Apple 실리콘 칩을 사용하는 iOS 앱을 위한 최고의 객체 감지 모델

Android 기기와 iPhone은 일상생활에 꼭 필요한 기기가 되었습니다. 사람들은 하루 종일 이를 사용해 쇼핑하고, 길을 찾고, 사진을 촬영하고, 제품을 스캔하고, 앱과 상호작용합니다.

인공지능이 빠르게 발전하면서 이제 많은 스마트폰에는 기기의 카메라로 촬영한 이미지와 동영상을 이해할 수 있는 기능이 포함되어 있습니다. 이러한 기능을 효율적으로 실행할 수 있는지는 주로 기반 하드웨어에 따라 결정됩니다.

예를 들어 Apple 생태계에서는 iPhone, iPad, Mac과 같은 기기가 A 시리즈 및 M 시리즈를 포함한 Apple Silicon 칩으로 구동됩니다. 이러한 시스템 온 칩(SoC) 설계에는 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU), 전용 머신 러닝 가속기가 통합되어 있어 AI 워크로드를 위한 온디바이스 추론이 가능합니다.

특히 이미지 분석 기능은 컴퓨터 비전을 통해 구현됩니다. 컴퓨터 비전은 객체 검출과 같은 작업을 사용하여 기계가 이미지와 동영상의 시각 정보를 해석하고 이해할 수 있도록 하는 AI 분야입니다.

구체적으로 객체 검출 모델은 이미지를 분석하고 객체 주위에 바운딩 박스를 그려 객체를 식별합니다. 이러한 모델은 Apple Silicon 칩과 같은 모바일 하드웨어에서 효율적으로 실행되도록 최적화할 수 있으므로, iOS 기기에서 직접 실시간 시각 분석을 수행할 수 있습니다.

그림 1. 바운딩 박스로 객체를 식별한 객체 검출 예시입니다. (출처)

이 글에서는 빠른 실시간 iOS 앱을 구축하는 데 적합한 최고의 객체 검출 모델을 살펴봅니다. 시작해 보겠습니다!

iOS 기기에서 객체 검출기가 작동하는 방식#

객체 검출은 앱이 이미지 속 객체를 인식하고 위치를 파악하도록 지원합니다. 앱이 입력 이미지를 처리하면 객체 검출 모델은 장면을 분석하고 객체 주위에 바운딩 박스를 배치한 후 레이블을 할당하여 다양한 객체를 식별할 수 있습니다.

대부분의 객체 검출 시스템은 학습 데이터의 패턴을 인식할 수 있는 신경망에 의존합니다. 이미지 작업의 경우 이러한 모델은 대규모 학습 데이터셋의 픽셀 수준 정보를 분석하여 시각적 표현을 학습합니다.

합성곱 신경망(CNNs)은 객체 검출 모델의 백본으로 자주 사용됩니다. CNNs는 에지, 형태, 텍스처와 같은 계층적 시각 특징을 학습하므로 이미지 예측에 뛰어나며, 이러한 특징은 모델이 장면 안의 객체를 인식하는 데 도움이 됩니다.

연구자들은 컴퓨터 비전 작업을 위한 Transformer 기반 아키텍처도 연구하고 있습니다. 이러한 모델은 이미지의 여러 영역 사이의 관계를 분석하고 장면 전반의 더 광범위한 맥락 정보를 포착합니다.

모델 아키텍처의 유형 외에도 효율성은 iOS 기기에서 객체 검출을 수행할 때 중요한 고려 사항입니다. 이러한 모델은 모바일 기기에서 직접 실행되므로 제한된 컴퓨팅 리소스를 사용하면서 이미지를 빠르게 처리해야 합니다.

