Ultralytics YOLO11로 AI 기반 드론 애플리케이션 구축하기

매장 쇼핑과 온라인 쇼핑은 비슷해 보일 수 있지만 서로 다른 물류 체계에 의존합니다. 매장은 진열대를 재고로 채워야 하는 반면, 온라인 주문은 문 앞까지 배송해야 합니다. 기술 발전에 힘입어 두 가지 쇼핑 경험은 나란히 변화하고 있습니다.

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

배송 드론은 인공지능(AI)과 컴퓨터 비전을 사용하여 탐색하고 장애물을 피합니다. 컴퓨터 비전은 시각 데이터를 분석하는 데 사용되는 AI의 하위 분야입니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 드론이 객체를 실시간으로 감지하고 추적하도록 지원하여 주변 환경을 더 잘 이해하고 상호작용할 수 있게 합니다.

그림 1. 목적지로 소포를 운반하는 배송 드론.

Meituan과 DJI 같은 기업은 이미 컴퓨터 비전을 드론에 통합하고 있습니다. 실제로 여러 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 활용하는 방법을 자세히 살펴봅니다. 실제 환경에서 사용하기 전에 이러한 기술을 개발하고 테스트하는 방법을 보여 주는 예제를 단계별로 살펴보겠습니다.

Ultralytics YOLO11을 드론에 사용하여 주택 감지하기#

배송 드론의 핵심 기능 중 하나는 비행 중 주택을 감지하는 능력입니다. 이 기능을 재현하고 작동 방식을 이해하기 위해 항공 드론으로 촬영한 영상에서 주택을 식별할 수 있는 컴퓨터 비전 모델을 학습시킵니다. 레이블이 지정된 예제를 사용해 사전 학습된 YOLO11 모델을 미세 조정하여 주택을 인식하고 감지하는 Ultralytics YOLO11 커스텀 학습을 진행합니다.

이를 위해서는 드론으로 촬영한 고품질 영상 데이터가 필요합니다. 흥미롭게도 실제 드론이 없어도 사실적인 항공 영상을 만들 수 있습니다. 방법을 살펴보겠습니다.

Google Earth Studio를 사용하여 가상의 드론 촬영 영상 만들기#

Google Earth Studio는 Google Earth의 위성 및 3D 이미지를 사용해 정지 이미지와 애니메이션 콘텐츠를 만들 수 있는 웹 기반 애니메이션 도구입니다. 이 도구를 사용하여 사실적인 항공 영상을 만들 수 있습니다.

먼저 아래와 같이 Google Earth Studio를 열고 프로젝트를 만듭니다.

로그인하려면 Google 계정이 필요합니다.

그림 2. Google Earth Studio에서 프로젝트 만들기.

로그인한 후에는 가상 드론 영상의 위치를 선택할 수 있습니다. 페이지 왼쪽 상단의 검색창을 사용하여 위치를 검색할 수 있습니다. 이 튜토리얼에서는 캐나다를 선택하겠습니다. 또한 주택을 감지하도록 모델을 학습시킬 예정이므로 드론 영상에는 주택의 항공 뷰가 포함되어야 합니다.

그림 3. Google Earth Studio를 사용하여 위치 선택하기.

다음으로 첫 프레임과 마지막 프레임을 설정하여 가상 드론 촬영의 움직임을 만들 수 있습니다. 드론 촬영의 시작 위치를 선택한 후 아래와 같이 파란색 다이아몬드를 사용해 첫 프레임을 설정합니다.

그림 4. 파란색 다이아몬드를 사용하여 첫 프레임 설정하기.

다음으로 드론의 목적지를 정할 마지막 프레임을 선택할 수 있습니다. 이렇게 하면 드론 영상에 움직임 효과를 만들 수 있습니다. 아래에서 강조 표시된 막대를 오른쪽으로 밀어 특정 시간을 지정하면 드론 촬영에 움직임 효과를 만들 수 있습니다. 다시 파란색 다이아몬드를 사용하여 마지막 지점을 설정합니다.

그림 5. 막대를 이동하여 마지막 프레임 설정하기.

마지막으로 페이지 오른쪽 상단의 빨간색 “Render” 버튼을 클릭하여 프로젝트를 저장하고 렌더링할 수 있습니다. 그러면 드론 촬영의 최종 영상이 출력되어 가상의 드론 촬영 영상이 완성됩니다.

그림 6. 최종 출력 영상 렌더링하기.

드론 데이터를 레이블링하는 방법#

가상의 드론 촬영 영상을 만들었으므로 다음 단계는 영상 속 주택에 레이블을 지정하거나 어노테이션하는 것입니다. 영상의 개별 프레임도 분리해야 합니다.

먼저 LabelImg를 설치합니다. LabelImg는 오픈 소스 이미지 레이블링 도구입니다. pip 패키지 설치 프로그램을 사용하여 터미널에서 다음 명령을 실행하면 바로 설치할 수 있습니다. “pip install labelImg”.

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

그림 7. LabelImg 도구 인터페이스.

한편 온라인 비디오-이미지 변환기를 사용하거나 FFmpeg라는 도구를 사용하여 영상을 프레임으로 분할할 수 있습니다. FFmpeg는 오디오, 비디오, 자막 및 관련 메타데이터와 같은 멀티미디어 콘텐츠를 처리하는 라이브러리와 도구 모음입니다.

다음 터미널 명령을 사용하면 드론 촬영 영상의 각 프레임을 분리할 수 있습니다.

