기 시작했습니다. 이 모델들은 미리 정의된 앵커 박스의 필요성을 제거함으로써 객체 탐지에 대한 새로운 접근 방식을 취했습니다. 객체 위치를 예측하기 위해 다양한 크기와 모양의 앵커 박스에 의존하는 기존 모델들과 달리, 앵커 프리 모델은 객체 위치를 직접 예측합니다. 이들은 중심과 같은 객체의 주요 지점이나 특징에 집중하며, 이는 탐지 과정을 단순화하고 더 빠르고 정확하게 만듭니다.

앵커 프리 모델은 일반적으로 다음과 같이 작동합니다:

• 키포인트 검출: 미리 정의된 박스를 사용하는 대신, 일부 모델은 중심이나 특정 모서리 등 객체의 중요한 점을 식별합니다. 이러한 키포인트는 모델이 객체의 위치와 크기를 파악하는 데 도움을 줍니다.
• 중심 예측: 일부 모델은 객체의 중심을 예측하는 데 집중합니다. 중심이 파악되면 모델은 거기서부터 전체 객체의 크기와 위치를 예측할 수 있습니다.
• 히트맵 회귀: 많은 앵커 프리 모델은 각 픽셀이 객체의 잠재적 위치를 나타내는 히트맵을 사용합니다. 더 강한 히트맵 값은 해당 지점에 객체가 존재할 확률이 더 높다는 신뢰도를 나타냅니다.

그림 2. 앵커 기반 검출 대 앵커 프리 검출.

앵커 프리 모델은 앵커 박스에 의존하지 않기 때문에 설계가 더 단순합니다. 이는 계산적으로 더 효율적임을 의미합니다. 여러 앵커 박스를 처리할 필요가 없으므로 객체를 더 빠르게 탐지할 수 있으며, 이는 자율 주행 및 비디오 감시와 같은 실시간 응용 분야에서 중요한 장점입니다.

또한 앵커 프리 모델은 작거나, 불규칙하거나, 가려진 객체를 처리하는 능력이 훨씬 뛰어납니다. 앵커 박스에 맞추려고 애쓰는 대신 키포인트 검출에 집중하므로 유연성이 훨씬 높습니다. 이를 통해 앵커 기반 모델이 실패할 수 있는 복잡하거나 혼잡한 환경에서도 정확하게 객체를 검출할 수 있습니다.

Ultralytics YOLO11: 앵커 프리 탐지기#

원래 속도와 효율성을 위해 설계된 YOLO 모델은 앵커 기반 방식에서 앵커 프리 검출로 점진적으로 전환되어, Ultralytics YOLO11과 같은 모델이 더 빠르고 유연하며 다양한 실시간 애플리케이션에 더욱 적합해지도록 만들었습니다.

서로 다른 YOLO 버전 전반에서 앵커 프리 설계가 어떻게 발전했는지 간략히 살펴보겠습니다:

• Ultralytics YOLOv5u: 미리 정의된 앵커 박스의 필요성을 없앤 앵커 프리 스플릿 Ultralytics 헤드를 도입했습니다. 대신 모델이 이미지 내 객체의 위치를 직접 예측하여 프로세스를 단순화하고 유연성과 속도를 향상시킵니다.
• YOLOv6: 훈련 중에만 앵커를 사용하는 AAT(Anchor-Aided Training)라는 새로운 방법이 사용되었습니다. 이를 통해 모델은 훈련 중에 앵커 기반 방법의 구조로부터 이점을 얻는 동시에, 런타임에는 앵커 프리 검출을 사용하여 더 나은 속도와 적응성을 확보할 수 있었습니다.
• Ultralytics YOLOv8: 앵커 프리 스플릿 Ultralytics 헤드를 사용하여 완전히 앵커 프리 검출로 전환했습니다. 이는 특히 앵커 박스와 잘 맞지 않는 작거나 모양이 이상한 객체에 대해 모델을 더 빠르고 정확하게 만들었습니다.
• Ultralytics YOLO11: YOLOv8의 앵커 프리 접근 방식을 바탕으로 앵커 박스를 완전히 제거하여 검출을 더욱 최적화합니다. 그 결과 동물 행동 모니터링 및 소매 분석과 같은 실시간 응용 분야에서 더 빠르고 정확한 검출이 가능해졌습니다.

그림 3. Ultralytics YOLOv8과 Ultralytics YOLO11 비교.

Ultralytics YOLO11의 실제 애플리케이션#

Ultralytics YOLO11을 사용하는 앵커 프리(anchor-free) 탐지의 이점을 보여주는 좋은 예는 autonomous vehicles에서 찾아볼 수 있습니다. 자율주행 자동차에서는 보행자, 다른 차량, 장애물을 빠르고 정확하게 탐지하는 것이 안전을 위해 매우 중요합니다. YOLO11의 앵커 프리 접근 방식은 미리 정의된 앵커 박스에 의존하는 대신, 보행자의 중심이나 다른 차량의 경계와 같은 객체의 주요 지점을 직접 예측하여 탐지 과정을 단순화합니다.

