AI 전문 지식 없이 카메라 기반 비전 검사 시스템 구축

휴대전화, 포장된 제품, 자동차 부품 등 우리가 사용하는 모든 제품은 최종 소비자에게 전달되기 전에 품질 검사를 거칩니다. 전통적으로 이러한 검사는 수동 확인이나 간단한 규칙 기반 시스템을 통해 수행되었습니다. 이러한 방식도 효과는 있지만, 제품 생산량이 증가함에 따라 속도가 느려지고 일관성이 떨어지며 확장하기 어렵다는 문제가 있습니다.

품질 검사 프로세스를 개선하기 위해 많은 산업 분야에서 컴퓨터 비전을 도입하고 있습니다. 컴퓨터 비전은 기계가 이미지와 비디오를 이해하도록 돕는 인공지능의 한 분야입니다. 예를 들어, Ultralytics YOLO26과 같은 비전 AI 모델을 활용하면 높은 정확도로 결함을 탐지, 분류 및 위치 파악할 수 있습니다.

실제 생산 환경에서는 이러한 모델을 사용하여 고속 조립 라인에서 직접 캡처한 이미지를 분석할 수 있습니다. 제품이 여러 단계를 거쳐 이동할 때 산업용 카메라가 이를 추적하며, 시스템은 스크래치, 부품 누락, 정렬 불량과 같은 문제를 확인합니다. 이를 통해 결함 탐지 속도와 일관성을 높이면서 고처리량 검사를 지원할 수 있습니다.

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

이 문서에서는 심도 있는 AI 전문 지식 없이도 Ultralytics Platform을 사용하여 실용적인 카메라 기반 비전 검사 시스템을 구축하는 방법을 살펴봅니다. 지금 바로 시작해 보겠습니다!

Link to this section품질 관리에서 컴퓨터 비전의 역할#

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

검사는 제품이 품질 기준을 충족하고 결함이 없음을 보장하는 제조 공정의 핵심 요소입니다. 그러나 특히 장시간 교대 근무나 대량 생산 중에는 검사 결과가 달라질 수 있습니다.

검사의 신뢰성을 높이기 위해 많은 산업 현장에서는 머신 비전이라고도 알려진 컴퓨터 비전을 사용하여 생산 라인의 이미지를 분석하고 결함을 식별합니다. 이러한 시스템은 딥러닝을 활용하며, 모델과 알고리즘이 대량의 고품질 라벨링된 이미지 데이터셋에서 패턴을 학습합니다.

모델 학습 단계에서 모델은 정상 제품과 다양한 결함 유형의 예시를 모두 학습합니다. 시간이 지남에 따라 모델은 스스로 이러한 패턴을 인식하는 방법을 배우게 됩니다. 학습이 완료되면 모델은 대량의 제품을 일관된 기준으로 검사하여 정확도를 향상시킬 수 있습니다.

Link to this section품질 검사에 흔히 사용되는 컴퓨터 비전 작업#

머신 비전 애플리케이션은 Ultralytics YOLO 모델과 같이 다양한 비전 작업을 지원하는 컴퓨터 비전 모델을 통해 구현됩니다. 자동화된 검사 워크플로에 이러한 비전 AI 작업이 어떻게 사용되는지 개요를 설명해 드립니다.

• 이미지 분류(Image classification): 이 작업은 전체 이미지에 “양품” 또는 “결함”과 같은 단일 라벨을 지정하는 데 사용됩니다. 결함의 위치를 나타내지 않고 제품 품질에 대한 전반적인 평가를 제공합니다.
• 객체 탐지(Object detection): 이 작업은 이미지 내의 결함을 식별하고 바운딩 박스를 사용하여 해당 위치를 찾아냅니다. 이를 통해 균열, 긁힘 또는 부품 누락과 같은 문제를 탐지하고 위치를 파악할 수 있습니다.
• 인스턴스 분할(Instance segmentation): 객체 탐지에서 한 걸음 더 나아가, 감지된 각 결함에 대해 픽셀 수준의 마스크를 예측합니다. 이는 결함의 모양, 크기 및 경계를 정밀하게 분석할 수 있게 합니다.
• 객체 추적(Object tracking): 여러 프레임에 걸쳐 제품을 추적할 때 생산 라인을 이동하는 개별 항목을 따라갑니다. 이를 통해 일관성을 유지하고 결함을 놓치지 않도록 합니다.
• 회전 바운딩 박스(OBB) 탐지: 이 작업은 축 정렬 바운딩 박스 대신 회전된 바운딩 박스를 사용하여 객체를 탐지합니다. 결함이나 구성 요소가 다양한 각도로 나타날 때 특히 유용하며, 더 정확한 위치 파악이 가능합니다.

