Ultralytics 활용해 AI 전문 지식 없이도 라벨링부터 배포까지 카메라 기반 비전 검사 시스템을 구축하는 방법을 알아보세요.
Ultralytics 활용해 AI 전문 지식 없이도 라벨링부터 배포까지 카메라 기반 비전 검사 시스템을 구축하는 방법을 알아보세요.
우리가 사용하는 모든 제품, 즉 휴대폰이든 포장된 상품이든 자동차 부품이든, 최종 소비자인 우리에게 전달되기 전에 반드시 어떤 형태의 품질 검사를 거칩니다. 이는 전통적으로 수동 검사나 단순한 규칙 기반 시스템을 통해 이루어져 왔습니다. 이러한 방법들도 효과가 있기는 하지만, 종종 속도가 느리고 일관성이 떨어지며 생산량이 증가함에 따라 확장하기 어렵다는 단점이 있습니다.
품질 검사 프로세스를 개선하기 위해 많은 산업 분야에서 기계가 이미지와 동영상을 이해하도록 돕는 인공지능의 한 분야인 컴퓨터 비전을 도입하고 있습니다. 예를 들어, Ultralytics 같은 비전 AI 모델은 높은 정확도로 결함을 detect, classify 및 위치 파악하는 데 도움을 줄 수 있습니다.
실제 생산 환경에서는 이러한 모델을 활용해 고속 조립 라인에서 직접 촬영된 이미지를 분석할 수 있습니다. 제품이 각 공정을 거치는 동안 산업용 카메라가 track , 시스템은 흠집, 부품 누락, 정렬 불량 등의 문제를 점검합니다. 이를 통해 결함 탐지 속도가 빨라지고 일관성이 높아지며, 동시에 대량 검사도 가능해집니다.
과거에는 이러한 시스템을 구축하려면 여러 가지 도구와 높은 수준의 기술 전문성이 필요했기 때문에 과정이 복잡하고 시간이 많이 소요되었습니다. 컴퓨터 비전을 위한 당사의 새로운 엔드투엔드 솔루션인 Ultralytics 데이터 전처리, 라벨링, 모델 훈련 및 배포를 한 곳에서 처리함으로써 이 과정을 간소화합니다.
이 글에서는 심도 있는 AI 전문 지식 없이도 Ultralytics 활용해 실용적인 카메라 기반 비전 검사 시스템을 구축하는 방법을 살펴보겠습니다. 그럼 시작해 볼까요!
Ultralytics 어떻게 검사 시스템 구축을 더 쉽게 만들어 주는지 자세히 살펴보기 전에, 한 걸음 물러서서 품질 검사에서 컴퓨터 비전의 역할을 먼저 이해해 봅시다.
검사는 제품이 품질 기준을 충족하고 결함이 없도록 보장하는 제조 공정의 핵심 단계입니다. 그러나 특히 장시간 근무나 대량 생산 시에는 검사 결과가 일관되지 않을 수 있습니다.
검사의 신뢰성을 높이기 위해 많은 산업 분야에서 컴퓨터 비전(머신 비전이라고도 함)을 활용해 생산 라인의 이미지를 분석하고 결함을 식별합니다. 이러한 시스템은 딥러닝을 활용하는데, 여기서 모델과 알고리즘은 방대한 양의 고품질 라벨링 이미지로 구성된 데이터셋을 통해 패턴을 학습합니다.
모델 훈련 과정에서 모델은 정상 제품과 다양한 유형의 결함 사례 모두를 학습합니다. 시간이 지남에 따라 모델은 이러한 패턴을 스스로 인식하는 법을 익히게 됩니다. 훈련이 완료되면 모델은 대량의 제품을 검사하고 동일한 기준을 일관되게 적용함으로써 정확도를 높일 수 있습니다.
머신 비전 애플리케이션은 다양한 유형의 비전 작업을 지원할 수 있는 Ultralytics YOLO 같은 컴퓨터 비전 YOLO 통해 구현됩니다. 다음은 이러한 비전 AI 작업이 자동화된 검사 워크플로우에 어떻게 활용되는지에 대한 개요입니다:
컴퓨터 비전은 제품 품질 유지, 표준 준수, 수동 검사 필요성 감소를 위해 다양한 산업 분야에서 널리 활용되고 있습니다. 이 기술은 결함 탐지, 분류, 물체 인식, 측정, 이상 탐지 등의 핵심 기능을 수행합니다.
