AI 전문 지식 없이 카메라 기반 비전 검사 시스템 구축하기

우리가 사용하는 모든 제품(휴대전화, 포장된 상품, 자동차 부품 등)은 최종 소비자에게 도달하기 전에 어떠한 형태로든 품질 검사를 거칩니다. 전통적으로 이러한 작업은 수동 점검이나 간단한 규칙 기반 시스템을 통해 이루어졌습니다. 이러한 방식도 효과는 있지만, 생산량이 증가함에 따라 속도가 느려지고 일관성이 떨어지며 확장하기 어렵다는 한계가 있습니다.

품질 검사 프로세스를 개선하기 위해 많은 산업 분야가 인공지능의 한 분야인 컴퓨터 비전을 도입하고 있습니다. 컴퓨터 비전은 기계가 이미지와 영상을 이해하도록 돕습니다. 예를 들어, Ultralytics YOLO26과 같은 비전 AI 모델은 높은 정확도로 결함을 탐지, 분류 및 위치 파악하는 데 도움을 줄 수 있습니다.

실제 생산 환경에서 이러한 모델은 고속 조립 라인에서 직접 캡처한 이미지를 분석하는 데 사용될 수 있습니다. 제품이 각 단계로 이동함에 따라 산업용 카메라가 이를 추적하고, 시스템은 긁힘, 부품 누락, 정렬 불량과 같은 문제를 확인합니다. 이를 통해 결함 탐지 속도와 일관성이 향상되며 고처리량 검사가 지원됩니다.

과거에는 이러한 시스템을 구축하려면 여러 도구와 높은 수준의 기술적 전문 지식이 필요했기에 프로세스가 복잡하고 시간이 많이 소요되었습니다. 컴퓨터 비전을 위한 당사의 새로운 엔드투엔드 솔루션인 Ultralytics Platform은 데이터 준비, 어노테이션, 모델 학습 및 배포를 한곳으로 통합하여 이를 간소화합니다.

이 글에서는 깊은 AI 전문 지식 없이도 Ultralytics Platform을 사용하여 실용적인 카메라 기반 비전 검사 시스템을 구축하는 방법을 살펴봅니다. 바로 시작해 보겠습니다!

Link to this section품질 관리에서 컴퓨터 비전의 역할#

Ultralytics Platform이 검사 시스템 구축을 어떻게 더 쉽게 만드는지 알아보기 전에, 먼저 품질 검사에서 컴퓨터 비전이 담당하는 역할을 살펴보겠습니다.

검사는 제품이 품질 기준을 충족하고 결함이 없음을 보장하는 제조 공정의 핵심 단계입니다. 그러나 특히 긴 교대 근무 시간이나 대량 생산 중에는 결과가 달라질 수 있습니다.

검사의 신뢰성을 높이기 위해 많은 산업 분야에서 머신 비전이라고도 불리는 컴퓨터 비전을 사용하여 생산 라인의 이미지를 분석하고 결함을 식별합니다. 이러한 시스템은 딥러닝을 사용하며, 모델과 알고리즘이 대규모의 고품질 라벨링 된 이미지 세트에서 패턴을 학습합니다.

모델 학습 과정에서 정상 제품과 다양한 유형의 결함 사례를 모델에 보여줍니다. 시간이 지남에 따라 모델은 스스로 이러한 패턴을 인식하는 법을 학습합니다. 학습이 완료되면 모델은 대량의 제품을 검사하고 일관된 기준을 적용하여 정확도를 높일 수 있습니다.