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

드론 촬영 영상의 프레임을 분리한 후에는 프레임 안의 객체(주택)에 레이블을 지정할 수 있습니다. LabelImg 도구에서 이미지 폴더를 찾아 각 이미지의 객체에 레이블을 지정합니다. 레이블이 지정된 모든 이미지를 저장하고 확인해야 합니다. 이미지 어노테이션을 마치면 이 데이터를 사용하여 Ultralytics YOLO11을 학습시킬 수 있습니다.

그림 8. 어노테이션된 이미지를 저장하는 예.

Ultralytics YOLO11 모델 학습 워크플로#

Ultralytics YOLO11 학습을 시작하기 전에 이미지와 레이블을 정리하겠습니다. 먼저 "train"과 "valid"라는 이름의 폴더를 만듭니다. 이미지를 두 폴더에 나누어 넣습니다. 아래와 같이 각 폴더 안에 이미지와 해당 레이블 파일(텍스트 형식)을 위한 하위 폴더를 각각 만듭니다.

그림 9. 이미지 및 레이블 폴더를 만드는 예.

그런 다음 다음과 같이 Ultralytics YOLO11 모델을 학습시킬 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 살펴보세요.
• 2단계: 패키지를 성공적으로 설치한 후 ‘data.yaml’이라는 파일을 만듭니다. 이 구성 파일은 모델 학습에 필수적입니다. 아래와 같이 data.yaml 파일에 학습 데이터 세트 경로, 검증 데이터 세트 경로, 클래스 수(nc), 클래스 이름 목록(names)을 포함합니다.

그림 10. data.yaml 파일 예.

• 3단계: ‘data.yaml’ 파일 구성을 마치면 다음 Python 코드로 모델 학습을 시작할 수 있습니다. 이 코드는 사전 학습된 Ultralytics YOLO11 모델을 불러와 지정한 구성에 따라 학습시킵니다.

from ultralytics import YOLO

# YOLO11 모델 불러오기
model = YOLO("yolo11n.pt")  # 모델 선택(예: YOLO11 nano)

# 데이터와 설정으로 모델 학습하기
model.train(data="data.yaml", epochs=100, imgsz=640)

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

그림 11. 모델 학습 후 표시되는 출력.

드론에서 Ultralytics YOLO11을 사용하여 예측 실행하기#

학습된 Ultralytics YOLO11 모델은 추론이라는 과정을 통해 예측에 사용할 수 있습니다. 추론은 학습 중 모델이 학습한 내용을 바탕으로 새롭고 학습에 사용되지 않은 데이터를 분석하는 과정입니다. 이 경우 모델은 이미지나 비디오에서 주택과 같은 특정 객체 주위에 바운딩 박스를 그려 객체를 찾고 레이블을 지정하는 데 사용할 수 있습니다.

예측을 실행하려면 다음 Python 코드와 함께 학습된 Ultralytics YOLO11 모델을 입력 비디오에 사용할 수 있습니다. 이 예제에서는 학습에 사용한 것과 동일한 가상 드론 영상을 사용하지만 원하는 경우 다른 비디오 파일을 사용할 수 있습니다.

# 라이브러리 가져오기
from ultralytics import YOLO

# YOLO 모델 불러오기
model = YOLO("best.pt")  # 커스텀 학습한 모델 선택하기

# 모델에서 결과 예측하기
results = model.predict(source="path/to/original/video.mp4", show=True, save=True)

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

그림 12. 출력 비디오 파일의 한 프레임.

다양한 애플리케이션을 위해 드론에 Ultralytics YOLO11 통합하기#

드론 배송을 위한 주택 감지는 컴퓨터 비전과 Ultralytics YOLO11을 활용할 수 있는 한 가지 사례일 뿐입니다. 컴퓨터 비전, YOLO11, 항공 드론의 다른 실제 활용 사례는 다음과 같습니다.

• 감시 및 보안: AI 드론을 사용하면 넓은 지역을 실시간으로 모니터링할 수 있습니다. 침입을 감지하고 의심스러운 활동을 추적하며 국경과 대규모 공공 행사 현장의 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 피해 상황을 평가하고 긴급 구호 물자를 전달할 수 있습니다.

• 농업 및 정밀 농업: 컴퓨터 비전을 통합한 드론을 사용하면 작물의 건강 상태를 분석하고 질병을 감지할 수 있어 농가에서 비용을 절감하면서 수확량을 늘리는 데 도움이 됩니다.

• 매핑 및 지리 공간 분석: 고해상도 3D 지도를 수집하면 AI 드론이 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 대응과 농업 지원까지 다양한 산업을 변화시키고 있습니다. 이 가이드에서는 인공 드론 동영상을 만들고, 동영상 속 객체에 라벨을 지정한 다음, Ultralytics YOLO11을 학습시켜 주택을 감지하는 방법을 살펴봤습니다.

드론 영상에 객체 감지를 적용하면 드론의 지능이 향상되어 실시간으로 객체를 자동 인식하고 추적할 수 있습니다. 기술이 발전함에 따라 AI 기반 드론은 배송을 더 빠르게 하고 보안을 강화하며 재난 대응을 지원하는 데 더욱 중요한 역할을 할 가능성이 큽니다.

커뮤니티에 참여하고 GitHub 저장소를 살펴보며 비전 AI에 대해 자세히 알아보세요. 컴퓨터 비전 프로젝트를 시작하려면 라이선스 옵션도 확인해 보세요. 제조업의 AI 또는 자동차 산업의 컴퓨터 비전과 같은 혁신에 관심이 있으신가요? 솔루션 페이지를 방문하여 더 자세히 알아보세요.