Link to this section다양한 산업 분야의 품질 검사 애플리케이션 살펴보기#

컴퓨터 비전은 제품 품질 유지, 기준 충족, 수동 검사 의존도 감소를 위해 여러 산업 분야에서 널리 사용됩니다. 이 기술은 결함 탐지, 분류, 객체 인식, 측정 및 이상 탐지와 같은 핵심 기능을 수행합니다.

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

실제 적용되는 몇 가지 사용 사례는 다음과 같습니다.

• 제조업: 표면 결함 탐지는 생산 라인 이미지 분석을 통해 제품의 긁힘, 찌그러짐, 균열, 변색 등을 식별하는 인라인 결함 탐지에 사용됩니다. 또한 실시간으로 누락된 부품이나 조립 오류를 탐지하여 지속적인 검사를 지원합니다.
• 자동차 산업: 컴퓨터 비전 시스템은 엔진 부품과 차체 패널을 분석하여 정렬 상태를 검증하고 손상을 감지합니다. 복잡한 형상과 접근하기 어려운 영역을 검사할 때 특히 효과적이며, 종종 로봇 시스템과 함께 작동하여 정밀한 위치 파악 및 자동 검사를 수행합니다.
• 전자 및 반도체: 이 시스템은 인쇄 회로 기판(PCB) 구성 요소의 작은 결함(납땜 문제, 미세 균열, 회로 손상 등)을 탐지합니다. 고해상도 이미지 분석을 통해 수동 검사 시 흔히 놓치기 쉬운 매우 미세한 결함도 감지할 수 있습니다.
• 포장 및 물류: 비전 시스템은 바코드 스캔, 제품 라벨 읽기 및 포장 품질 확인을 수행합니다. 제품이 올바르게 포장되고 밀봉되어 배송 준비가 완료되었는지 확인하여 오류를 줄입니다.
• 식음료: 비전 카메라나 비전 센서를 기반으로 하는 검사 시스템은 제품 외관을 분석하여 불완전한 밀봉, 오염 위험, 잘못된 라벨링 또는 시각적 불일치와 같은 문제를 식별함으로써 품질과 안전을 유지하는 데 도움을 줍니다.
• 제약: 컴퓨터 비전은 정제, 바이알, 포장의 균열, 오염, 라벨링 오류 또는 충전량 불일치와 같은 결함을 검사하여 엄격한 규제 표준 준수와 제품 안전을 유지합니다.

Link to this sectionUltralytics Platform으로 시각적 검사 워크플로 간소화#

카메라가 지속적으로 이미지를 캡처하여 검사하는 제조 라인을 가정해 보겠습니다. 이 이미지들은 긁힘, 부품 누락, 정렬 불량과 같은 결함을 확인하는 데 사용됩니다.

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

실제로 Ultralytics는 비전 AI 커뮤니티로부터 이 과정이 얼마나 단편화되고 시간이 많이 걸리는지에 대한 일관된 피드백을 받아왔습니다. 흔히 발생하는 병목 현상으로는 도구의 분산, 복잡한 환경 설정, 비효율적인 데이터 라벨링 워크플로, 모델 학습 지연 및 배포 시의 어려움 등이 있습니다. 이러한 피드백은 Ultralytics Platform을 형성하는 데 핵심적인 역할을 했습니다.

그림 2. Ultralytics Platform 살펴보기 (출처)

Ultralytics Platform을 사용하면 전체 개발 및 배포 과정을 한곳에서 처리할 수 있습니다. 원시 데이터를 업로드하고 어노테이션을 수행하여 학습 데이터셋을 만들고, 이를 사용하여 모델을 학습시켜 결함을 탐지합니다. 학습이 완료되면 이러한 모델을 배포하여 생산 라인의 새로운 이미지를 분석할 수 있으며, 시간이 지남에 따라 성능을 모니터링하는 내장 도구도 제공됩니다.