Link to this section품질 검사에 사용되는 일반적인 컴퓨터 비전 작업#

머신 비전 애플리케이션은 다양한 비전 작업을 지원할 수 있는 Ultralytics YOLO 모델과 같은 컴퓨터 비전 모델에 의해 구현됩니다. 다음은 이러한 비전 AI 작업이 자동화된 검사 워크플로우에 어떻게 사용되는지에 대한 개요입니다:

• 이미지 분류: 이 작업은 "양품" 또는 "불량"과 같이 이미지 전체에 단일 라벨을 지정하는 데 사용됩니다. 결함의 위치를 나타내지 않고 제품 품질에 대한 높은 수준의 평가를 제공합니다.
• 객체 탐지: 이미지 내의 결함을 식별하고 bbox를 사용하여 위치를 파악하는 데 도움을 줍니다. 이를 통해 균열, 긁힘, 누락된 부품과 같은 문제를 탐지하고 위치를 확인할 수 있습니다.
• 인스턴스 세그멘테이션: 객체 탐지에서 한 걸음 더 나아가, 탐지된 각 결함에 대해 픽셀 수준의 마스크를 예측합니다. 이는 결함의 모양, 크기 및 경계에 대한 정밀한 분석을 지원합니다.
• 객체 추적: 여러 프레임에 걸쳐 제품을 추적할 때, 생산 라인을 따라 움직이는 항목을 따라갑니다. 이는 일관성을 유지하고 결함을 놓치지 않도록 보장합니다.
• 지향성 bbox (OBB) 탐지: 이 작업은 축 정렬 bbox 대신 회전된 bbox를 사용하여 객체를 탐지합니다. 결함이나 구성 요소가 다양한 각도로 나타날 때 특히 유용하며, 더 정확한 위치 파악이 가능합니다.

Link to this section산업 전반의 품질 검사 애플리케이션 살펴보기#

컴퓨터 비전은 제품 품질을 유지하고 표준을 충족하며 수동 검사의 필요성을 줄이기 위해 산업 전반에서 널리 사용됩니다. 결함 탐지, 분류, 객체 인식, 측정 및 이상 탐지와 같은 주요 기능을 수행합니다.

그림 1. 머신 비전 시스템을 사용하여 제품을 탐지하고 추적하는 예시 (출처)

다음은 실제로 적용되는 몇 가지 사용 사례입니다:

• 제조: 표면 결함 탐지는 생산 라인의 제품 이미지를 분석하여 긁힘, 찌그러짐, 균열, 변색과 같은 문제를 식별하는 인라인 결함 탐지에 사용됩니다. 또한 실시간으로 누락된 부품이나 조립 오류를 감지하여 지속적인 검사를 지원합니다.
• 자동차: 컴퓨터 비전 시스템은 엔진 부품과 차체 패널을 분석하여 정렬 상태를 검증하고 손상을 감지합니다. 특히 복잡한 형상과 손이 닿기 어려운 영역을 검사할 때 효과적이며, 정밀한 위치 파악과 자동화된 검사를 위해 로봇 시스템과 함께 작동하는 경우가 많습니다.
• 전자 및 반도체: 이러한 시스템은 인쇄 회로 기판(PCB)과 같은 부품에서 납땜 문제, 미세 균열, 회로 손상을 포함한 작은 결함을 탐지합니다. 고해상도 이미지 분석을 통해 수동 검사 시 종종 놓치는 아주 미세한 결함도 탐지할 수 있습니다.
• 포장 및 물류: 비전 시스템은 바코드 스캔, 제품 라벨 읽기, 포장 품질 확인을 수행합니다. 제품이 제대로 포장되고 밀봉되어 배송 준비가 되었는지 확인하여 오류를 줄입니다.
• 식음료: 비전 카메라나 센서로 구동되는 검사 시스템은 제품 외관을 분석하여 부적절한 밀봉, 오염 위험, 잘못된 라벨링 또는 시각적 불일치와 같은 문제를 식별하고 품질과 안전을 유지하도록 돕습니다.
• 제약: 컴퓨터 비전은 알약, 바이알, 포장을 검사하여 균열, 오염, 잘못된 라벨링 또는 충전량 불일치와 같은 결함을 확인하고 엄격한 규제 표준 준수와 제품 안전을 유지하는 데 사용됩니다.