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

Ultralytics YOLO11은 계산 비용이 많이 들고 속도가 느려질 수 있는 앵커 격자를 각 객체에 맞춰 조정하거나 맞출 필요가 없습니다. 대신 주요 특징에 집중하므로 더 빠르고 효율적입니다. 예를 들어 보행자가 차량의 주행 경로로 걸어 들어올 때, YOLO11은 사람이 부분적으로 가려져 있거나 움직이고 있더라도 주요 지점을 정확히 포착하여 위치를 신속하게 식별할 수 있습니다. 앵커 박스 없이 다양한 형태와 크기에 적응하는 이러한 능력 덕분에 YOLO11은 더 안정적이고 고속으로 객체를 탐지할 수 있으며, 이는 자율주행 시스템의 실시간 의사결정에 필수적입니다.

Ultralytics YOLO11의 앵커 프리 기능이 진가를 발휘하는 기타 애플리케이션은 다음과 같습니다:

• Retail and inventory management: Ultralytics YOLO11은 제품이 쌓여 있거나 일부 가려져 있는 경우에도 선반 위의 제품을 더 쉽게 모니터링할 수 있도록 해줍니다. 이는 더 빠르고 정확한 재고 추적을 돕고 오류를 줄여줍니다.
• 의료 영상: YOLO11은 의료 분야에서도 효과적이며, 의료 스캔에서 종양이나 기타 이상 징후를 검출할 수 있습니다. 불규칙한 모양의 객체와 함께 작동하는 능력은 복잡한 질환 진단의 정확도를 높이는 데 도움을 줍니다.
• Wildlife monitoring: 야생 생물 연구에서 Ultralytics YOLO11은 빽빽한 숲이나 험한 지형에서도 동물을 추적할 수 있어 연구자들이 행동을 모니터링하고 멸종 위기종을 보호하는 데 도움을 줍니다.
• Sports analytics: Ultralytics YOLO11은 스포츠 경기 중 실시간으로 선수, 공의 움직임 또는 기타 요소를 추적하는 데 사용되어 팀, 코치, 그리고 중계진에게 유용한 인사이트를 제공할 수 있습니다.

앵커 프리 모델로 작업할 때 고려해야 할 사항#

Ultralytics YOLO11과 같은 앵커 프리 모델은 많은 장점을 제공하지만, 특정 한계도 존재합니다. 고려해야 할 주요 실무적 사항 중 하나는 앵커 프리 모델조차도 가림 현상이나 심하게 겹치는 객체로 인해 어려움을 겪을 수 있다는 점입니다. 그 이유는 컴퓨터 비전이 인간의 시각을 모방하는 것을 목표로 하며, 우리가 가려진 객체를 식별하는 데 때때로 어려움을 겪는 것처럼 AI 모델도 유사한 과제에 직면할 수 있기 때문입니다.

또 다른 흥미로운 요소는 모델 예측의 처리와 관련이 있습니다. 앵커 프리 모델의 아키텍처가 앵커 기반보다 단순하지만, 특정 경우에는 추가적인 정제 과정이 필요해집니다. 예를 들어, 겹치는 예측을 정리하거나 혼잡한 장면에서 정확도를 높이기 위해 비최대억제(NMS)와 같은 후처리 기법이 필요할 수 있습니다.

Ultralytics YOLO11과 함께 AI의 미래를 확실히 정립하기#

앵커 기반에서 앵커 프리 검출로의 전환은 객체 검출 분야에서 중요한 발전이었습니다. Ultralytics YOLO11과 같은 앵커 프리 모델을 사용하면 프로세스가 단순화되어 정확도와 속도가 모두 향상됩니다.

Ultralytics YOLO11을 통해 우리는 빠고 정밀한 탐지가 필수적인 자율주행 자동차, 비디오 감시, 의료 영상 같은 실시간 애플리케이션에서 앵커 프리 객체 탐지가 어떻게 탁월한 성능을 발휘하는지 확인했습니다. 이 접근 방식을 통해 YOLO11은 다양한 객체 크기와 복잡한 시나리오에 더 쉽게 적응하며, 다양한 환경 전반에서 더 나은 성능을 제공합니다.

컴퓨터 비전이 계속 진화함에 따라 객체 탐지는 더욱 빠르고 유연하며 효율적으로 변화할 것입니다.

GitHub 저장소를 탐색하고 활기찬 커뮤니티에 참여하여 최신 AI 소식을 확인하세요. 비전 AI가 제조업 및 농업 같은 분야에 미치는 영향을 확인해 보세요.