전체 워크플로를 한곳으로 통합하는 것 외에도, Ultralytics Platform은 사용하기 쉽게 설계되었습니다. 머신러닝 경험이 부족한 사용자라도 아이디어 구상에서 실제 운영 단계까지 빠르게 진행할 수 있습니다.

Link to this sectionUltralytics Platform을 사용하여 이미지 속 결함 라벨링하기#

이제 Ultralytics Platform이 어떻게 워크플로를 통합하는지 확인했으니, 데이터 업로드부터 결함 라벨링에 이르기까지 비전 AI 파이프라인의 각 단계에서 이 플랫폼을 사용하는 방법을 살펴보겠습니다.

Link to this sectionUltralytics Platform에서의 검사 데이터셋 관리#

첫 번째 단계는 데이터를 플랫폼으로 가져오는 것입니다. 이미지, 비디오 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 데이터셋은 탐색 후 작업 공간에 복제할 수 있어 처음부터 시작할 필요 없이 기존 데이터를 기반으로 개발할 수 있습니다. 복제된 데이터셋은 특정 사용 사례에 맞게 업데이트하고 확장할 수 있습니다.

다양한 실험을 진행 중이라면 NDJSON 파일로 데이터셋을 가져와 재사용할 수 있으며, 추가 변환 없이도 더 쉽게 재현하거나 공유할 수 있습니다.

데이터가 업로드되면 플랫폼이 자동으로 준비 작업을 수행합니다. 파일 형식을 확인하고, 어노테이션을 처리하며, 필요에 따라 이미지 크기를 조정하고, 기본적인 데이터셋 통계를 생성합니다. 비디오는 학습에 사용할 수 있도록 프레임 단위로 분할되며, 이미지는 더 쉬운 탐색과 분석을 위해 최적화됩니다.

Link to this sectionUltralytics Platform 기반의 데이터 어노테이션#

데이터가 준비되면 다음 단계는 데이터 어노테이션입니다. 이 단계에서 결함을 라벨링하여 모델이 무엇을 탐지해야 하는지 학습하게 합니다. Ultralytics Platform에는 객체 탐지, 인스턴스 분할, 이미지 분류, 포즈 추정 및 회전 바운딩 박스 탐지와 같은 작업을 지원하는 내장 어노테이션 에디터가 포함되어 있습니다.

사용 사례에 따라 바운딩 박스, 폴리곤, 키포인트와 같은 도구를 사용하여 수동으로 데이터를 라벨링할 수 있습니다. 작업을 가속화하기 위해 플랫폼은 AI 지원 라벨링 기능도 제공합니다.

예를 들어, SAM 기반 스마트 어노테이션을 사용하면 간단한 클릭만으로 객체를 라벨링할 수 있습니다. 포함하거나 제외할 영역을 선택하면 시스템이 실시간으로 마스크를 생성하며, 필요에 따라 조정할 수 있습니다.

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

또한 YOLO 기반 스마트 어노테이션은 모델 예측을 사용하여 자동으로 라벨을 생성할 수 있습니다. 생성된 라벨은 검토 및 수정이 가능하여 모든 데이터를 수동으로 라벨링할 필요 없이 대규모 데이터셋을 더 쉽게 다룰 수 있습니다.

어노테이션 에디터에는 클래스 관리, 어노테이션 편집, 키보드 단축키, 실행 취소 또는 다시 실행 옵션과 같은 기능이 포함되어 있습니다. 이러한 기능은 데이터셋이 커짐에 따라 일관성을 유지하고 어노테이션을 검토하는 데 도움을 줍니다.

데이터를 라벨링함에 따라 플랫폼은 클래스 분포 및 어노테이션 개수와 같은 인사이트를 제공합니다. 이는 학습으로 넘어가기 전에 격차를 식별하고, 불일치를 수정하며, 데이터셋 품질을 개선하는 데 도움이 됩니다.

Link to this sectionUltralytics Platform에서 결함 탐지를 위한 YOLO26 학습#

다음 단계는 라벨링된 데이터를 사용하여 결함을 자동으로 탐지하도록 모델을 학습시키는 것입니다. Ultralytics Platform은 객체 탐지, 인스턴스 분할, 이미지 분류 등의 작업을 수행할 수 있는 YOLO26을 포함한 Ultralytics YOLO 모델 학습을 지원합니다.