다음은 이 기술이 적용된 실제 사용 사례 몇 가지입니다:
제품이 여러 공정을 거치는 제조 라인을 생각해 보자. 이 과정에서 카메라가 검사를 위해 지속적으로 이미지를 촬영한다. 이러한 이미지는 흠집, 부품 누락, 정렬 불량 등의 결함을 확인하는 데 사용된다.
지금까지 이러한 검사 시스템을 구축하고 관리하려면 여러 가지 도구와 상당한 수준의 기술적 전문 지식이 필요했습니다.
사실, Ultralytics에서는 비전 AI 커뮤니티로부터 이 과정이 얼마나 파편화되어 있고 시간이 많이 소요되는지에 대한 일관된 피드백을 받아왔습니다. 주요 병목 현상으로는 흩어져 있는 도구, 복잡한 환경 설정, 비효율적인 데이터 라벨링 워크플로우, 모델 훈련 지연, 그리고 배포 과정의 어려움 등이 꼽힙니다. 이러한 피드백은 Ultralytics 구축하는 데 핵심적인 역할을 했습니다.
Ultralytics 사용하면 개발 및 배포 전 과정을 한 곳에서 처리할 수 있습니다. 원시 데이터를 업로드하고 주석을 달아 훈련 데이터셋을 생성한 다음, 이를 활용해 detect 모델을 훈련시킬 수 있습니다. 훈련이 완료된 모델은 생산 라인에서 수집된 새로운 이미지를 분석하는 데 배포할 수 있으며, 내장된 도구를 통해 시간 경과에 따른 성능을 모니터링할 수 있습니다.
Ultralytics 전체 워크플로를 한곳에 통합할 뿐만 아니라 사용하기 쉽게 설계되었습니다. 머신러닝 경험이 부족한 사용자라도 아이디어를 구상하는 단계부터 실제 운영 단계까지 신속하게 진행할 수 있습니다.
Ultralytics 워크플로를 어떻게 통합하는지 살펴보았으니, 이제 데이터 업로드와 결함 라벨링부터 시작하여 비전 AI 파이프라인의 각 단계에서 이 플랫폼을 사용하는 방법을 단계별로 살펴보겠습니다.
첫 번째 단계는 플랫폼에 데이터를 가져오는 것입니다. 이미지, 동영상 또는 ZIP, TAR, GZ 파일과 같은 데이터셋 아카이브를 업로드할 수 있습니다. YOLO COCO 같은 일반적인 데이터셋 형식이 COCO , 별도의 절차 없이 기존 데이터셋을 가져올 수 있습니다.
커뮤니티에서 공유한 데이터셋을 활용하면 더 빠르게 시작할 수 있습니다. 이러한 데이터셋을 살펴보고 작업 공간으로 복제하면, 처음부터 새로 시작하는 대신 기존 데이터를 기반으로 작업을 진행할 수 있습니다. 복제 후에는 특정 사용 사례에 맞게 데이터를 업데이트하거나 확장할 수 있습니다.
다양한 실험을 진행하고 있다면, 데이터셋을 NDJSON 파일로 가져와 재사용할 수 있어, 별도의 변환 과정 없이도 데이터를 쉽게 복원하거나 공유할 수 있습니다.
데이터가 업로드되면 플랫폼에서 자동으로 데이터를 처리합니다. 파일 형식을 확인하고, 주석을 처리하며, 필요한 경우 이미지 크기를 조정하고, 기본적인 데이터셋 통계를 생성합니다. 동영상은 훈련에 활용할 수 있도록 프레임 단위로 분할되며, 이미지는 탐색과 분석을 용이하게 하기 위해 최적화됩니다.
데이터 준비가 완료되면 다음 단계는 데이터 주석 작업입니다. 이 단계에서는 모델이 detect 대상을 학습할 수 있도록 결함 위치에 라벨을 지정합니다. Ultralytics 객체 탐지, 인스턴스 분할, 이미지 분류, 자세 추정, 방향 기반 바운딩 박스 탐지 등의 작업을 지원하는 내장형 주석 편집기가 포함되어 있습니다.
사용 사례에 따라 바운딩 박스, 다각형 또는 키포인트와 같은 도구를 사용하여 데이터를 수동으로 라벨링할 수 있습니다. 작업 속도를 높이기 위해 플랫폼에서는 AI 기반 라벨링 기능도 제공합니다.