효율적인 모델은 낮은 지연 시간을 유지하고 모바일 앱에서 실시간 객체 검출을 지원하며, 특히 연속적인 카메라 입력을 분석할 때 유용합니다.

iOS에 적합한 객체 검출 모델의 조건은 무엇인가요?#

iOS에 적합한 최고의 객체 검출 모델을 살펴보기 전에 잠시 한 걸음 물러나 모바일 애플리케이션에 적합한 모델의 조건을 알아보겠습니다.

iOS 앱에 이상적인 객체 검출 모델은 성능, 효율성, 안정성 사이의 균형을 유지합니다. 다음은 iOS 배포에 적합한 강력한 모델을 정의하는 주요 요소입니다:

• 낮은 지연 시간: 모델은 실시간 객체 검출을 지원하도록 이미지를 빠르게 처리해야 하며, 특히 연속적인 카메라 입력에 의존하는 애플리케이션에서 중요합니다.
• 효율적인 모델 크기: 소형 모델은 모바일 기기에서 더 효율적으로 실행되며 일반적으로 더 적은 메모리와 컴퓨팅 리소스를 필요로 합니다.
• 검출 정확도: 정확한 검출은 객체이 올바르게 분류되고 다양한 장면, 객체 크기, 조명 조건에서 바운딩 박스가 정밀하게 유지되도록 합니다.
• 추론 안정성: 프레임 간 일관된 추론 시간은 실시간 애플리케이션에서 중요합니다. 처리 시간의 큰 변동은 프레임 드롭이나 불안정한 카메라 경험을 초래할 수 있습니다.
• 메모리 사용량: 추론 중 필요한 RAM의 양은 iOS 기기에서 다른 앱 프로세스와 함께 모델이 얼마나 원활하게 실행되는지에 영향을 줍니다.

iOS를 위한 최고의 객체 검출 모델 살펴보기#

이제 iOS 기기에서 널리 사용되는 객체 검출 모델을 몇 가지 살펴보겠습니다.

1. Ultralytics YOLO 모델#

Ultralytics YOLO 모델은 실시간 컴퓨터 비전 애플리케이션을 위해 설계된 인기 있는 객체 검출 모델 제품군입니다. 수년에 걸쳐 Ultralytics는 Ultralytics YOLOv5, Ultralytics YOLOv8, Ultralytics YOLO11, 그리고 최신 최첨단 모델인 Ultralytics YOLO26과 같은 비전 모델을 출시했습니다.

새로운 릴리스가 나올 때마다 검출 정확도, 모델 효율성, 런타임 성능이 개선되었습니다. 이러한 업데이트를 통해 Ultralytics YOLO 모델은 스마트폰과 같은 엣지 기기에 점점 더 적합해졌습니다.

그림 2. YOLO26은 실제 장면에서 여러 객체를 검출하는 데 사용할 수 있습니다. (출처)

iOS 앱에 Ultralytics YOLO 모델을 사용할 때의 주요 이점 중 하나는 Ultralytics Python 패키지를 통해 제공되는 CoreML 통합입니다. 이 오픈 소스 라이브러리를 사용하면 개발자가 간단한 워크플로로 Ultralytics YOLO 모델을 학습하고, 테스트하고, 내보낼 수 있습니다.

이 패키지는 학습된 모델을 Apple의 머신 러닝 형식인 CoreML로 내보내 iOS 기기에서 모델을 배포할 수 있도록 지원합니다. 내보낸 후에는 CoreML 모델을 앱에 통합하고 CPU, GPU, Apple Neural Engine과 같은 하드웨어를 사용해 기기에서 직접 실행할 수 있습니다.

그림 3. CoreML은 앱 내 AI 모델 통합 및 실행을 위한 Apple의 프레임워크입니다. (출처)

이를 통해 개발자는 모델 추론을 온디바이스로 유지하면서 iOS 앱에 실시간 객체 검출을 간편하게 통합할 수 있습니다.

Apple Silicon에서 Ultralytics YOLO 모델을 배포하는 방법#

Ultralytics 생태계는 모델 자체를 넘어 Apple Silicon 칩에 YOLO 모델을 더욱 쉽게 배포할 수 있는 다양한 옵션을 제공합니다.

예를 들어 Ultralytics는 최근 Ultralytics Platform을 출시했습니다. 이 플랫폼은 데이터셋 관리, 모델 학습, 검증, 배포를 하나의 환경으로 통합합니다. 이러한 통합 워크플로는 여러 도구의 필요성을 줄이고 실험에서 실제 애플리케이션으로 이어지는 과정을 간소화합니다.

