CoreML을 통해 Ultralytics YOLO11을 Apple 기기에 적용하고 실시간 iOS 앱을 위한 빠른 오프라인 컴퓨터 비전 작업을 지원하는 것이 얼마나 쉬운지 알아보세요.
CoreML을 통해 Ultralytics YOLO11을 Apple 기기에 적용하고 실시간 iOS 앱을 위한 빠른 오프라인 컴퓨터 비전 작업을 지원하는 것이 얼마나 쉬운지 알아보세요.
Apple이 Apple Intelligence와 같은 기능을 도입하면서 온디바이스 AI가 휴대폰 사용 방식의 중심이 되고 있음이 분명해졌습니다. 개발자에게 이러한 변화는 사용자가 컴퓨터 비전과 같은 기능을 사용하여 더 스마트하고 반응이 빠른 경험을 제공하는 iOS 앱을 채택하고 있다는 것을 의미합니다.
컴퓨터 비전은 컴퓨터가 이미지나 동영상과 같은 시각적 정보를 이해하고 분석할 수 있도록 하는 인공지능(AI)의 일종입니다. 모바일 디바이스에서는 휴대폰의 카메라를 통해 실시간으로 사물을 감지, 분류 및 상호 작용하는 데 사용할 수 있습니다. 앱의 필요에 따라 특정 물체를 인식하도록 Ultralytics YOLO11과 같은 비전 AI 모델을 맞춤 학습할 수 있습니다.
하지만 YOLO11은 iOS에서 바로 실행되도록 설정되어 있지 않습니다. 특히 오프라인 사용을 위해 iPhone 또는 기타 Apple 디바이스에 YOLO11을 배포하려면 Apple의 에코시스템에 최적화된 포맷으로 변환해야 합니다.
바로 이러한 문제를 해결하기 위해 개발된 것이 바로 CoreML입니다. CoreML은 로컬에서 모델을 실행하고 iOS 및 macOS 애플리케이션에 원활하게 통합되도록 구축된 Apple의 머신 러닝 프레임워크입니다. Ultralytics에서 지원하는 CoreML 통합을 사용하면 모델을 내보내서 iPhone에 로컬로 배포할 수 있습니다.
이 글에서는 YOLO11 모델을 CoreML 형식으로 내보내는 방법을 자세히 살펴보겠습니다. 또한 iOS 기기에서 컴퓨터 비전 모델을 직접 실행할 때의 이점을 보여주는 실시간 사용 사례도 살펴봅니다. 시작해 봅시다!
CoreML은 Apple에서 개발한 머신 러닝(ML) 프레임워크로, 개발자가 학습된 ML 모델을 iOS(iPhone 및 iPad), macOS(Mac), watchOS(Apple Watch), tvOS(Apple TV) 등 Apple 에코시스템 전반의 앱에 직접 통합할 수 있도록 해줍니다. 인터넷 연결 없이도 모델을 기기에서 직접 실행할 수 있도록 지원하여 Apple 기기에서 머신 러닝에 대한 접근성과 효율성을 높일 수 있도록 설계되었습니다.
CoreML의 핵심은 이미지 분류, 객체 감지, 음성 인식 및 자연어 처리와 같은 광범위한 AI 작업을 지원하는 통합 모델 형식입니다. 이 프레임워크는 CPU(중앙 처리 장치), GPU(그래픽 처리 장치), ANE(Apple Neural Engine)를 사용하여 모델을 빠르고 효율적으로 실행함으로써 Apple의 하드웨어를 최대한 활용하도록 최적화되어 있습니다.
CoreML은 다양한 모델 유형을 지원하며 TensorFlow, PyTorch, scikit-learn, XGBoost 및 LibSVM을 비롯한 인기 머신 러닝 라이브러리와 호환됩니다. 따라서 개발자는 일상적인 앱에 고급 ML 기능을 더 쉽게 도입할 수 있으며, Apple 기기에서 원활하게 실행되도록 보장할 수 있습니다.