Link to this sectionUltralytics Platform으로 시각적 검사 워크플로우 간소화하기#

제품이 여러 단계를 거쳐 이동하는 동안 카메라가 검사를 위해 이미지를 지속적으로 캡처하는 제조 라인을 가정해 보겠습니다. 이 이미지들은 긁힘, 누락된 부품, 정렬 불량과 같은 결함을 확인하는 데 사용됩니다.

지금까지 이러한 검사 시스템을 구축하고 관리하려면 여러 도구와 상당한 기술적 전문 지식이 필요했습니다.

사실, Ultralytics는 비전 AI 커뮤니티로부터 이 과정이 얼마나 파편화되고 시간이 많이 소요되는지에 대한 지속적인 피드백을 받아왔습니다. 일반적인 병목 현상으로는 분산된 도구, 복잡한 환경 설정, 비효율적인 데이터 라벨링 워크플로우, 모델 학습 지연, 배포상의 어려움 등이 있습니다. 이러한 피드백은 Ultralytics Platform을 구체화하는 데 핵심적인 역할을 했습니다.

그림 2. Ultralytics Platform 살펴보기 (출처)

Ultralytics Platform을 사용하면 전체 개발 및 배포 프로세스를 한곳에서 처리할 수 있습니다. 원시 데이터를 업로드하고 어노테이션하여 학습 데이터셋을 만들고, 이를 사용하여 결함 탐지 모델을 학습시킵니다. 학습이 완료된 모델은 생산 라인의 새로운 이미지를 분석하기 위해 배포될 수 있으며, 시간 경과에 따른 성능을 모니터링하는 내장 도구도 제공합니다.

전체 워크플로우를 한곳으로 모으는 것 외에도 Ultralytics Platform은 사용하기 쉽도록 설계되었습니다. 머신 러닝 경험이 부족한 사용자라도 아이디어 단계에서 제품 단계까지 빠르게 이동할 수 있습니다.

Link to this sectionUltralytics Platform을 사용하여 이미지 내 결함 라벨링하기#

이제 Ultralytics Platform이 워크플로우를 어떻게 통합하는지 확인했으므로, 데이터 업로드 및 결함 라벨링부터 시작하여 비전 AI 파이프라인의 각 단계에서 이를 사용하는 방법을 살펴보겠습니다.

Link to this sectionUltralytics Platform에서의 검사 데이터셋 관리#

첫 번째 단계는 데이터를 플랫폼으로 가져오는 것입니다. 이미지, 영상 또는 ZIP, TAR, GZ 파일과 같은 데이터셋 아카이브를 업로드할 수 있습니다. YOLO 및 COCO와 같은 일반적인 데이터셋 형식이 지원되므로 추가 단계 없이 기존 데이터셋을 가져올 수 있습니다.

커뮤니티에서 공유한 데이터셋을 사용하여 더 빠르게 시작할 수도 있습니다. 이러한 데이터셋을 탐색하고 작업 공간에 복제하여 처음부터 새로 시작하는 대신 기존 데이터를 기반으로 구축할 수 있습니다. 복제 후에는 특정 사용 사례에 맞게 업데이트하고 확장할 수 있습니다.

다양한 실험을 진행 중이라면 데이터셋을 NDJSON 파일로 가져와 재사용할 수 있으므로 추가 변환 없이 더 쉽게 다시 만들거나 공유할 수 있습니다.

데이터가 업로드되면 플랫폼이 이를 자동으로 준비합니다. 파일 형식을 확인하고, 어노테이션을 처리하고, 필요한 경우 이미지 크기를 조정하고, 기본적인 데이터셋 통계를 생성합니다. 영상은 학습에 사용할 수 있도록 프레임 단위로 분할되며, 이미지는 더 쉬운 탐색 및 분석을 위해 최적화됩니다.

Link to this sectionUltralytics Platform 기반 데이터 어노테이션#

데이터가 준비되면 다음 단계는 데이터 어노테이션입니다. 이곳에서 모델이 무엇을 탐지해야 하는지 학습할 수 있도록 결함에 라벨을 지정합니다. Ultralytics Platform에는 객체 탐지, 인스턴스 세그멘테이션, 이미지 분류, 자세 추정 및 지향성 bbox 탐지와 같은 작업을 지원하는 내장 어노테이션 편집기가 포함되어 있습니다.

