AI 전문 지식 없이 카메라 기반 비전 검사 시스템 구축하기

휴대폰, 포장 상품, 자동차 부품 등 우리가 사용하는 모든 제품은 최종 소비자인 우리에게 도달하기 전에 어떤 형태로든 품질 검사를 거칩니다. 전통적으로 품질 검사는 수동 검사나 간단한 규칙 기반 시스템을 사용해 진행되었습니다. 이러한 방법은 효과가 있지만, 생산량이 증가하면 속도가 느리고 일관성이 떨어지며 확장하기 어려운 경우가 많습니다.

품질 검사 프로세스를 개선하기 위해 많은 산업 분야에서 기계가 이미지와 동영상을 이해하도록 돕는 인공지능 분야인 컴퓨터 비전을 도입하고 있습니다. 예를 들어, Ultralytics YOLO26과 같은 비전 AI 모델은 높은 정확도로 결함을 감지하고 분류하며 위치를 파악할 수 있습니다.

실제 생산 환경에서는 고속 조립 라인에서 직접 촬영한 이미지를 분석하는 데 이러한 모델을 사용할 수 있습니다. 제품이 여러 단계를 거치는 동안 산업용 카메라가 제품을 추적하고 시스템은 긁힘, 부품 누락, 정렬 불량과 같은 문제를 확인합니다. 이를 통해 처리량이 높은 검사 환경에서도 결함을 더 빠르고 일관되게 감지할 수 있습니다.

과거에는 이러한 시스템을 구축하는 데 여러 도구와 높은 수준의 기술 전문성이 필요해 프로세스가 복잡하고 시간이 많이 걸렸습니다. 컴퓨터 비전을 위한 새로운 엔드투엔드 솔루션인 Ultralytics Platform은 데이터 준비, 어노테이션, 모델 훈련, 배포를 한곳에 통합해 이 과정을 간소화합니다.

이 글에서는 깊은 AI 전문 지식이 없어도 Ultralytics Platform을 사용해 실용적인 카메라 기반 비전 검사 시스템을 구축하는 방법을 살펴보겠습니다. 시작해 보겠습니다!

품질 관리에서 컴퓨터 비전의 역할#

Ultralytics Platform을 사용해 검사 시스템을 더 쉽게 구축하는 방법을 살펴보기 전에, 한 걸음 물러서서 품질 검사에서 컴퓨터 비전이 어떤 역할을 하는지 알아보겠습니다.

검사는 제품이 품질 기준을 충족하고 결함이 없는지 확인하는 제조 공정의 핵심 단계입니다. 그러나 특히 장시간 교대 근무나 대량 생산 중에는 검사 결과가 달라질 수 있습니다.

검사의 신뢰성을 높이기 위해 많은 산업 분야에서는 머신 비전이라고도 하는 컴퓨터 비전을 사용해 생산 라인의 이미지를 분석하고 결함을 식별합니다. 이러한 시스템은 딥러닝을 사용하며, 모델과 알고리즘은 고품질 레이블 이미지의 대규모 데이터에서 패턴을 학습합니다.

모델 훈련 중에는 정상 제품과 다양한 결함 유형의 예시를 모델에 보여줍니다. 시간이 지나면 모델은 이러한 패턴을 스스로 인식하는 법을 학습합니다. 훈련된 모델은 대량의 제품을 검사하고 동일한 기준을 일관되게 적용해 정확도를 높일 수 있습니다.

품질 검사에 사용되는 일반적인 컴퓨터 비전 작업#

Ultralytics YOLO 모델과 같은 컴퓨터 비전 모델은 다양한 비전 작업을 지원해 머신 비전 애플리케이션을 구현할 수 있도록 합니다. 다음은 자동화된 검사 워크플로에서 이러한 비전 AI 작업을 활용하는 방법을 간략히 정리한 내용입니다.

• 이미지 분류: 이미지 전체에 “양품” 또는 “불량”과 같은 단일 레이블을 지정하는 작업입니다. 결함 위치를 표시하지 않고 제품 품질을 전반적으로 평가합니다.
• 객체 탐지: 이미지에서 결함을 식별하고 바운딩 박스를 사용해 위치를 찾습니다. 이를 통해 균열, 긁힘, 부품 누락과 같은 문제를 감지하고 위치를 파악할 수 있습니다.
• 인스턴스 분할: 객체 탐지에서 한 단계 더 나아가, 감지된 각 결함에 대해 픽셀 단위 마스크를 예측합니다. 이를 통해 결함의 모양, 크기, 경계를 정밀하게 분석할 수 있습니다.
• 객체 추적: 여러 프레임에서 제품을 추적할 때 생산 라인을 따라 이동하는 제품을 계속 추적합니다. 이를 통해 일관성을 유지하고 결함을 놓치지 않도록 합니다.
• 회전 바운딩 박스(OBB) 탐지: 축에 정렬된 바운딩 박스 대신 회전된 바운딩 박스를 사용해 객체를 탐지하는 작업입니다. 결함이나 부품이 다양한 각도로 나타나는 경우 특히 유용하며, 더 정확하게 위치를 파악할 수 있습니다.