예를 들어, SAM 스마트 주석 기능을 사용하면 간단한 클릭만으로 객체에 라벨을 지정할 수 있습니다. 포함하거나 제외할 영역을 선택하면 시스템이 실시간으로 마스크를 생성하며, 필요에 따라 이를 조정할 수도 있습니다.
또한, YOLO 스마트 주석 기능은 모델 예측 결과를 활용해 라벨을 자동으로 생성할 수 있습니다. 생성된 라벨을 검토하고 수정할 수 있으므로, 모든 항목에 수동으로 라벨을 붙이지 않고도 대규모 데이터셋을 손쉽게 처리할 수 있습니다.
주석 편집기에는 클래스 관리, 주석 편집, 키보드 단축키, 실행 취소 및 다시 실행 옵션 등의 기능도 포함되어 있습니다. 이러한 기능 덕분에 데이터 세트가 확장됨에 따라 주석의 일관성을 유지하고 내용을 검토하기가 훨씬 수월해집니다.
데이터에 라벨을 지정하면 플랫폼에서 클래스 분포 및 라벨 수와 같은 분석 정보를 제공합니다. 이를 통해 훈련 단계로 넘어가기 전에 누락된 부분을 파악하고, 불일치를 수정하며, 데이터셋의 품질을 향상시킬 수 있습니다.
다음 단계는 라벨이 지정된 데이터를 활용해 detect 자동으로 detect 모델을 훈련하는 것입니다. Ultralytics 물체 탐지, 인스턴스 분할, 이미지 분류 등의 작업에 활용할 수 있는 YOLO26을 비롯한 Ultralytics YOLO 통한 훈련을 지원합니다.
훈련은 통합 대시보드를 통해 관리되며, 이곳에서 훈련 작업을 한 곳에서 구성, 실행 및 모니터링할 수 있습니다. 시작하려면 데이터셋을 선택하면 되는데, 직접 업로드한 데이터셋, 플랫폼에서 주석을 달아둔 데이터셋, 플랫폼에서 제공되는 공개 데이터셋, 또는 커뮤니티에서 복제한 데이터셋 등을 선택할 수 있습니다.
데이터셋을 선택하면 해당 데이터셋이 훈련 실행과 자동으로 연결되어, track 일관성을 유지하기가 더 쉬워집니다.
다음으로, 에포크 수, 배치 크기, 이미지 크기, 학습률과 같은 훈련 매개변수를 설정할 수 있습니다. 이러한 설정은 모델의 학습 방식을 결정하며, 훈련 시간과 성능 모두에 직접적인 영향을 미칩니다.
그런 다음 훈련 방식을 선택할 수 있습니다. 이 플랫폼은 관리형 GPU를 활용한 클라우드 훈련, 자체 하드웨어를 사용한 로컬 훈련, 그리고 Google 같은 환경을 통한 브라우저 기반 워크플로를 지원합니다.
클라우드 훈련을 이용할 때는 소규모 실험을 위한 RTX 2000 Ada 및 RTX A4500, 더 높은 성능이 요구되는 워크로드를 위한 RTX 4090 또는 RTX A6000, 대규모 훈련을 위한 A100이나 H100과 같은 고성능 GPU 선택할 수 있습니다.
훈련이 시작되면 플랫폼 내에서 직접 진행 상황을 모니터링할 수 있습니다. 대시보드를 통해 손실 곡선 및 성능 지표와 같은 주요 지표는 물론 시스템 사용 현황 및 훈련 로그를 실시간으로 확인할 수 있습니다. 이를 통해 모델이 어떻게 학습하고 있는지 원활하게 파악하고 잠재적인 문제를 조기에 발견할 수 있습니다.
여러 실험을 진행하는 동안 플랫폼은 구성 track , 데이터 세트 및 결과를 한곳에 track . 이를 통해 서로 다른 훈련 결과를 손쉽게 비교하고, 정밀도, 재현율, mAP 같은 지표를 활용해 성능을 평가하며, 배포에 가장 적합한 모델을 선정할 수 있습니다.
훈련이 끝나면, 배포 단계로 넘어가기 전에 훈련된 모델이 이전에 본 적 없는 새로운 데이터에서 어떻게 작동하는지 검증해야 합니다. Ultralytics 별도의 설정 없이 브라우저에서 바로 모델을 테스트할 수 있는 ‘Predict’ 탭이 내장되어 있습니다.