사용 사례에 따라 bbox, 다각형 또는 키포인트와 같은 도구를 사용하여 수동으로 데이터를 라벨링할 수 있습니다. 작업 속도를 높이기 위해 플랫폼은 AI 지원 라벨링 기능도 제공합니다.

예를 들어, SAM 기반 스마트 어노테이션을 사용하면 간단한 클릭으로 객체를 라벨링할 수 있습니다. 포함하거나 제외할 영역을 선택하면 시스템이 실시간으로 마스크를 생성하며, 필요한 경우 이를 조정할 수 있습니다.

그림 3. Ultralytics Platform 내 SAM 기반 스마트 어노테이션 (출처)

또한, YOLO 기반 스마트 어노테이션은 모델 예측을 사용하여 자동으로 라벨을 생성할 수 있습니다. 이를 검토하고 정제할 수 있어 모든 것을 수동으로 라벨링할 필요 없이 대규모 데이터셋을 더 쉽게 작업할 수 있습니다.

어노테이션 편집기에는 클래스 관리, 어노테이션 편집, 키보드 단축키, 실행 취소 또는 다시 실행 옵션과 같은 기능도 포함되어 있습니다. 이러한 기능을 통해 데이터셋이 커짐에 따라 일관성을 유지하고 어노테이션을 쉽게 검토할 수 있습니다.

데이터를 라벨링할 때 플랫폼은 클래스 분포 및 어노테이션 수와 같은 인사이트를 제공합니다. 이는 학습으로 넘어가기 전에 격차를 파악하고, 불일치를 수정하며, 데이터셋 품질을 향상시키는 데 도움이 됩니다.

Link to this sectionUltralytics Platform에서 결함 탐지를 위한 YOLO26 학습하기#

다음 단계는 라벨링 된 데이터를 사용하여 자동으로 결함을 탐지하도록 모델을 학습시키는 것입니다. Ultralytics Platform은 객체 탐지, 인스턴스 세그멘테이션 및 이미지 분류와 같은 작업에 사용할 수 있는 YOLO26을 포함하여 Ultralytics YOLO 모델을 사용한 학습을 지원합니다.

학습은 한곳에서 학습 작업을 구성, 실행 및 모니터링할 수 있는 통합 대시보드를 통해 관리됩니다. 시작하려면 직접 업로드한 데이터셋, 플랫폼에서 어노테이션 한 데이터셋, 플랫폼에서 제공하는 공개 데이터셋, 또는 커뮤니티에서 복제한 데이터셋을 선택할 수 있습니다.

선택이 완료되면 데이터셋이 학습 실행에 자동으로 연결되어 실험을 더 쉽게 추적하고 일관성을 유지할 수 있습니다.

다음으로, 에포크 수, 배치 크기, 이미지 크기 및 학습률과 같은 학습 매개변수를 구성할 수 있습니다. 이러한 설정은 모델의 학습 방식을 제어하며 학습 시간과 성능 모두에 직접적인 영향을 미칩니다.

Link to this section학습 실행 및 모니터링#

그런 다음 학습을 실행할 방식을 선택할 수 있습니다. 플랫폼은 관리형 GPU에서의 클라우드 학습, 자체 하드웨어를 사용하는 로컬 학습, Google Colab과 같은 환경을 통한 브라우저 기반 워크플로우를 지원합니다.

클라우드 학습 시 소규모 실험을 위한 RTX 2000 Ada 및 RTX A4500, 더 까다로운 워크로드를 위한 RTX 4090 또는 RTX A6000, 대규모 학습을 위한 A100 또는 H100과 같은 다양한 GPU 옵션 중에서 선택할 수 있습니다.

학습이 시작되면 플랫폼 내에서 직접 진행 상황을 모니터링할 수 있습니다. 대시보드는 손실 곡선 및 성능 지표와 같은 주요 지표에 대한 실시간 가시성과 함께 시스템 사용량 및 학습 로그를 제공합니다. 이를 통해 모델이 어떻게 학습하고 있는지 원활하게 파악하고 잠재적인 문제를 조기에 식별할 수 있습니다.