산업 전반의 품질 검사 응용 사례 살펴보기#

컴퓨터 비전은 제품 품질을 유지하고 표준을 준수하며 수동 검사의 필요성을 줄이기 위해 여러 산업 분야에서 널리 사용됩니다. 결함 감지, 분류, 객체 인식, 측정, 이상 탐지와 같은 주요 기능을 수행합니다.

그림 1. 머신 비전 시스템을 사용해 제품을 감지하고 추적하는 예시입니다. (출처)

다음은 실제 환경에서 활용되는 몇 가지 사례입니다.

• 제조: 생산 라인 제품 이미지를 분석해 긁힘, 찌그러짐, 균열, 변색과 같은 문제를 식별하는 표면 결함 탐지는 생산 라인의 결함을 감지하는 데 사용됩니다. 또한 부품 누락이나 조립 오류를 실시간으로 탐지해 지속적인 검사를 지원할 수 있습니다.
• 자동차: 컴퓨터 비전 시스템은 엔진 부품과 차체 패널을 분석해 정렬 상태를 확인하고 손상을 감지합니다. 복잡한 형상이나 접근하기 어려운 영역을 검사할 때 특히 효과적이며, 정확한 위치 조정과 자동 검사를 위해 로봇 시스템과 함께 작동하는 경우가 많습니다.
• 전자 및 반도체: 이러한 시스템은 인쇄 회로 기판(PCBs)과 같은 부품에서 납땜 문제, 미세 균열, 회로 손상을 포함한 작은 결함을 감지합니다. 고해상도 이미지 분석을 사용하면 수동 검사에서 자주 놓치는 매우 미세한 결함도 감지할 수 있습니다.
• 포장 및 물류: 비전 시스템은 바코드를 스캔하고 제품 라벨을 읽으며 포장 품질을 확인합니다. 제품이 올바르게 포장되고 밀봉되어 배송 준비가 되었는지 확인해 오류를 줄입니다.
• 식음료: 비전 카메라나 비전 센서를 사용하는 검사 시스템은 제품 외관을 분석해 밀봉 불량, 오염 위험, 라벨 오류, 시각적 불일치와 같은 문제를 식별하여 품질과 안전성을 유지하도록 돕습니다.
• 제약: 컴퓨터 비전은 정제, 바이알, 포장재를 검사해 균열, 오염, 라벨 오류, 충전량 불일치와 같은 결함을 확인합니다. 이를 통해 엄격한 규제 기준을 준수하고 제품 안전을 유지할 수 있습니다.

Ultralytics Platform으로 비전 검사 워크플로 간소화하기#

카메라가 검사를 위해 이미지를 지속적으로 촬영하는 동안 제품이 여러 단계를 거쳐 이동하는 제조 라인을 생각해 보세요. 이러한 이미지는 긁힘, 부품 누락, 정렬 불량과 같은 결함을 확인하는 데 사용됩니다.

지금까지 이러한 검사 시스템을 구축하고 관리하려면 여러 도구와 상당한 수준의 기술 전문성이 필요했습니다.

실제로 Ultralytics는 비전 AI 커뮤니티로부터 이 프로세스가 얼마나 분산되어 있고 시간이 많이 걸리는지에 대한 의견을 꾸준히 받아 왔습니다. 주요 병목 현상으로는 도구의 파편화, 복잡한 환경 설정, 비효율적인 데이터 레이블링 워크플로, 모델 훈련 지연, 배포 문제 등이 있습니다. 이러한 의견은 Ultralytics Platform을 설계하는 데 중요한 역할을 했습니다.

그림 2. Ultralytics Platform 미리보기 (출처)

Ultralytics Platform을 사용하면 개발 및 배포의 전체 프로세스를 한곳에서 처리할 수 있습니다. 원시 데이터를 업로드하고 어노테이션을 추가해 훈련 데이터셋을 만들 수 있으며, 이 데이터셋으로 결함을 감지하는 모델을 훈련할 수 있습니다. 훈련이 완료되면 이러한 모델을 배포해 생산 라인의 새 이미지를 분석할 수 있으며, 내장된 도구로 시간에 따른 성능을 모니터링할 수 있습니다.

