Edge AI 디바이스에 컴퓨터 비전 애플리케이션 배포

최근 컴퓨터 비전과 인공지능(AI)의 발전으로 한때 연구 분야에 머물렀던 기술이 이제 다양한 산업에 큰 영향을 미치는 애플리케이션을 구현하고 있습니다. 자율주행 자동차부터 의료 영상 및 보안까지, 컴퓨터 비전 시스템은 실제 문제를 대규모로 해결하고 있습니다.

이러한 애플리케이션 중 상당수는 이미지와 동영상을 실시간으로 분석해야 하며, 지연 시간, 비용, 개인정보 보호 문제 때문에 클라우드 컴퓨팅에 의존하는 것이 항상 실용적이지는 않습니다. 이러한 상황에서는 엣지 AI가 효과적인 솔루션입니다. 비전 AI 모델을 엣지 디바이스에서 직접 실행하면 기업은 데이터를 더 빠르고 저렴하며 안전하게 처리할 수 있어 실시간 AI를 더 쉽게 활용할 수 있습니다.

Ultralytics가 매년 개최하는 하이브리드 행사 YOLO Vision 2024 (YV24)의 주요 주제 중 하나는 배포를 더 쉽게 사용하고 효율적으로 만들어 비전 AI의 대중화를 추진하는 것이었습니다. NVIDIA의 수석 솔루션 아키텍트인 Guy Dahan은 엣지 컴퓨팅 디바이스, 추론 서버, 최적화 프레임워크, AI 배포 SDK를 포함한 NVIDIA의 하드웨어 및 소프트웨어 솔루션이 개발자의 엣지 AI 최적화를 어떻게 지원하는지 설명했습니다.

이 글에서는 Guy Dahan의 YV24 기조연설에서 얻은 주요 내용을 살펴보고, NVIDIA의 최신 혁신이 비전 AI 배포를 더 빠르고 확장 가능하게 만드는 방법을 알아봅니다.

엣지 AI란 무엇인가요?#

Guy Dahan은 YV24에 원격으로 참여하게 된 기쁨과 Ultralytics Python 패키지 및 Ultralytics YOLO 모델에 대한 관심을 전하며 강연을 시작했습니다. 그는 "Ultralytics가 출시된 날부터 사용해 왔습니다. Ultralytics가 정말 마음에 듭니다. 그전부터 YOLOv5를 사용해 왔고, 이 패키지의 열렬한 팬입니다."라고 말했습니다.

그런 다음 그는 엣지 AI 개념을 소개하며, 데이터를 처리하기 위해 멀리 떨어진 클라우드 서버로 보내는 대신 카메라, 드론, 산업용 머신과 같은 디바이스에서 AI 연산을 직접 실행하는 방식이라고 설명했습니다.

이미지나 동영상을 업로드하고 분석한 뒤 결과를 다시 받을 때까지 기다리는 대신, 엣지 AI를 사용하면 디바이스 자체에서 데이터를 즉시 분석할 수 있습니다. 따라서 비전 AI 시스템은 더 빠르고 효율적이며 인터넷 연결에 대한 의존도가 낮아집니다. 엣지 AI는 자율주행 자동차, 보안 카메라, 스마트 팩토리와 같은 실시간 의사 결정 애플리케이션에 특히 유용합니다.

엣지 AI의 주요 이점#

엣지 AI를 소개한 뒤 Guy Dahan은 효율성, 비용 절감, 데이터 보안에 초점을 맞춰 주요 장점을 강조했습니다. 그는 AI 모델이 디바이스에서 직접 데이터를 처리하므로 정보를 클라우드로 보내 응답을 기다릴 필요가 없다는 점이 가장 큰 이점 중 하나라고 설명했습니다.

엣지 AI는 비용 절감과 민감한 데이터 보호에도 도움이 됩니다. 특히 동영상 스트림과 같은 대량의 데이터를 클라우드로 보내면 비용이 많이 들 수 있습니다. 하지만 데이터를 로컬에서 처리하면 대역폭과 스토리지 비용을 줄일 수 있습니다.

또 다른 주요 장점은 정보가 외부 서버로 전송되지 않고 디바이스에 남아 있기 때문에 데이터 개인정보 보호가 가능하다는 점입니다. 데이터의 로컬 보관과 보안이 최우선인 의료, 금융, 보안 애플리케이션에서 이는 특히 중요합니다.

그림 1. YV24에서 엣지 AI의 이점을 원격으로 발표하는 Guy Dahan.

이러한 이점을 바탕으로 Guy Dahan은 엣지 AI 도입이 증가하는 추세에 대해 언급했습니다. 그는 NVIDIA가 2014년에 Jetson을 출시한 이후 사용량이 10배 증가했다고 설명했습니다. 현재 120만 명이 넘는 개발자가 Jetson 디바이스를 사용하고 있습니다.