그림 4. Ultralytics Platform을 사용하여 학습 진행 상황을 쉽게 모니터링할 수 있습니다 (출처)

여러 실험을 실행함에 따라 플랫폼은 구성, 데이터셋 및 결과를 한곳에서 추적합니다. 이를 통해 서로 다른 학습 실행을 쉽게 비교하고, 정밀도, 재현율, mAP와 같은 지표를 사용하여 성능을 평가하고, 배포를 위한 최적의 모델을 선택할 수 있습니다.

Link to this sectionUltralytics Platform을 통한 비전 모델 배포#

학습 후 다음 단계는 배포로 넘어가기 전에 새로운 미학습 데이터에 대해 학습된 모델의 성능을 검증하는 것입니다. Ultralytics Platform에는 설정 없이 브라우저에서 직접 모델을 테스트할 수 있는 내장 Predict 탭이 포함되어 있습니다.

이미지를 업로드하거나, 샘플 데이터를 사용하거나, 웹캠을 통해 입력을 캡처할 수 있으며 결과는 시각적 오버레이와 신뢰도 점수와 함께 즉시 나타납니다. 즉, 실제 시스템에 통합하기 전에 모델 성능을 빠르게 확인하고 문제를 식별할 수 있습니다.

모델이 검증되면 사용 사례에 따라 다양한 옵션을 사용하여 배포할 수 있습니다. Ultralytics Platform에서 지원하는 모델 배포 옵션을 더 자세히 살펴보겠습니다:

• 공유 추론: 이 옵션을 사용하면 REST API를 통해 모델에 액세스할 수 있으므로 애플리케이션이나 워크플로우에 쉽게 통합할 수 있습니다. 이는 몇 개의 핵심 지역에 걸쳐 멀티 테넌트 시스템에서 실행되며, 요청은 가장 가까운 사용 가능한 서비스로 자동으로 라우팅됩니다. 따라서 프로덕션 단계로 넘어가기 전 개발, 테스트 및 가벼운 사용에 적합합니다.
• 전용 엔드포인트: 프로덕션 사용을 위해 모델을 고유한 컴퓨팅 리소스를 가진 전용 엔드포인트로 배포할 수 있습니다. 이러한 모델은 43개의 글로벌 지역에서 단일 테넌트 서비스로 실행되어 최종 사용자에게 더 가까이 배포함으로써 지연 시간을 줄이는 데 도움을 줍니다. 또한 오토스케일링 및 스케일 투 제로(scale-to-zero)를 지원하여 트래픽에 따라 리소스가 자동으로 조정됩니다.
• 모델 내보내기: 모델을 내보내 플랫폼 외부의 로컬 시스템이나 엣지 장치에서 실행할 수 있습니다. 플랫폼은 ONNX, TensorRT, OpenVINO, CoreML, TensorFlow Lite를 포함한 17가지 형식을 지원합니다. 내보내기 옵션은 모델 크기를 줄이고 다양한 하드웨어 환경에서 추론 속도를 향상시키기 위해 FP16 및 INT8 양자화와 같은 최적화도 지원합니다.

Link to this sectionUltralytics Platform을 사용하여 배포된 모델 모니터링하기#

이미지 처리 또는 컴퓨터 비전 솔루션의 라이프사이클은 모델 배포로 끝나지 않습니다. 이는 비전 검사 시스템의 경우도 마찬가지입니다. 모델이 프로덕션 환경에서 실행되면 조건 변화에 따라 안정적으로 성능을 발휘하는지 지속적으로 모니터링해야 합니다.

Ultralytics Platform은 배포된 모델의 성능을 명확하게 확인할 수 있는 내장 모니터링 대시보드를 제공합니다. 단일 인터페이스에서 요청 활동을 추적하고, 로그를 확인하며, 각 배포의 상태를 확인할 수 있습니다. 모델이 어떻게 사용되고 시간이 지남에 따라 어떻게 작동하는지 파악할 수 있습니다.