전체 워크플로를 한곳에 통합하는 것 외에도 Ultralytics Platform은 사용하기 쉽도록 설계되었습니다. 머신러닝 경험이 제한적인 사용자도 아이디어 구상부터 프로덕션까지 빠르게 진행할 수 있습니다.

Ultralytics Platform으로 이미지의 결함 레이블링하기#

Ultralytics Platform이 워크플로를 통합하는 방식을 살펴보았으니, 데이터 업로드와 결함 레이블링부터 시작해 비전 AI 파이프라인의 각 단계에서 플랫폼을 사용하는 방법을 살펴보겠습니다.

Ultralytics Platform에서 검사 데이터셋 관리하기#

첫 번째 단계는 데이터를 플랫폼으로 가져오는 것입니다. 이미지, 동영상 또는 ZIP, TAR, GZ 파일과 같은 데이터셋 아카이브를 업로드할 수 있습니다. YOLO 및 COCO와 같은 일반적인 데이터셋 형식을 지원하므로 기존 데이터셋을 추가 작업 없이 가져올 수 있습니다.

커뮤니티에서 공유한 데이터셋을 사용하면 더 빠르게 시작할 수도 있습니다. 이러한 데이터셋을 탐색해 워크스페이스에 복제하면 처음부터 시작하지 않고 기존 데이터를 기반으로 작업할 수 있습니다. 복제한 데이터셋은 특정 사용 사례에 맞게 업데이트하고 확장할 수 있습니다.

여러 실험을 진행하는 경우 데이터셋을 NDJSON 파일로 가져와 재사용할 수 있으므로, 추가 변환 없이 데이터셋을 더 쉽게 재현하거나 공유할 수 있습니다.

데이터를 업로드하면 플랫폼이 자동으로 데이터를 준비합니다. 파일 형식을 확인하고 어노테이션을 처리하며, 필요한 경우 이미지 크기를 조정하고 기본 데이터셋 통계를 생성합니다. 동영상은 훈련에 사용할 수 있도록 프레임으로 분할되며, 이미지는 더 쉽게 탐색하고 분석할 수 있도록 최적화됩니다.

Ultralytics Platform을 통한 데이터 어노테이션#

데이터가 준비되면 다음 단계는 데이터 어노테이션입니다. 이 단계에서는 모델이 탐지 대상을 학습할 수 있도록 결함에 레이블을 지정합니다. Ultralytics Platform에는 객체 탐지, 인스턴스 분할, 이미지 분류, 포즈 추정, 회전 바운딩 박스 탐지와 같은 작업을 지원하는 내장 어노테이션 편집기가 포함되어 있습니다.

사용 사례에 따라 바운딩 박스, 폴리곤, 키포인트와 같은 도구를 사용해 데이터를 수동으로 레이블링할 수 있습니다. 작업 속도를 높이기 위해 플랫폼은 AI 지원 레이블링도 제공합니다.

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

그림 3. Ultralytics Platform에서 SAM을 활용한 스마트 어노테이션 (출처)

또한 YOLO 기반 스마트 어노테이션은 모델 예측을 사용해 레이블을 자동으로 생성할 수 있습니다. 생성된 레이블을 검토하고 보정할 수 있으므로 모든 항목을 수동으로 레이블링하지 않고도 대규모 데이터셋을 더 쉽게 처리할 수 있습니다.

어노테이션 편집기에는 클래스 관리, 어노테이션 편집, 키보드 단축키, 실행 취소 및 다시 실행 옵션과 같은 기능도 포함되어 있습니다. 이러한 기능을 사용하면 데이터셋이 커져도 일관성을 유지하고 어노테이션을 검토하기가 더 쉬워집니다.

데이터에 레이블을 지정하면 플랫폼에서 클래스 분포와 어노테이션 개수와 같은 정보를 확인할 수 있습니다. 이를 통해 훈련을 시작하기 전에 누락된 부분을 찾고 불일치를 수정하며 데이터셋 품질을 높일 수 있습니다.

Ultralytics Platform에서 결함 탐지를 위한 YOLO26 훈련하기#

다음 단계는 레이블이 지정된 데이터를 사용해 결함을 자동으로 감지하도록 모델을 훈련하는 것입니다. Ultralytics Platform은 YOLO26을 포함한 Ultralytics YOLO 모델의 훈련을 지원하며, 이러한 모델은 객체 탐지, 인스턴스 분할, 이미지 분류와 같은 작업에 사용할 수 있습니다.

