CoreML을 통해 Apple 기기에 Ultralytics YOLO11 도입하기

Apple이 Apple Intelligence와 같은 기능을 도입하면서, 온디바이스 AI가 휴대폰 사용 방식의 핵심 요소가 되고 있음이 분명해졌습니다. 개발자에게 이러한 변화는 사용자가 컴퓨터 비전과 같은 기능을 활용하여 더 스마트하고 반응성이 뛰어난 경험을 제공하는 iOS 앱을 채택하고 있음을 의미합니다.

컴퓨터 비전은 컴퓨터가 이미지나 동영상과 같은 시각 정보를 이해하고 분석할 수 있도록 하는 인공지능(AI)의 한 유형입니다. 모바일 기기에서는 휴대폰 카메라를 통해 실시간으로 객체를 감지하고 분류하며 상호작용하는 데 사용할 수 있습니다. Ultralytics YOLO11과 같은 비전 AI 모델은 앱의 요구 사항에 따라 특정 객체를 인식하도록 커스텀 학습할 수 있습니다.

하지만 Ultralytics YOLO11은 기본적으로 iOS에서 실행되도록 설정되어 있지 않습니다. iPhone 또는 기타 Apple 기기, 특히 오프라인 환경에 YOLO11을 배포하려면 Apple 생태계에 최적화된 형식으로 변환해야 합니다.

CoreML은 바로 이러한 문제를 해결하기 위해 개발되었습니다. CoreML은 모델을 로컬에서 실행하고 iOS 및 macOS 애플리케이션과 원활하게 통합하도록 설계된 Apple의 머신러닝 프레임워크입니다. Ultralytics가 지원하는 CoreML 통합을 사용하면 iPhone에 로컬 배포할 수 있도록 모델을 쉽게 내보낼 수 있습니다.

이 글에서는 Ultralytics YOLO11 모델을 CoreML 형식으로 내보내는 방법을 자세히 살펴봅니다. 또한 컴퓨터 비전 모델을 iOS 기기에서 직접 실행할 때의 장점을 보여주는 실시간 사용 사례도 살펴봅니다. 시작해 보겠습니다!

CoreML이란 무엇인가요?#

CoreML은 Apple이 개발한 머신러닝(ML) 프레임워크로, 개발자가 학습된 ML 모델을 iOS(iPhone 및 iPad), macOS(Mac), watchOS(Apple Watch), tvOS(Apple TV)를 비롯한 Apple 생태계 전반의 앱에 직접 통합할 수 있도록 합니다. 인터넷 연결 없이 모델을 기기에서 직접 실행할 수 있도록 하여 Apple 기기에서 머신러닝을 효율적이고 쉽게 사용할 수 있도록 설계되었습니다.

CoreML의 핵심은 이미지 분류, 객체 감지, 음성 인식, 자연어 처리와 같은 다양한 AI 작업을 지원하는 통합 모델 형식입니다. 이 프레임워크는 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU), Apple 뉴럴 엔진(ANE)을 사용하여 모델을 빠르고 효율적으로 실행함으로써 Apple 하드웨어를 최대한 활용하도록 최적화되어 있습니다.

CoreML은 다양한 모델 유형을 지원하며 TensorFlow, PyTorch, scikit-learn, XGBoost, LibSVM을 비롯한 널리 사용되는 머신러닝 라이브러리와 호환됩니다. 따라서 개발자는 고급 ML 기능을 일상적인 앱에 더 쉽게 도입할 수 있으며, Apple 기기 전반에서 원활하게 실행되도록 할 수 있습니다.

그림 1. CoreML은 다른 인기 AI 프레임워크의 모델을 지원합니다(출처).

CoreML의 주요 기능#

다음은 CoreML을 Apple 앱에 AI를 통합하기 위한 신뢰할 수 있는 도구로 만들어 주는 주요 기능입니다.

• 모델 최적화: CoreML은 양자화 및 가지치기와 같은 압축 기법을 지원하여 모델 크기를 줄이고 런타임 효율성을 향상합니다.
• 온디바이스 개인화: Apple의 ML 프레임워크는 온디바이스 개인화를 지원하므로 사용자 상호작용을 기반으로 모델을 로컬에서 학습하고 업데이트할 수 있습니다.
• 비동기 예측: 이 프레임워크를 사용하면 앱이 백그라운드에서 예측을 실행할 수 있으므로 AI 작업을 처리하는 동안에도 사용자 인터페이스를 원활하고 반응성 있게 유지할 수 있습니다.
• 멀티태스크 학습: CoreML은 동일한 이미지에서 객체 감지와 텍스트 인식처럼 여러 작업을 동시에 수행할 수 있는 모델을 지원합니다.