이미지를 업로드하거나, 샘플 데이터를 사용하거나, 웹캠을 통해 입력 데이터를 캡처할 수 있으며, 결과는 시각적 오버레이와 신뢰도 점수와 함께 즉시 표시됩니다. 즉, 모델을 실제 시스템에 통합하기 전에 모델의 성능을 신속하게 확인하고 문제점을 파악할 수 있습니다.
모델이 검증되면 사용 사례에 따라 다양한 옵션을 활용해 배포할 수 있습니다. 다음은 Ultralytics Platform에서 지원하는 모델 배포 옵션을 자세히 살펴본 내용입니다:
이미지 처리 또는 컴퓨터 비전 솔루션의 수명 주기는 모델 배포로 끝나지 않습니다. 이는 비전 검사 시스템에도 마찬가지로 적용됩니다. 모델이 실제 운영 환경에서 가동되면, 환경이 변화함에 따라 안정적으로 작동하는지 확인하기 위해 지속적으로 모니터링해야 합니다.
Ultralytics 배포된 모델의 성능을 한눈에 파악할 수 있는 내장형 모니터링 대시보드를 제공합니다. 단일 인터페이스에서 track 활동을 track , 로그를 확인하며, 각 배포의 상태를 점검할 수 있습니다. 이를 통해 모델이 어떻게 사용되고 있는지, 그리고 시간이 지남에 따라 어떻게 작동하는지 파악할 수 있습니다.
대시보드에는 총 요청 수, 오류율, 지연 시간 등 주요 지표가 포함되어 있어 성능과 응답 속도를 평가하는 데 도움이 됩니다. 이러한 지표는 정기적으로 업데이트되며, 사용 패턴과 시스템 안정성에 대한 통찰력을 제공합니다.
내장된 세계 지도를 통해 요청과 배포가 각 지역에 어떻게 분포되어 있는지 확인할 수 있습니다. 전 세계 여러 지역에 걸친 배포를 지원하는 이 보기를 통해 지리적 track , 다양한 환경에서 모델의 성능을 파악할 수 있습니다.
보다 심층적인 분석을 위해, 각 배포에는 타임스탬프, 요청 세부 정보 및 오류 메시지가 포함된 상세한 로그가 제공됩니다. 로그를 심각도별로 필터링할 수 있어 문제를 쉽게 디버깅하고 오류를 신속하게 파악할 수 있습니다. 또한, 상태 점검 기능을 통해 실시간 상태 지표가 제공되므로, 배포가 예상대로 실행되고 있는지 또는 조치가 필요한지 여부를 확인할 수 있습니다.
모니터링은 최적화 과정에서도 중요한 역할을 합니다. 입력 데이터, 트래픽 또는 사용 패턴이 변화함에 따라 성능도 달라질 수 있습니다. 메트릭과 로그를 추적함으로써 높은 지연 시간, 오류율 증가, 확장성 한계와 같은 문제를 파악하고, 일관된 성능을 유지하기 위한 조치를 취할 수 있습니다.
비전 검사 시스템을 구축하고 확장하는 데 Ultralytics 활용할 때 얻을 수 있는 주요 이점은 다음과 같습니다:
카메라 기반 비전 검사 시스템을 구축하는 일이 반드시 복잡하거나 심도 있는 AI 전문 지식을 필요로 하는 것은 아닙니다. Ultralytics 사용하면 원시 데이터부터 실제 작동하는 시스템 구축, 그리고 성능 모니터링까지 모든 과정을 한 곳에서 처리할 수 있습니다. 이를 통해 실제 환경에서 검사 시스템을 구축하고, 개선하며, 운영하는 과정이 한층 간소화됩니다.
저희 커뮤니티에 가입하시고 GitHub 저장소를 살펴보시면 Vision AI에 대해 더 자세히 알아보실 수 있습니다. 라이선스 옵션을 확인하여 컴퓨터 비전 프로젝트를 시작해 보세요. 제조업 분야의 AI나 자동차 산업의 컴퓨터 비전과 같은 혁신 기술에 관심이 있으신가요? 솔루션 페이지를 방문하여 더 많은 정보를 확인해 보세요.
미래의 머신러닝 여정을 시작하세요