훈련은 통합 대시보드에서 관리되므로 한곳에서 훈련 작업을 구성하고 실행하며 모니터링할 수 있습니다. 시작하려면 업로드한 데이터셋, 플랫폼에서 어노테이션한 데이터셋, 플랫폼에서 사용할 수 있는 공개 데이터셋의 데이터셋, 커뮤니티에서 복제한 데이터셋 중 하나를 선택할 수 있습니다.

데이터셋을 선택하면 훈련 실행에 자동으로 연결되므로 실험을 더 쉽게 추적하고 일관성을 유지할 수 있습니다.

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

훈련 실행 및 모니터링#

그런 다음 훈련 실행 방법을 선택할 수 있습니다. 플랫폼은 관리형 GPU를 사용하는 클라우드 훈련, 자체 하드웨어를 사용하는 로컬 훈련, Google Colab과 같은 환경을 통한 브라우저 기반 워크플로를 지원합니다.

클라우드 학습을 사용할 때는 소규모 실험에 적합한 RTX 2000 Ada 및 RTX A4500, 더 까다로운 워크로드에 적합한 RTX 4090 또는 RTX A6000, 대규모 학습을 위한 A100 또는 H100과 같은 고성능 옵션 등 다양한 GPU 옵션 중에서 선택할 수 있습니다.

학습이 시작되면 플랫폼 내에서 진행 상황을 직접 모니터링할 수 있습니다. 대시보드에서는 손실 곡선 및 성능 지표와 같은 주요 메트릭은 물론 시스템 사용량과 학습 로그를 실시간으로 확인할 수 있습니다. 따라서 모델의 학습 과정을 원활하게 파악하고 잠재적인 문제를 조기에 식별할 수 있습니다.

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

여러 실험을 실행하면 플랫폼에서 구성, 데이터 세트, 결과를 한곳에 기록합니다. 이를 통해 서로 다른 학습 실행을 간편하게 비교하고, 정밀도, 재현율, mAP와 같은 메트릭으로 성능을 평가하며, 배포에 가장 적합한 모델을 선택할 수 있습니다.

Ultralytics Platform을 통한 비전 모델 배포#

학습 후 다음 단계는 배포하기 전에 새롭고 학습에 사용되지 않은 데이터에서 학습된 모델의 성능을 검증하는 것입니다. Ultralytics Platform에는 설정 없이 브라우저에서 직접 모델을 테스트할 수 있는 기본 제공 Predict 탭이 포함되어 있습니다.

이미지를 업로드하거나 샘플 데이터를 사용하거나 웹캠으로 입력을 캡처할 수 있으며, 시각적 오버레이와 신뢰도 점수가 표시된 결과가 즉시 나타납니다. 이를 통해 실제 시스템에 통합하기 전에 모델 성능을 빠르게 확인하고 문제를 식별할 수 있습니다.

모델 검증이 완료되면 사용 사례에 따라 다양한 옵션을 사용해 배포할 수 있습니다. Ultralytics Platform에서 지원하는 모델 배포 옵션을 자세히 살펴보겠습니다.

• 공유 추론: 이 옵션을 사용하면 REST API를 통해 모델에 액세스할 수 있으므로 애플리케이션이나 워크플로에 쉽게 통합할 수 있습니다. 몇몇 주요 리전에서 멀티 테넌트 시스템으로 실행되며, 요청은 사용 가능한 가장 가까운 서비스로 자동 라우팅됩니다. 따라서 프로덕션 환경으로 이동하기 전 개발, 테스트 및 비교적 가벼운 사용에 적합합니다.
• 전용 엔드포인트: 프로덕션 용도의 경우 자체 컴퓨팅 리소스를 갖춘 전용 엔드포인트로 모델을 배포할 수 있습니다. 이 엔드포인트는 전 세계 43개 리전에서 단일 테넌트 서비스로 실행되므로 최종 사용자와 가까운 곳에 배포하여 지연 시간을 줄일 수 있습니다. 또한 오토스케일링과 스케일 투 제로를 지원하여 트래픽에 따라 리소스를 자동으로 조정할 수 있습니다.
• 모델 내보내기: 모델을 내보내 플랫폼 외부의 로컬 시스템이나 엣지 디바이스에서 실행할 수 있습니다. 플랫폼은 ONNX, TensorRT, OpenVINO, CoreML, TensorFlow Lite를 포함한 17가지 형식을 지원합니다. 내보내기 옵션은 FP16 및 INT8 양자화와 같은 최적화도 지원하므로 모델 크기를 줄이고 다양한 하드웨어 환경에서 추론 속도를 높일 수 있습니다.