학습은 중앙화된 대시보드를 통해 관리되며, 이곳에서 학습 작업을 구성, 실행 및 모니터링할 수 있습니다. 시작하려면 업로드한 데이터셋, 플랫폼에서 어노테이션한 데이터셋, 플랫폼에서 제공하는 공개 데이터셋 또는 커뮤니티에서 복제한 데이터셋 중 하나를 선택하면 됩니다.

선택이 완료되면 데이터셋이 학습 실행에 자동으로 연결되어 실험 추적과 일관성 유지가 쉬워집니다.

다음으로 에폭 수, 배치 크기, 이미지 크기, 학습률과 같은 학습 파라미터를 구성할 수 있습니다. 이러한 설정은 모델이 학습하는 방식을 제어하며 학습 시간과 성능에 직접적인 영향을 미칩니다.

Link to this section학습 실행 및 모니터링#

그 후 학습 방식을 선택할 수 있습니다. 플랫폼은 관리형 GPU를 사용한 클라우드 학습, 자체 하드웨어를 사용하는 로컬 학습, 그리고 Google Colab과 같은 환경을 통한 브라우저 기반 워크플로를 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 곡선과 성능 지표, 시스템 사용량 및 학습 로그와 같은 핵심 지표를 실시간으로 시각화합니다. 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 실행하면 플랫폼이 구성, 데이터셋, 결과를 한곳에 기록합니다. 이를 통해 서로 다른 학습 결과를 비교하고, 정밀도, 재현율, mAP와 같은 지표를 사용하여 성능을 평가한 다음, 배포를 위한 최적의 모델을 선택할 수 있습니다.

Link to this sectionUltralytics Platform을 통한 비전 모델 배포#

학습 후에는 배포 전 새로운 데이터에 대해 학습된 모델이 어떻게 작동하는지 검증하는 단계가 필요합니다. Ultralytics Platform에는 별도의 설정 없이 브라우저에서 모델을 직접 테스트할 수 있는 내장 Predict 탭이 포함되어 있습니다.

이미지를 업로드하거나 샘플 데이터를 사용하거나 웹캠을 통해 입력을 캡처하면 결과가 시각적 오버레이와 신뢰도 점수와 함께 즉시 표시됩니다. 이를 통해 실제 시스템에 통합하기 전에 모델 성능을 빠르게 확인하고 문제를 식별할 수 있습니다.

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

• 공유 추론(Shared inference): 이 옵션을 사용하면 REST API를 통해 모델에 액세스하여 애플리케이션이나 워크플로에 쉽게 통합할 수 있습니다. 이는 몇 개의 핵심 지역에 걸쳐 다중 테넌트 시스템에서 실행되며, 요청은 가장 가까운 사용 가능한 서비스로 자동 라우팅됩니다. 이는 프로덕션 환경으로 이동하기 전 개발, 테스트 및 가벼운 사용에 적합합니다.
• 전용 엔드포인트(Dedicated endpoints): 프로덕션 환경에서는 모델을 자체 컴퓨팅 리소스를 갖춘 전용 엔드포인트로 배포할 수 있습니다. 이러한 엔드포인트는 43개의 글로벌 지역에서 단일 테넌트 서비스로 실행되어 최종 사용자에게 더 가까운 곳에 배포함으로써 대기 시간을 줄이는 데 도움을 줍니다. 또한 자동 스케일링과 제로 스케일링(scale-to-zero)을 지원하여 트래픽에 따라 리소스가 자동으로 조정됩니다.
• 모델 내보내기(Model export): 모델을 내보내 플랫폼 외부의 로컬 시스템이나 엣지 장치에서 실행할 수 있습니다. 플랫폼은 ONNX, TensorRT, OpenVINO, CoreML 및 TensorFlow Lite를 포함한 17가지 형식을 지원합니다. 내보내기 옵션은 FP16 및 INT8 양자화와 같은 최적화를 지원하여 모델 크기를 줄이고 다양한 하드웨어 환경에서 추론 속도를 향상시킵니다.