플랫폼의 일부로 학습된 모델을 Apple 기기용 CoreML을 포함한 여러 형식으로 내보낼 수 있습니다. 따라서 몇 번의 클릭만으로 Ultralytics YOLO 모델을 온디바이스 추론용으로 내보낼 수 있습니다.

내보내기 기능 외에도 Ultralytics는 iOS를 위한 오픈 소스 Swift(Apple의 iOS 앱 개발용 프로그래밍 언어) 구현을 제공합니다. 여기에는 Swift로 작성된 즉시 사용 가능한 YOLO iOS 앱이 포함되어 있으며, 이를 통해 CoreML 모델을 통합하고 카메라 입력에서 실행하며 실시간 객체 검출에 사용하는 방법을 확인할 수 있습니다.

Ultralytics YOLO 모델의 추가 이점#

Ultralytics YOLO 모델이 iOS 애플리케이션 구축에 적합한 이유가 되는 주요 특성은 다음과 같습니다:

• 다양한 비전 작업 지원: 객체 검출 외에도 Ultralytics YOLO 모델은 인스턴스 세그멘테이션, 포즈 추정, 객체 추적, 방향성 바운딩 박스(OBB) 검출, 이미지 분류에 사용할 수 있습니다.
• 다양한 모델 크기: Ultralytics는 여러 모델 변형(나노, 소형, 중형, 대형, 초대형 등)을 제공하므로 개발자는 모바일 기기의 성능 제약에 맞는 버전을 선택할 수 있습니다.
• 사전 학습된 모델: Ultralytics YOLO 모델은 사전 학습된 모델로 제공되므로 즉시 사용하거나 특정 작업에 맞게 파인튜닝할 수 있어 개발 시간을 단축합니다.

2. EfficientDet#

EfficientDet은 2019년 Google 연구진이 소개한 객체 검출 아키텍처입니다. 검출 정확도와 컴퓨팅 효율성 사이의 균형을 맞추도록 설계되어 리소스가 제한된 환경에 적합합니다.

EfficientDet의 핵심 아이디어 중 하나는 컴파운드 스케일링으로 알려진 스케일링 방법입니다. 네트워크 깊이나 이미지 해상도처럼 모델의 한 부분만 확장하는 대신, 이 접근 방식은 아키텍처의 여러 구성 요소를 함께 확장합니다.

이러한 요소를 동시에 조정하면 모델을 높은 정확도로 구성하든 경량 배포에 맞게 최적화하든 안정적인 성능을 유지할 수 있습니다.

이 아키텍처는 EfficientDet-D0부터 EfficientDet-D7까지 여러 변형으로 제공됩니다. 소형 모델은 더 빠른 추론과 낮은 리소스 사용량을 위해 설계되며, 대형 버전은 더 높은 검출 정확도 달성에 중점을 둡니다.

3. MobileNet SSD#

MobileNet SSD는 모바일 및 엣지 기기에서 효율적으로 실행되도록 설계된 경량 객체 검출 모델입니다. 2017년경부터 인기를 얻기 시작했습니다.

이 모델은 효율적인 특징 추출에 중점을 둔 MobileNet 백본과 객체 검출을 위한 SSD(단일 샷 검출기) 방식을 결합합니다. SSD 방식은 한 번의 순방향 패스에서 객체를 검출하고 바운딩 박스를 생성합니다.

이 설계는 모델을 비교적 빠르고 단순하게 유지하므로 신속한 검출 결과가 필요한 애플리케이션에 유용합니다. MobileNet SSD는 더 작은 모델 크기와 더 빠른 추론 속도가 중요한 상황에서 자주 사용됩니다.

MobileNet 아키텍처는 필요한 연산량을 줄여 처리 성능이 제한된 기기에서도 모델을 쉽게 실행할 수 있도록 합니다. MobileNet SSD는 일부 최신 검출 아키텍처와 동일한 수준의 정확도를 달성하지 못할 수 있지만, 여전히 많은 일반적인 객체 검출 작업에서 우수한 성능을 발휘합니다.

4. CenterNet#

CenterNet은 객체의 중심점을 예측하여 객체를 식별하는 객체 검출 모델입니다. 2019년에 소개되었습니다.