Ultralytics Platform을 사용한 배포 모델 모니터링#

이미지 처리 또는 컴퓨터 비전 솔루션의 수명 주기는 모델 배포로 끝나지 않습니다. 비전 검사 시스템도 마찬가지입니다. 모델이 프로덕션 환경에서 실행되면 조건이 바뀌더라도 안정적으로 성능을 발휘하는지 확인하기 위해 지속적으로 모니터링해야 합니다.

Ultralytics Platform은 배포된 모델의 성능을 명확하게 보여 주는 기본 제공 모니터링 대시보드를 제공합니다. 단일 인터페이스에서 요청 활동을 추적하고, 로그를 확인하며, 각 배포의 상태를 점검할 수 있습니다. 이를 통해 모델이 어떻게 사용되고 시간이 지남에 따라 어떻게 동작하는지 파악할 수 있습니다.

대시보드에는 총 요청 수, 오류율, 지연 시간과 같은 주요 메트릭이 포함되어 있어 성능과 응답성을 평가하는 데 도움이 됩니다. 이러한 메트릭은 정기적으로 업데이트되며 사용 패턴과 시스템 안정성에 대한 인사이트를 제공합니다.

기본 제공 세계 지도에는 요청과 배포가 여러 리전에 분포된 현황이 표시됩니다. 전 세계 여러 위치에 배포할 수 있도록 지원하므로 이 화면에서 지리적 사용 현황을 추적하고 다양한 환경에서 모델의 성능을 파악할 수 있습니다.

그림 5. Ultralytics Platform에서 배포 모델 모니터링(출처)

심층 분석을 위해 각 배포에는 타임스탬프, 요청 세부 정보, 오류 메시지가 포함된 상세 로그가 제공됩니다. 심각도별로 로그를 필터링할 수 있어 문제를 디버깅하고 오류를 신속하게 식별할 수 있습니다. 또한 상태 점검은 실시간 상태 표시기를 제공하여 배포가 예상대로 실행 중인지 또는 주의가 필요한지 보여 줍니다.

모니터링은 최적화에서도 중요한 역할을 합니다. 입력 데이터, 트래픽 또는 사용 패턴이 바뀌면 성능이 달라질 수 있습니다. 메트릭과 로그를 추적하면 높은 지연 시간, 증가한 오류율, 확장성 제한과 같은 문제를 식별하고 일관된 성능을 유지하기 위한 조치를 취할 수 있습니다.

비전 솔루션 구축에 Ultralytics Platform을 사용할 때의 이점#

비전 검사 시스템을 구축하고 확장할 때 Ultralytics Platform을 사용하면 얻을 수 있는 주요 이점은 다음과 같습니다.

• 실제 환경에 최적화: 오토스케일링 엔드포인트, 엣지 배포, 모델 내보내기와 같은 기능을 통해 프로덕션 환경에서도 시스템을 안정적으로 실행할 수 있습니다.
• 더 빠른 개발 주기: 기본 제공 도구와 기본 구성을 사용하면 원시 데이터에서 작동하는 시스템까지 더 효율적으로 진행할 수 있습니다.
• 사용 편의성: 직관적인 인터페이스, 간소화된 워크플로, 최소한의 설정 요구 사항을 통해 초보자와 숙련된 사용자 모두 플랫폼을 쉽게 사용할 수 있습니다.
• 수작업 감소: AI 지원 어노테이션 및 자동화된 데이터 처리와 같은 기능은 반복적인 작업에 소요되는 시간을 줄여 줍니다.
• 시간이 지나도 확장 가능: 요구 사항이 바뀌면 새 데이터를 추가하고 모델을 재학습하여 시스템을 업데이트할 수 있으므로, 새로운 결함 유형과 조건 및 멀티 카메라 설정에 대응할 수 있습니다.

핵심 요점#

카메라 기반 비전 검사 시스템을 구축하는 일이 복잡하거나 깊은 AI 전문 지식을 필요로 할 이유는 없습니다. Ultralytics Platform을 사용하면 원시 데이터에서 작동하는 시스템까지 구축하고 성능을 모니터링하는 모든 작업을 한곳에서 수행할 수 있습니다. 이를 통해 실제 환경에서 검사 시스템을 구축하고 개선하며 운영하는 과정이 간소화됩니다.

비전 AI에 대해 자세히 알아보려면 커뮤니티에 참여하고 GitHub 저장소를 살펴보세요. 컴퓨터 비전 프로젝트를 시작하려면 라이선스 옵션을 확인하세요. 제조업의 AI 또는 자동차 산업의 컴퓨터 비전과 같은 혁신에 관심이 있으신가요? 솔루션 페이지를 방문하여 더 자세히 알아보세요.