Ultralytics YOLO11을 활용한 AI 기반 드론 애플리케이션 구축

매장 쇼핑과 온라인 쇼핑은 비슷해 보일 수 있지만, 서로 다른 물류에 의존합니다. 매장에는 선반을 다시 채우는 작업이 필요한 반면, 온라인 주문은 현관 앞 배송에 의존합니다. 기술 발전에 힘입어 두 쇼핑 경험은 나란히 재편되고 있습니다.

예를 들어 배송 분야에서 큰 변화가 일어나고 있습니다. AI 기반 드론이 제품이 우리 집에 도착하는 방식을 바꾸고 있습니다. 이러한 스마트 드론은 향후 10년 동안 약 8억 800만 건의 배송을 처리할 것으로 예상되며, 일상적인 상거래를 위한 하늘을 새로운 배송 경로로 바꾸고 있습니다.

배송 드론은 인공지능(AI)과 시각 데이터를 분석하는 데 사용되는 AI의 하위 분야인 컴퓨터 비전을 활용하여 장애물 주변을 탐색하고 기동합니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 드론이 실시간으로 객체를 감지하고 추적하도록 지원하여 주변 환경을 더 잘 이해하고 상호작용할 수 있게 합니다.

그림 1. 목적지로 소포를 운반하는 배송 드론입니다.

Meituan과 DJI 같은 기업은 이미 드론에 컴퓨터 비전을 통합하고 있습니다. 실제로 다양한 산업에서 드론이 빠르게 도입되면서 AI 드론 시장은 2031년까지 2,069억 달러 규모로 급성장할 전망입니다.

이 글에서는 Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 드론 배송과 같은 드론 기반 애플리케이션에 어떻게 사용할 수 있는지 자세히 살펴봅니다. 또한 이러한 기술을 실제 환경에서 사용하기 전에 어떻게 개발하고 테스트할 수 있는지 예제를 통해 알아봅니다.

드론에서 Ultralytics YOLO11을 사용하여 주택 감지하기#

배송 드론의 핵심 기능 중 하나는 이동하면서 주택을 감지하는 능력입니다. 이 기능을 재현하고 작동 방식을 이해하기 위해 항공 드론으로 촬영한 영상에서 주택을 식별할 수 있는 컴퓨터 비전 모델을 학습합니다. 이를 위해 커스텀 학습을 사용하여 Ultralytics YOLO11을 학습합니다. 즉, 라벨이 지정된 예제를 사용해 사전 학습된 YOLO11 모델을 미세 조정하여 주택을 인식하고 감지하도록 합니다.

이를 위해서는 드론으로 촬영한 고품질 동영상 데이터가 필요합니다. 흥미롭게도 실제 드론에 접근할 수 없어도 사실적인 항공 영상을 생성할 수 있습니다. 그 방법을 살펴보겠습니다.

Google Earth Studio를 사용하여 인공적인 드론 촬영 영상 만들기#

Google Earth Studio는 사용자가 Google Earth의 위성 및 3D 이미지를 사용하여 정지 콘텐츠와 애니메이션 콘텐츠를 만들 수 있는 웹 기반 애니메이션 도구입니다. 이를 사용하여 사실적인 항공 영상을 만들 수 있습니다.

먼저 Google Earth Studio를 열고 아래와 같이 프로젝트를 생성합니다.

로그인하려면 Google 계정이 필요합니다.

그림 2. Google Earth Studio에서 프로젝트 생성하기입니다.

로그인한 후에는 인공적인 드론 동영상의 위치를 선택할 수 있습니다. 페이지 왼쪽 상단의 검색창을 사용하여 위치를 검색할 수 있습니다. 이 튜토리얼에서는 캐나다를 선택합니다. 또한 주택을 감지하도록 모델을 학습할 예정이므로 드론 동영상에는 주택의 항공 뷰가 포함되어야 합니다.

그림 3. Google Earth Studio를 사용하여 위치 선택하기입니다.

다음으로 인공적인 드론 촬영 영상의 움직임을 캡처할 첫 번째와 마지막 시간 프레임을 설정할 수 있습니다. 드론 촬영 영상의 시작 위치를 선택한 후 아래와 같이 파란색 다이아몬드를 사용하여 첫 번째 프레임을 설정합니다.

그림 4. 파란색 다이아몬드를 사용하여 첫 번째 프레임 설정하기입니다.