Link to this sectionUltralytics Platform을 사용하여 배포된 모델 모니터링하기#

이미지 처리 또는 컴퓨터 비전 솔루션의 수명 주기는 모델 배포와 함께 끝나지 않습니다. 이는 비전 검사 시스템에도 동일하게 적용됩니다. 모델이 프로덕션 환경에서 실행되면, 조건이 변경되어도 안정적으로 성능을 발휘할 수 있도록 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. 이를 통해 모델이 어떻게 사용되고 시간이 지남에 따라 어떤 동작을 하는지 파악할 수 있습니다.

대시보드에는 총 요청 수, 오류율 및 대기 시간과 같은 핵심 지표가 포함되어 있어 성능과 응답성을 평가하는 데 도움이 됩니다. 이러한 지표는 정기적으로 업데이트되며 사용 패턴과 시스템 신뢰성에 대한 인사이트를 제공합니다.

내장된 세계 지도에는 요청과 배포가 지역별로 어떻게 분산되어 있는지 표시됩니다. 여러 글로벌 위치에 걸친 배포 지원을 통해 이 뷰는 지리적으로 사용량을 추적하고 모델이 서로 다른 환경에서 어떻게 작동하는지 이해하는 데 도움이 됩니다.

그림 5. Ultralytics Platform에서 배포된 모델 모니터링 (출처)

심층 분석을 위해 각 배포에는 타임스탬프, 요청 세부 정보 및 오류 메시지가 포함된 상세 로그가 제공됩니다. 로그는 심각도별로 필터링할 수 있어 문제를 디버깅하고 장애를 빠르게 식별하는 것이 간단합니다. 또한 상태 확인 기능을 통해 배포가 예상대로 실행되는지 또는 주의가 필요한지 보여주는 실시간 상태 표시를 제공합니다.

모니터링은 최적화에서도 중요한 역할을 합니다. 입력 데이터, 트래픽 또는 사용 패턴이 변경되면 성능이 달라질 수 있습니다. 지표와 로그를 추적하여 높은 대기 시간, 증가된 오류율 또는 확장성 제한과 같은 문제를 식별하고 조치를 취해 일관된 성능을 유지할 수 있습니다.

Link to this section비전 솔루션 구축을 위해 Ultralytics Platform을 사용할 때의 이점#

비전 검사 시스템을 구축하고 확장하기 위해 Ultralytics Platform을 사용할 때의 주요 이점은 다음과 같습니다.

• 실제 환경 최적화: 자동 스케일링 엔드포인트, 엣지 배포 및 모델 내보내기와 같은 기능은 시스템이 프로덕션 환경에서 안정적으로 실행될 수 있도록 보장합니다.
• 더 빠른 개발 주기: 내장 도구와 기본 구성은 원시 데이터에서 작동하는 시스템까지 더 효율적으로 전환할 수 있도록 지원합니다.
• 사용 편의성: 직관적인 인터페이스, 간소화된 워크플로 및 최소한의 설정 요구 사항은 초보자와 숙련된 사용자 모두에게 플랫폼에 쉽게 접근할 수 있도록 합니다.
• 수동 작업 감소: AI 지원 어노테이션 및 자동화된 데이터 처리와 같은 기능은 반복적인 작업에 소요되는 시간을 줄여줍니다.
• 시간에 따른 확장성: 요구 사항이 변경됨에 따라 새로운 데이터를 추가하고 모델을 재학습하여 시스템을 업데이트할 수 있으며, 새로운 결함 유형, 조건 및 다중 카메라 설정에 적응할 수 있습니다.

Link to this section핵심 요약#

카메라 기반 비전 검사 시스템을 구축하는 것이 복잡하거나 심도 있는 AI 전문 지식을 요구하는 것은 아닙니다. Ultralytics Platform을 사용하면 원시 데이터에서 작동하는 시스템을 구축하고 성능을 모니터링하는 모든 과정을 한곳에서 해결할 수 있습니다. 이는 실제 환경에서 검사 시스템을 구축, 개선 및 운영하는 방식을 간소화합니다.

커뮤니티에 가입하고 GitHub 저장소를 탐색하여 비전 AI에 대해 자세히 알아보십시오. 컴퓨터 비전 프로젝트를 시작하려면 라이선스 옵션을 확인해 보시기 바랍니다. 제조 분야의 AI 또는 자동차 산업의 컴퓨터 비전과 같은 혁신에 관심이 있으십니까? 당사의 솔루션 페이지를 방문하여 더 많은 정보를 확인해 보십시오.