다음은 CoreML을 Apple 앱에 AI를 통합하기 위한 신뢰할 수 있는 도구로 만드는 몇 가지 주요 기능입니다:
이제 CoreML 프레임워크에 대해 더 잘 이해했으니, 이제 Ultralytics에서 지원하는 CoreML 통합을 사용하여 YOLO11 모델을 CoreML 형식으로 내보내는 방법을 살펴 보겠습니다.
Ultralytics에서 제공하는 통합 기능에 액세스하려면 먼저 Ultralytics Python 패키지를 설치하세요. 이 패키지는 가볍고 사용하기 쉬운 라이브러리로, Ultralytics YOLO 모델의 훈련, 평가, 예측 및 내보내기와 같은 작업을 간소화합니다.
명령 터미널에서 "pip install ultralytics"를 실행하여 울트라 애널리틱스 파이썬 패키지를 설치할 수 있습니다. 주피터 노트북이나 Google Colab과 같은 환경을 사용하는 경우 명령 앞에 느낌표(!)를 추가하세요: "!pip install ultralytics".
설치 중 또는 CoreML로 내보내는 동안 문제가 발생하는 경우 공식 Ultralytics 설명서 또는 일반적인 문제 가이드를 참조하여 도움을 받으세요.
패키지가 성공적으로 설치되면 YOLO11 모델을 로드하고 CoreML 형식으로 변환할 준비가 된 것입니다.
어떤 사전 학습된 YOLO11 모델을 사용해야 할지 잘 모르겠다면, Ultralytics에서 지원하는 다양한 모델을 살펴볼 수 있습니다. 각 모델마다 속도, 크기, 정확도의 균형이 다르므로 프로젝트에 가장 적합한 것을 선택할 수 있습니다. 자체 데이터 세트에 대해 훈련한 경우 사용자 지정 훈련된 YOLO11 모델을 사용할 수도 있습니다.
아래 코드 스니펫에서는 "yolo11n.pt"라는 사전 학습된 YOLO11 모델 파일이 사용됩니다. 내보내기 프로세스 중에 이 파일은 "yolo11n.mlpackage"라는 CoreML 패키지로 변환됩니다.
"yolo11n" 모델은 나노 버전으로, 속도와 낮은 리소스 사용에 최적화되어 있습니다. 프로젝트의 필요에 따라 소형 's', 중형 'm', 대형 'l', 초대형 'x' 등 다른 모델 크기를 선택할 수도 있습니다. 각 버전은 성능과 정확성 사이의 균형을 다르게 제공합니다.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="coreml")
CoreML 포맷으로 내보낸 YOLO11은 iOS 애플리케이션에 쉽게 통합할 수 있어 iPhone, iPad, Mac 등의 기기에서 물체 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 데이터를 예측하는 프로세스입니다. 이 경우 모델은 공을 가지고 노는 가족의 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.
YOLO11을 CoreML로 내보내면 iPhone, iPad, Mac에서 효율적으로 실행할 수 있는 다양한 컴퓨터 비전 애플리케이션을 유연하게 구축할 수 있습니다. 이제 이 통합이 특히 유용할 수 있는 몇 가지 실제 시나리오를 살펴보겠습니다.
증강 현실(AR)은 라이브 카메라 뷰에 가상 요소를 오버레이하여 디지털 콘텐츠와 현실 세계를 혼합합니다. 증강 현실은 모바일 게임의 핵심 요소로 자리 잡으며 더욱 인터랙티브하고 몰입감 넘치는 경험을 선사합니다.
iOS 개발자는 CoreML 형식으로 익스포트된 YOLO11을 사용하여 휴대폰의 카메라로 벤치, 나무, 간판과 같은 현실 세계의 사물을 인식하는 AR 게임을 만들 수 있습니다. 그런 다음 게임에서 이러한 물체 위에 동전, 단서 또는 생물과 같은 가상 아이템을 오버레이하여 플레이어의 주변 환경을 향상시킬 수 있습니다.