Ultralytics YOLO11을 CoreML 형식으로 내보내는 방법#

이제 CoreML 프레임워크를 더 잘 이해했으므로, Ultralytics가 지원하는 CoreML 통합을 사용하여 YOLO11 모델을 CoreML 형식으로 내보내는 방법을 살펴보겠습니다.

1단계: 환경 설정#

Ultralytics가 제공하는 통합 기능을 사용하려면 먼저 Ultralytics Python 패키지를 설치합니다. 이 패키지는 Ultralytics YOLO 모델의 학습, 평가, 예측, 내보내기와 같은 작업을 간소화하는 가볍고 사용하기 쉬운 라이브러리입니다.

명령 터미널에서 “pip install ultralytics”를 실행하여 Ultralytics Python 패키지를 설치할 수 있습니다. Jupyter Notebook 또는 Google Colab과 같은 환경을 사용하는 경우 명령 앞에 느낌표(!)를 추가합니다: “!pip install ultralytics”.

설치 중이나 CoreML로 내보내는 과정에서 문제가 발생하면 공식 Ultralytics 문서 또는 일반적인 문제 가이드를 확인하여 도움을 받으세요.

2단계: Ultralytics YOLO11을 CoreML로 내보내기#

패키지가 성공적으로 설치되면 Ultralytics YOLO11 모델을 로드하고 CoreML 형식으로 변환할 준비가 된 것입니다.

사용할 사전 학습된 YOLO11 모델이 확실하지 않다면 Ultralytics가 지원하는 모델의 종류를 살펴볼 수 있습니다. 각 모델은 속도, 크기, 정확도 간에 서로 다른 균형을 제공하므로 프로젝트에 가장 적합한 모델을 선택할 수 있습니다. 자체 데이터셋으로 학습한 커스텀 YOLO11 모델을 사용할 수도 있습니다.

아래 코드 스니펫에서는 "yolo11n.pt"라는 사전 학습된 YOLO11 모델 파일을 사용합니다. 내보내기 과정에서 이 파일은 "yolo11n.mlpackage"라는 CoreML 패키지로 변환됩니다.

"yolo11n" 모델은 속도와 낮은 리소스 사용량에 최적화된 나노 버전입니다. 프로젝트 요구 사항에 따라 small에는 "s", medium에는 "m", large에는 "l", extra-large에는 "x"와 같은 다른 모델 크기를 선택할 수도 있습니다. 각 버전은 성능과 정확도 간에 서로 다른 균형을 제공합니다.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="coreml")

3단계: 내보낸 CoreML 모델을 사용하여 추론 실행#

CoreML 형식으로 내보낸 후에는 Ultralytics YOLO11을 iOS 애플리케이션에 쉽게 통합하여 iPhone, iPad, Mac과 같은 기기에서 객체 감지와 같은 실시간 컴퓨터 비전 작업을 수행할 수 있습니다.

예를 들어 아래 코드 스니펫은 내보낸 CoreML 모델을 로드하고 추론을 수행하는 방법을 보여줍니다. 추론은 학습된 모델을 사용하여 새로운 데이터에 대한 예측을 수행하는 과정입니다. 이 경우 모델은 가족이 공을 가지고 노는 이미지를 분석합니다.

coreml_model = YOLO("yolo11n.mlpackage")
results = coreml_model("https://images.pexels.com/photos/4933841/pexels-photo-4933841.jpeg", save=True)

코드를 실행하면 출력 이미지가 "runs/detect/predict" 폴더에 저장됩니다.

그림 2. 내보낸 Ultralytics YOLO11 모델을 CoreML 형식으로 사용하여 객체 감지. 이미지 제공: 저자.

내보낸 CoreML 모델은 어디에서 사용할 수 있나요?#

Ultralytics YOLO11을 CoreML로 내보내면 iPhone, iPad, Mac에서 효율적으로 실행되는 다양한 컴퓨터 비전 애플리케이션을 구축할 수 있는 유연성이 생깁니다. 다음으로 이 통합이 특히 유용하게 활용될 수 있는 실제 시나리오를 살펴보겠습니다.

CoreML 모델로 구동되는 증강 현실 및 게임 앱#

증강 현실(AR)은 가상 요소를 실시간 카메라 화면 위에 겹쳐 표시하여 디지털 콘텐츠와 현실 세계를 결합합니다. 증강 현실은 모바일 게임의 핵심 요소로 자리 잡으며 더욱 상호작용적이고 몰입감 있는 경험을 만들어 내고 있습니다.