다음으로 드론의 목적지를 결정할 마지막 프레임을 선택할 수 있습니다. 이를 통해 드론 영상에 이동 효과를 만들 수 있습니다. 이동 효과를 만들려면 아래에 강조 표시된 막대를 오른쪽으로 밀어 드론 촬영 영상의 특정 시간으로 이동합니다. 다시 파란색 다이아몬드를 사용하여 마지막 지점을 설정합니다.

그림 5. 막대를 움직여 마지막 프레임 설정하기입니다.

마지막으로 페이지 오른쪽 상단의 빨간색 “Render” 버튼을 클릭하여 이 프로젝트를 저장하고 렌더링할 수 있습니다. 그러면 드론 촬영 영상의 최종 동영상 출력이 생성되어 인공적인 드론 동영상 영상이 완성됩니다.

그림 6. 최종 출력 동영상 렌더링하기입니다.

드론 데이터를 라벨링하는 방법#

이제 인공적인 드론 동영상 영상을 만들었으므로 다음 단계는 영상 속 주택에 라벨을 지정하거나 어노테이션을 추가하는 것입니다. 또한 동영상의 개별 프레임을 분리해야 합니다.

이를 시작하려면 LabelImg를 설치합니다. LabelImg는 오픈 소스 이미지 라벨링 도구입니다. 터미널에서 pip 패키지 설치 프로그램을 사용하여 다음 명령을 실행하면 직접 설치할 수 있습니다: “pip install labelImg”.

설치 후 터미널이나 명령 프롬프트에서 ‘labelImg’ 명령을 사용하여 도구를 실행할 수 있습니다. 그러면 아래와 같은 페이지가 표시됩니다.

그림 7. LabelImg 도구 인터페이스입니다.

한편 온라인 동영상-이미지 변환기나 FFmpeg라는 도구를 사용하여 동영상을 프레임으로 분할할 수 있습니다. FFmpeg는 오디오, 동영상, 자막 및 관련 메타데이터와 같은 멀티미디어 콘텐츠를 처리하기 위한 라이브러리와 도구 모음입니다.

다음 터미널 명령을 사용하여 드론 촬영 동영상의 각 프레임을 분리할 수 있습니다:

ffmpeg -i input_video.mp4 frame_%04d.png

드론 촬영 영상의 프레임을 분리한 후 영상 속 객체(주택)에 라벨을 지정할 수 있습니다. LabelImg 도구에서 이미지 폴더로 이동하면 각 이미지의 객체에 라벨을 지정할 수 있습니다. 라벨이 지정된 모든 이미지를 저장하고 확인해야 합니다. 이미지에 어노테이션을 추가한 후에는 이 데이터를 사용하여 Ultralytics YOLO11을 학습할 수 있습니다.

그림 8. 어노테이션이 추가된 이미지를 저장하는 예시입니다.

Ultralytics YOLO11 모델 학습 워크플로#

Ultralytics YOLO11 학습을 시작하기 전에 이미지와 라벨을 정리합니다. 먼저 “train”이라는 이름의 폴더와 “valid”라는 이름의 폴더를 만듭니다. 이미지를 이 두 폴더로 나눕니다. 각 폴더 안에는 아래와 같이 이미지와 해당 라벨 파일(텍스트 형식)을 위한 별도의 하위 폴더를 만듭니다.

그림 9. 이미지 및 라벨 폴더 생성 예시입니다.

그런 다음 다음과 같이 Ultralytics YOLO11 모델 학습을 시작할 수 있습니다:

• 1단계: Ultralytics Python 패키지를 설치합니다. 터미널에서 “pip install ultralytics” 명령을 실행하면 됩니다. 설치 문제가 발생하면 문제 해결에 도움이 되는 팁과 요령을 확인할 수 있도록 문제 해결 가이드를 참조하세요.
• 2단계: 패키지가 성공적으로 설치되면 ‘data.yaml’이라는 이름의 파일을 생성합니다. 이 파일은 모델 학습에 필수적인 구성 파일입니다. data.yaml 파일에 학습 데이터셋의 경로, 검증 데이터셋의 경로, 클래스 수(nc), 클래스 이름 목록(names)을 아래와 같이 포함합니다.

그림 10. data.yaml 파일 예시입니다.