NVIDIA Jetson 개요: 엣지 AI 디바이스#

이어서 Guy Dahan은 저전력 소비로 높은 성능을 제공하도록 설계된 AI 엣지 컴퓨팅 디바이스 제품군인 NVIDIA Jetson 디바이스에 초점을 맞췄습니다. Jetson 디바이스는 로보틱스, 농업, 의료, 산업 자동화와 같은 분야의 컴퓨터 비전 애플리케이션에 적합합니다. Guy Dahan은 "Jetson은 AI를 위해 특별히 설계된 엣지 AI 디바이스입니다. 처음에는 주로 컴퓨터 비전용으로 설계되었다고 덧붙일 수도 있겠네요."라고 말했습니다.

Jetson 디바이스는 세 가지 등급으로 제공되며, 각 등급은 서로 다른 요구 사항에 적합합니다:

• 엔트리급: 이 장치는 10~15W의 전력을 소비하면서 초당 20~40조 회 연산(TOPS)의 AI 성능을 제공하므로 엣지 애플리케이션에 적합한 경제적인 선택입니다.
• 주류형: 성능과 효율성의 균형을 이루며, 20~40W의 전력 소비로 70~200 TOPS를 제공해 중급 AI 워크로드에 적합합니다.
• 고성능형: 60~75W의 전력 소비로 최대 275 TOPS를 제공하며, 로보틱스와 자동화처럼 까다로운 AI 애플리케이션을 위해 설계되었습니다.

또한 Guy Dahan은 올해 출시 예정인 Jetson AGX Thor에 대해 소개하며, GPU(그래픽 처리 장치) 성능이 8배, 메모리 용량이 2배 향상되고 CPU(중앙 처리 장치) 성능도 개선될 것이라고 밝혔습니다. 이 제품은 휴머노이드 로보틱스와 고급 Edge AI 애플리케이션을 위해 특별히 설계되었습니다.

컴퓨터 비전 모델 배포와 관련된 과제#

이어서 Guy Dahan은 Edge AI의 소프트웨어 측면으로 화제를 돌려, 강력한 하드웨어를 사용하더라도 모델을 효율적으로 배포하는 일이 어려울 수 있다고 설명했습니다.

가장 큰 장애물 중 하나는 호환성입니다. AI 개발자들은 흔히 PyTorch와 TensorFlow 같은 다양한 AI 프레임워크를 사용하기 때문입니다. 이러한 프레임워크 간에 전환하는 일은 어려울 수 있으며, 모든 것이 제대로 작동하도록 개발자가 환경을 다시 구성해야 합니다.

확장성도 또 다른 주요 과제입니다. AI 모델에는 상당한 컴퓨팅 성능이 필요하며, Dahan의 말처럼 "컴퓨팅 리소스를 더 적게 원한 AI 기업은 지금까지 없었습니다." 여러 디바이스에 AI 애플리케이션을 확장하면 비용이 빠르게 증가할 수 있으므로 최적화가 필수적입니다.

또한 AI 파이프라인은 복잡하며, 여러 유형의 데이터, 실시간 처리 및 시스템 통합이 필요한 경우가 많습니다. 개발자는 모델이 기존 소프트웨어 생태계와 원활하게 작동하도록 많은 노력을 기울입니다. 이러한 과제를 해결하는 것은 AI 배포의 효율성과 확장성을 높이는 데 필수적입니다.

그림 2. 모델 배포의 과제.

NVIDIA Triton Inference Server로 배포 간소화#

다음으로 Guy Dahan은 NVIDIA의 Triton Inference Server에 주목했습니다. 그는 많은 기업과 스타트업이 모델을 충분히 최적화하지 않은 채 AI 개발을 시작한다고 지적했습니다. AI 파이프라인 전체를 처음부터 다시 설계하면 기존 작업에 차질이 생기고 시간이 많이 들 수 있어 효율적인 확장이 어려워집니다.

Triton을 사용하면 전체 시스템을 교체할 필요 없이 개발자가 AI 워크플로를 점진적으로 개선하고 최적화하면서, 기존 설정을 깨뜨리지 않고 더 효율적인 구성 요소를 통합할 수 있습니다. TensorFlow, PyTorch, ONNX 및 TensorRT를 비롯한 여러 AI 프레임워크를 지원하는 Triton을 사용하면 최소한의 조정만으로 클라우드 환경, 데이터 센터 및 엣지 장치에 배포할 수 있습니다.

그림 3. NVIDIA Triton Inference Server 개요.

NVIDIA Triton Inference Server의 주요 장점은 다음과 같습니다:

• 자동 배칭: Triton은 여러 AI 요청을 처리 전에 함께 묶어 처리량과 GPU 활용률을 높입니다.
• Kubernetes 통합: Triton은 클라우드 네이티브이므로 여러 컴퓨터나 클라우드 서버에서 AI 애플리케이션의 관리와 확장을 지원하는 시스템인 Kubernetes와 통합됩니다.
• 오픈 소스 및 사용자 지정 가능: 개발자는 특정 요구 사항에 맞게 Triton을 수정할 수 있으므로 다양한 AI 애플리케이션에 유연하게 대응할 수 있습니다.