Ultralytics YOLO11을 CoreML 형식으로 내보내면 iOS 개발자는 휴대폰 카메라를 사용하여 벤치, 나무, 표지판과 같은 실제 객체를 인식하는 AR 게임을 구축할 수 있습니다. 그런 다음 게임은 이러한 객체 위에 동전, 단서, 생물과 같은 가상 아이템을 표시하여 플레이어의 주변 환경을 더욱 풍부하게 만들 수 있습니다.

이 기능은 내부적으로 객체 감지와 객체 추적을 사용하여 작동합니다. Ultralytics YOLO11은 실시간으로 객체를 감지하고 식별하며, 추적 기능은 카메라가 움직일 때도 해당 객체를 화면에 유지하여 가상 요소가 현실 세계와 계속 정렬되도록 합니다.

플레이어는 휴대폰을 가리키고 주변 환경을 탐색하며 보이는 대상과 상호작용하여 아이템을 수집하거나 짧은 도전 과제를 완료할 수 있습니다. 이 모든 과정은 인터넷 연결 없이 기기에서 직접 실행할 수 있으므로 원활하고 몰입감 있는 경험을 제공합니다.

실시간 ANPR을 위해 CoreML 모델을 통합한 iOS 앱#

자동 번호판 인식(ANPR)은 차량 번호판을 감지하고 읽는 데 사용되는 컴퓨터 비전 애플리케이션입니다. 보안, 교통 모니터링, 출입 통제 시스템에서 일반적으로 사용됩니다. 이제 CoreML과 YOLO11과 같은 모델을 사용하면 ANPR을 iOS 기기에서 효율적으로 실행할 수 있습니다.

iPhone에 ANPR 앱을 설치하면 보안 중심 환경에서 특히 유용할 수 있습니다. 예를 들어 제한 구역에 진입하는 차량이 허가된 차량인지 빠르게 판단하는 데 팀을 지원할 수 있습니다.

이러한 앱은 CoreML을 통해 통합된 Ultralytics YOLO11과 같은 비전 AI 모델을 사용하여 기기의 카메라로 차량을 감지하고 번호판 위치를 실시간으로 찾을 수 있습니다. 번호판이 감지되면 광학 문자 인식(OCR) 기술로 번호를 읽을 수 있습니다. 그런 다음 앱은 이 번호를 로컬 또는 클라우드 기반 데이터베이스와 비교하여 출입을 확인하거나 승인되지 않은 차량을 표시할 수 있습니다.

그림 3. 비전 AI를 사용하여 번호판 번호를 감지하고 읽을 수 있습니다. (출처).

접근성에 중점을 둔 앱은 CoreML 모델을 활용할 수 있습니다#

AI는 접근성에 큰 영향을 미쳐 시각 장애가 있는 사람들의 장벽을 낮추는 데 기여해 왔습니다. CoreML과 Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 활용하면 개발자는 사용자의 주변 세계를 실시간으로 설명하는 iOS 앱을 구축하여 일상적인 작업을 더 쉽고 독립적으로 수행하도록 지원할 수 있습니다.

예를 들어 시각 장애가 있는 사람은 iPhone 카메라를 주변 환경으로 향할 수 있습니다. 앱은 객체 감지를 사용하여 차량, 사람, 거리 표지판과 같은 주요 요소를 인식하고 본 내용을 설명합니다. 이는 복잡한 도로를 이동하거나 긴급 상황을 파악하는 경우에 활용할 수 있습니다.

그림 4. Ultralytics YOLO11을 사용하여 사람을 감지하는 예시

핵심 요점#

Ultralytics YOLO11을 CoreML 형식으로 내보내면 iOS 기기에서 오프라인 객체 감지를 비롯한 실시간 애플리케이션을 위한 새로운 기회가 열립니다. 농업과 보안부터 접근성에 이르기까지 이러한 조합을 통해 개발자는 기기에서 완전히 실행되는 스마트하고 효율적이며 개인정보 보호에 중점을 둔 앱을 구축할 수 있습니다.

몇 가지 간단한 단계만으로 Ultralytics YOLO11 모델을 변환하고 iPhone에 안정적인 컴퓨터 비전 기능을 추가할 수 있습니다. 무엇보다 인터넷 연결 없이도 작동합니다. 전반적으로 CoreML 통합은 고급 AI의 강력한 기능을 일상적인 모바일 앱에 제공하여 앱을 더 빠르고 반응성 있게 만들며 어디서나 실행할 수 있도록 합니다.

AI에 대해 더 자세히 알아보고 싶으신가요? GitHub 저장소를 둘러보고, 커뮤니티에 참여하며, 라이선스 옵션을 확인하여 컴퓨터 비전 프로젝트를 시작해 보세요. 솔루션 페이지에서 리테일 분야의 AI와 물류 분야의 컴퓨터 비전과 같은 혁신이 미래를 어떻게 형성하고 있는지 알아보세요.