• 3단계: ‘data.yaml’ 파일을 구성한 후 다음 Python 코드를 사용하여 모델 학습을 시작할 수 있습니다. 이 코드는 사전 학습된 Ultralytics YOLO11 모델을 로드하고 구성에 따라 학습합니다.

from ultralytics import YOLO

# Load a YOLO11 model
model = YOLO("yolo11n.pt")  # choose your model, e.g., YOLO11 nano

# Train the model with your data and settings
model.train(data="data.yaml", epochs=100, imgsz=640)

• 4단계: 학습이 완료되면 아래와 유사한 출력이 표시됩니다. 이는 드론 기반 애플리케이션을 위한 Ultralytics YOLO11 모델 학습을 성공적으로 완료했음을 의미합니다.

그림 11. 모델 학습 후 표시되는 출력입니다.

드론에서 Ultralytics YOLO11을 사용하여 예측 실행하기#

이제 학습된 Ultralytics YOLO11 모델을 추론이라는 프로세스를 통해 예측에 사용할 수 있습니다. 추론은 학습 중 모델이 학습한 내용을 바탕으로 새로운 미확인 데이터를 분석하는 과정입니다. 이 경우 모델은 이미지나 동영상에서 주택과 같은 특정 객체를 찾고 주변에 바운딩 박스를 그려 라벨을 지정하는 데 사용할 수 있습니다.

예측을 실행하려면 다음 Python 코드를 사용하여 입력 동영상에 학습된 Ultralytics YOLO11 모델을 적용할 수 있습니다. 이 예제에서는 학습에 사용한 동일한 인공 드론 동영상을 사용하지만, 원하는 경우 다른 동영상 파일을 사용할 수도 있습니다.

# Import library
from ultralytics import YOLO

# Load the YOLO model
model = YOLO("best.pt")  # Choose your custom-trained model

# Predict the results from the model
results = model.predict(source="path/to/original/video.mp4", show=True, save=True)

이 코드를 실행하면 예측 결과와 바운딩 박스가 포함된 출력 동영상 파일이 저장됩니다.

그림 12. 출력 동영상 파일의 프레임입니다.

다양한 애플리케이션을 위해 드론에 Ultralytics YOLO11 통합하기#

드론 배송을 위한 주택 감지는 컴퓨터 비전과 Ultralytics YOLO11을 적용할 수 있는 방법 중 하나일 뿐입니다. 다음은 컴퓨터 비전, YOLO11 및 항공 드론의 실제 활용 사례입니다:

• 감시 및 보안: AI 드론을 사용하여 넓은 영역을 실시간으로 모니터링할 수 있습니다. 침입을 감지하고 의심스러운 활동을 추적하며 국가 국경과 대규모 공공 행사의 보안을 강화할 수 있습니다.

• 재난 대응 및 수색·구조: 열화상 카메라와 객체 감지 기능을 탑재한 드론은 재난 지역에서 생존자를 찾는 데 도움을 줄 수 있습니다. 또한 피해를 평가하고 긴급 물자를 전달할 수 있습니다.

• 농업 및 정밀 농업: 컴퓨터 비전이 통합된 드론을 사용하여 작물의 건강 상태를 분석하고 질병을 감지할 수 있으며, 이를 통해 농부는 비용을 줄이면서 수확량을 늘릴 수 있습니다.

• 매핑 및 공간정보 분석: AI 드론은 고해상도 3D 지도를 수집하여 도시 계획과 토지 측량을 지원할 수 있습니다. 기존 방식보다 더 빠르고 정확하게 지형을 평가할 수 있습니다.

핵심 요점#

컴퓨터 비전으로 구동되는 AI 드론은 소포 배송부터 긴급 상황 및 농업 지원에 이르기까지 다양한 산업을 변화시키고 있습니다. 이 가이드에서는 인공 드론 동영상을 만들고, 그 안의 객체에 라벨을 지정하고, Ultralytics YOLO11을 학습하고, 이를 사용하여 주택을 감지하는 과정을 살펴보았습니다.

드론 영상에 객체 감지를 적용하면 드론이 더 지능적으로 작동하여 실시간으로 객체를 자동 인식하고 추적할 수 있습니다. 기술이 발전함에 따라 AI 기반 드론은 배송 속도를 높이고 보안을 강화하며 재난 대응을 지원하는 데 더욱 중요한 역할을 할 가능성이 높습니다.

커뮤니티에 참여하고 GitHub 리포지토리를 살펴보며 비전 AI에 대해 자세히 알아보세요. 또한 라이선스 옵션을 확인하여 컴퓨터 비전 프로젝트를 시작해 보세요. 제조 분야의 AI나 자동차 산업의 컴퓨터 비전과 같은 혁신에 관심이 있으신가요? 솔루션 페이지를 방문하여 더 자세히 알아보세요.