대시보드에는 총 요청 수, 오류율, 지연 시간과 같은 주요 지표가 포함되어 있어 성능 및 응답성을 평가하는 데 도움이 됩니다. 이러한 지표는 정기적으로 업데이트되며 사용 패턴과 시스템 신뢰성 모두에 대한 인사이트를 제공합니다.

내장된 세계 지도는 요청과 배포가 지역별로 어떻게 분산되어 있는지 보여줍니다. 여러 글로벌 위치에 걸친 배포를 지원하므로 이 보기를 통해 지리적으로 사용량을 추적하고 모델이 서로 다른 환경에서 어떻게 수행되는지 이해할 수 있습니다.

그림 5. Ultralytics Platform에서 배포된 모델 모니터링 (출처)

더 심층적인 분석을 위해 각 배포에는 타임스탬프, 요청 세부 정보 및 오류 메시지가 포함된 상세 로그가 제공됩니다. 로그는 심각도별로 필터링할 수 있어 문제를 디버깅하고 실패 원인을 빠르게 식별하기 간편합니다. 또한 상태 확인 기능은 배포가 예상대로 실행 중인지 또는 주의가 필요한지 보여주는 실시간 상태 표시기를 제공합니다.

모니터링은 최적화에도 중요한 역할을 합니다. 입력 데이터, 트래픽 또는 사용 패턴이 변경됨에 따라 성능이 달라질 수 있습니다. 지표와 로그를 추적하여 높은 지연 시간, 증가된 오류율 또는 확장 제한과 같은 문제를 식별하고 일관된 성능을 유지하기 위한 조치를 취할 수 있습니다.

Link to this section비전 솔루션 구축을 위해 Ultralytics Platform을 사용하는 이점#

비전 검사 시스템을 구축하고 확장하기 위해 Ultralytics Platform을 사용하는 주요 이점은 다음과 같습니다:

• 실제 환경에 최적화: 오토스케일링 엔드포인트, 엣지 배포 및 모델 내보내기와 같은 기능은 시스템이 프로덕션 환경에서 안정적으로 실행되도록 보장합니다.
• 더 빠른 개발 주기: 내장된 도구와 기본 구성은 원시 데이터에서 작동하는 시스템으로 더 효율적으로 이동하도록 돕습니다.
• 사용 편의성: 직관적인 인터페이스, 간소화된 워크플로우 및 최소한의 설정 요구 사항은 초보자와 숙련된 사용자 모두가 플랫폼에 접근할 수 있게 합니다.
• 수동 작업 감소: AI 지원 어노테이션 및 자동화된 데이터 처리와 같은 기능은 반복적인 작업에 소요되는 시간을 줄여줍니다.
• 시간 경과에 따른 확장성: 요구 사항이 변경됨에 따라 새로운 데이터를 추가하고 모델을 재학습하여 시스템을 업데이트할 수 있으므로, 새로운 결함 유형, 조건 및 다중 카메라 설정에 적응할 수 있습니다.

Link to this section주요 요점#

카메라 기반 비전 검사 시스템 구축이 복잡하거나 깊은 AI 전문 지식을 필요로 하는 것은 아닙니다. Ultralytics Platform을 사용하면 한곳에서 원시 데이터를 사용하여 작동하는 시스템을 만들고 성능을 모니터링할 수 있습니다. 이는 실제 환경에서 검사 시스템을 구축, 개선 및 운영하는 방식을 간소화합니다.

커뮤니티에 가입하고 GitHub 저장소를 탐색하여 비전 AI에 대해 더 자세히 알아보세요. 라이선스 옵션을 확인하여 컴퓨터 비전 프로젝트를 시작해 보세요. 제조업의 AI나 자동차 산업의 컴퓨터 비전과 같은 혁신에 관심이 있으신가요? 솔루션 페이지를 방문하여 자세한 내용을 확인해 보세요.