그 이면에는 객체 감지 및 객체 추적을 사용하여 작동합니다. YOLO11은 실시간으로 물체를 감지하고 식별하며, 추적 기능은 카메라가 움직일 때 해당 물체를 시야에 유지하여 가상 요소가 현실 세계와 일치하도록 합니다.
플레이어는 휴대폰을 가리키고 주변 환경을 탐색하며 보이는 것과 상호 작용하여 아이템을 수집하거나 빠른 도전을 완료할 수 있습니다. 이 모든 것이 인터넷 연결 없이 디바이스에서 직접 실행되므로 원활하고 매력적인 경험을 선사합니다.
자동 번호판 인식(ANPR) 은 차량 번호판을 감지하고 판독하는 데 사용되는 컴퓨터 비전 애플리케이션입니다. 일반적으로 보안, 교통 모니터링, 출입 통제 시스템에서 사용됩니다. 이제 CoreML과 YOLO11과 같은 모델을 통해 ANPR을 iOS 기기에서 효율적으로 실행할 수 있습니다.
iPhone에 ANPR 앱을 설치하면 보안이 중요한 환경에서 특히 유용할 수 있습니다. 예를 들어, 제한 구역에 진입하는 차량의 허가 여부를 신속하게 판단하는 데 도움이 될 수 있습니다.
이러한 앱은 CoreML을 통해 통합된 YOLO11과 같은 비전 AI 모델을 사용하여 디바이스의 카메라를 사용하여 차량을 감지하고 실시간으로 번호판을 찾을 수 있습니다. 번호판이 감지되면 광학 문자 인식(OCR) 기술로 차량 번호를 읽을 수 있습니다. 그러면 앱이 이 번호를 로컬 또는 클라우드 기반 데이터베이스와 비교하여 접근을 확인하거나 승인되지 않은 차량에 플래그를 지정할 수 있습니다.
AI는 접근성에 큰 영향을 미쳐 시각 장애를 가진 사람들의 장벽을 허무는 데 도움을 주고 있습니다. 개발자는 CoreML과 같은 도구와 YOLO11과 같은 컴퓨터 비전 모델을 사용하여 사용자 주변의 세계를 실시간으로 묘사하는 iOS 앱을 구축하여 일상적인 작업을 더 쉽고 독립적으로 수행할 수 있습니다.
예를 들어 시각 장애인은 iPhone 카메라로 주변을 비추면 됩니다. 이 앱은 물체 감지 기능을 사용하여 차량, 사람 또는 도로 표지판과 같은 주요 요소를 인식하고 보이는 내용을 내레이션으로 설명합니다. 이 기능은 바쁜 거리를 탐색하거나 응급 상황을 파악하는 등의 상황에서 사용할 수 있습니다.
YOLO11을 CoreML 형식으로 내보내면 iOS 기기에서 오프라인 개체 감지를 비롯한 실시간 애플리케이션을 위한 새로운 기회를 창출할 수 있습니다. 농업과 보안부터 접근성까지, 개발자는 이 조합을 통해 기기에서만 실행되는 스마트하고 효율적이며 개인정보 보호에 중점을 둔 앱을 개발할 수 있습니다.
몇 가지 간단한 단계만 거치면 YOLO11 모델을 변환하여 iPhone에 안정적인 컴퓨터 비전 기능을 추가할 수 있습니다. 무엇보다도 인터넷 연결 없이도 작동합니다. 전반적으로 CoreML 통합은 일상적인 모바일 앱에 고급 AI의 성능을 제공하여 더 빠르고 반응성이 뛰어나며 어디서나 실행할 수 있도록 지원합니다.
AI에 대해 더 자세히 알고 싶으신가요? GitHub 리포지토리를 살펴보고, 커뮤니티와 소통하고, 라이선스 옵션을 확인하여 컴퓨터 비전 프로젝트를 시작하세요. 솔루션 페이지에서 리테일 분야의 AI와 물류 분야의 컴퓨터 비전과 같은 혁신이 어떻게 미래를 만들어가고 있는지 알아보세요.
.webp)