NVIDIA TensorRT로 AI 성능 극대화#

더 높은 가속을 원한다면 NVIDIA TensorRT를 사용해 AI 모델을 최적화하는 방법을 고려할 수 있습니다. Guy Dahan은 TensorRT가 NVIDIA GPU용으로 개발된 고성능 딥러닝 최적화 도구라고 자세히 설명했습니다. TensorFlow, PyTorch, ONNX, MXNet 모델을 TensorRT를 사용해 GPU에서 실행하기에 매우 효율적인 파일로 변환할 수 있습니다.

TensorRT가 신뢰할 수 있는 이유는 하드웨어별 최적화 기능에 있습니다. Jetson 장치에 최적화된 모델은 다른 GPU에서 효율적으로 작동하지 않습니다. TensorRT는 대상 하드웨어에 맞춰 성능을 미세 조정하기 때문입니다. NVIDIA에 따르면 TensorRT는 CPU만 사용하는 플랫폼과 비교해 추론 속도를 최대 36배 높일 수 있습니다.

Guy Dahan은 TensorRT 지원에 대해서도 언급하며, TensorRT를 통해 AI 모델을 더 빠르고 효율적으로 배포할 수 있다고 설명했습니다. Ultralytics YOLO 모델은 TensorRT 형식으로 직접 내보낼 수 있으므로, 개발자는 변경 작업 없이 NVIDIA GPU에 맞게 모델을 최적화할 수 있습니다.

DeepStream 7.0: 스트리밍 분석 툴킷#

Guy Dahan은 강연을 성공적으로 마무리하며 NVIDIA GPU를 사용해 비디오, 오디오, 센서 데이터를 실시간 처리하도록 설계된 AI 프레임워크인 DeepStream 7.0을 소개했습니다. 고속 컴퓨터 비전 애플리케이션을 지원하도록 개발된 이 프레임워크는 자율 시스템, 보안, 산업 자동화, 스마트 시티 전반에서 객체 탐지, 추적, 분석을 지원합니다. 엣지 디바이스에서 AI를 직접 실행하는 DeepStream은 클라우드 의존성을 없애 지연 시간을 줄이고 효율성을 높입니다.

그림 4. Guy Dahan과 함께 YV24에서 살펴보는 DeepStream 7.0.

구체적으로 DeepStream은 AI 기반 비디오 처리를 처음부터 끝까지 수행할 수 있습니다. 비디오 디코딩과 전처리부터 AI 추론 및 후처리까지 엔드투엔드 워크플로를 지원합니다.

최근 DeepStream은 AI 배포를 강화하고 접근성과 확장성을 높이기 위한 여러 업데이트를 선보였습니다. 새로운 도구는 개발을 간소화하고, 멀티 카메라 추적을 개선하며, 더 나은 성능을 위해 AI 파이프라인을 최적화합니다.

이제 개발자는 Windows 환경에 대한 확장된 지원, 여러 소스의 데이터를 통합하는 센서 퓨전 기능의 향상, 배포를 가속화하는 사전 구축 참조 애플리케이션을 이용할 수 있습니다. 이러한 개선으로 DeepStream은 실시간 AI 애플리케이션을 위한 더욱 유연하고 효율적인 솔루션이 되었으며, 개발자는 지능형 비디오 분석을 손쉽게 확장할 수 있습니다.

핵심 요점#

YV24에서 Guy Dahan이 진행한 기조연설에서 볼 수 있듯이 Edge AI는 컴퓨터 비전 애플리케이션을 새롭게 정의하고 있습니다. 하드웨어와 소프트웨어의 발전으로 실시간 처리는 더욱 빠르고 효율적이며 비용 효율적으로 이루어지고 있습니다.

더 많은 산업 분야에서 Edge AI를 도입함에 따라 파편화와 배포 복잡성 같은 과제를 해결하는 것이 Edge AI의 잠재력을 최대한 활용하는 데 중요해질 것입니다. 이러한 혁신을 적극적으로 수용하면 더욱 스마트하고 신속하게 대응하는 AI 애플리케이션이 발전하고 컴퓨터 비전의 미래가 만들어질 것입니다.

성장하는 커뮤니티에 참여해 보세요! GitHub 저장소에서 AI에 대해 자세히 알아보고, 라이선스 옵션을 확인해 비전 AI 프로젝트를 시작해 보세요. 헬스케어 분야의 AI와 제조업의 컴퓨터 비전 같은 혁신이 궁금하신가요? 솔루션 페이지를 방문해 자세히 알아보세요!