많은 후보 영역을 생성하는 대신, 이 모델은 객체의 중심을 검출한 다음 그 주위의 바운딩 박스 크기를 예측합니다. 이 접근 방식은 검출 파이프라인을 단순화하고 추론 중 필요한 단계 수를 줄입니다.

그림 4. CenterNet의 객체 검출 단계 개요입니다. (출처)

CenterNet은 실시간 검출 작업에 사용할 수 있으며 일부 다단계 검출기와 비교해 아키텍처가 비교적 단순한 것으로 알려져 있습니다. ResNet 백본을 사용하는 CenterNet과 같은 변형은 다양한 컴퓨터 비전 애플리케이션에서 일반적으로 사용됩니다.

효율적인 설계 덕분에 CenterNet은 iOS 기기에서 실행되는 애플리케이션을 포함하여 빠른 객체 검출이 필요한 시스템에 적합합니다.

5. NanoDet#

NanoDet은 엣지 및 모바일 기기의 실시간 애플리케이션을 위해 설계된 경량 객체 검출 모델입니다. 2020년에 소개되었으며, 모델 크기와 컴퓨팅 요구 사항을 매우 낮게 유지하면서 효율적인 객체 검출을 제공하는 것을 목표로 했습니다.

이 모델은 단일 단계 검출 아키텍처를 사용하므로 네트워크를 한 번 통과하는 과정에서 객체 위치와 범주를 예측할 수 있습니다. 이러한 설계는 모델을 빠르게 유지하고 하드웨어 리소스가 제한된 시스템에 적합하게 합니다.

NanoDet은 컴팩트한 백본과 최적화된 검출 헤드를 사용하여 추론 중 필요한 파라미터와 연산 수를 줄입니다. 이러한 설계 선택은 속도와 효율성을 우선시하면서도 합리적인 검출 정확도를 유지하는 데 도움이 됩니다.

iOS 앱에 적합한 객체 검출 모델 선택하기#

iOS 앱에 사용할 객체 검출 모델을 선택할 때는 사용 사례의 구체적인 요구 사항을 고려하는 경우가 많습니다. 이러한 모델은 iPhone 및 iPad와 같은 기기에서 직접 실행되므로 어떤 옵션이 가장 적합한지에 영향을 미치는 요소가 여러 가지 있습니다.

다음은 중요한 고려 사항입니다:

• 에너지 효율성: 전력을 적게 소비하는 모델은 배터리 수명을 보존하는 데 도움이 되며, 이는 카메라를 지속적으로 처리하는 모바일 앱에서 중요합니다.
• 모델 최적화 지원: 일부 모델은 양자화나 가지치기와 같은 최적화 기법을 지원하여 모델 크기를 줄이고 iOS 기기에서 성능을 향상할 수 있습니다.
• 하드웨어 호환성: 선택한 모델 아키텍처는 CPU, GPU, Apple Neural Engine을 포함한 iOS 하드웨어에서 효율적으로 실행되어야 합니다.
• 확장성: 일부 아키텍처는 여러 모델 크기나 변형을 제공하므로 개발자는 성능 및 하드웨어 요구 사항에 가장 적합한 버전을 선택할 수 있습니다.

핵심 요점#

객체 검출 모델은 스마트 모바일 앱에 고급 컴퓨터 비전 기능을 제공합니다. 이러한 모델은 iOS 기기에서 직접 실행되므로 앱이 기기의 카메라로 촬영한 이미지와 동영상을 실시간으로 분석할 수 있습니다. 적합한 모델을 선택하면 개발자는 안정적인 실시간 성능을 제공하는 반응성이 뛰어난 비전 기반 모바일 앱을 구축할 수 있습니다.

성장하는 커뮤니티에 참여하고 GitHub 저장소를 살펴보며 실습 중심의 AI 리소스를 확인해 보세요. 지금 비전 AI를 구축하려면 라이선싱 옵션을 살펴보세요. AI in agriculture가 농업을 어떻게 변화시키고 있는지, 그리고 vision AI in robotics가 솔루션 페이지를 통해 미래를 어떻게 형성하고 있는지 알아보세요.