Visualizations로 computer vision 애플리케이션 향상하기

공항 터미널과 기차역부터 쇼핑몰에 이르기까지 매분 엄청난 양의 데이터가 생성됩니다. AI가 더 널리 사용되면서 이제 이러한 데이터의 상당 부분이 분석되고 세분화됩니다. 하지만 때로는 이러한 AI 모델의 결과로 인해 패턴을 파악하거나 추세를 한눈에 이해하기가 어려울 수 있습니다. 이때 데이터 시각화가 도움이 됩니다. 복잡한 출력을 명확하고 이해하기 쉬운 인사이트로 전환하기 때문입니다.

이는 컴퓨터 비전 애플리케이션에서 특히 중요합니다. 컴퓨터 비전은 주변 세계의 이미지와 동영상 같은 시각 정보를 기계가 해석하고 이해하도록 돕는 인공지능(AI)의 한 분야입니다. Ultralytics YOLO11과 같은 비전 AI 모델은 이러한 시각 데이터를 분석하여 정보를 얻는 데 도움을 줄 수 있으며, 데이터 시각화는 해당 정보를 이해하기 쉬운 형식으로 정리합니다.

간단히 말해 데이터 시각화는 의미 있는 분석 그래프를 사용하여 원시 데이터와 실제 이해 사이의 간극을 해소합니다. 오늘날과 같은 데이터 중심의 세계에서는 이것이 핵심입니다. 기계가 단순히 작업을 수행하는 것만으로는 충분하지 않으며, 기계가 이야기를 전달할 수 있어야 하기 때문입니다.

이러한 스토리텔링의 필요성 때문에 데이터 시각화가 빠르게 성장하고 있으며, 시장 규모는 2030년까지 $18.36 billion에 이를 것으로 예상됩니다. 이전에는 컴퓨터 비전이 어떻게 유용한 비즈니스 인사이트를 제공할 수 있는지 살펴보았습니다. 오늘은 한 단계 더 나아가 Ultralytics 패키지를 사용하여 컴퓨터 비전 애플리케이션을 위한 명확하고 유용한 분석 그래프를 생성하는 방법을 살펴보겠습니다. 시작하겠습니다!

그림 1. YOLO11 출력에 기반한 데이터 시각화 예시입니다.

컴퓨터 비전 애플리케이션에서의 데이터 시각화 개요#

컴퓨터 비전 애플리케이션에서 데이터 시각화는 객체 감지 및 추적과 같은 컴퓨터 비전 작업의 결과를 이해하기 쉬운 차트나 대시보드로 변환하는 과정입니다. 이러한 시각화는 특히 대량의 동영상 자료를 다룰 때 패턴과 추세를 파악하는 데 도움이 됩니다.

예를 들어 감시 동영상을 몇 시간 동안 수동으로 검토하는 대신, 시간에 따라 감지된 차량이나 사람의 수를 보여주는 간단한 선 그래프를 사용하면 혼잡 시간대나 유난히 한산한 시간을 빠르게 파악할 수 있습니다.

데이터 시각화가 유용한 주요 이유는 다음과 같습니다.

• 복잡한 데이터를 단순화합니다: 수천 건의 객체 감지 결과는 압도적으로 느껴질 수 있지만, 막대그래프나 원형 차트와 같은 시각화를 사용하면 어떤 객체가 가장 자주 나타나는지 등 전체적인 상황을 더 쉽게 파악할 수 있습니다.

• 추세를 보여줍니다: 선 그래프와 막대그래프는 보행자 통행량이 언제 어디서 증가하는지와 같이 시간에 따른 패턴을 파악하는 데 도움이 됩니다.

• 시간을 절약합니다: 동영상의 모든 프레임을 검토하는 대신 차트를 사용하면 차량 활동의 갑작스러운 급증이나 제한 구역에 나타난 비정상적인 객체와 같은 중요한 세부 정보를 빠르게 확인할 수 있습니다.

• 커뮤니케이션을 개선합니다: 시각화 자료를 사용하면 비기술 담당자와도 인사이트를 더 쉽게 공유할 수 있어 모든 사람이 결과를 보다 명확하게 이해할 수 있습니다.

다양한 유형의 데이터 시각화#

다양한 유형의 분석 그래프를 사용하면 컴퓨터 비전 결과를 명확하고 이해하기 쉬운 시각화 자료로 변환할 수 있습니다. 감시 영상에서 사람과 차량을 감지하는 컴퓨터 비전 애플리케이션을 개발한다고 가정해 보겠습니다. 이 경우 선 그래프는 하루 동안 보행자 통행량의 최고점을 추적하는 것처럼 시간에 따른 감지 수의 변화를 보여주는 데 적합합니다.

마찬가지로 막대 차트는 감지된 다양한 객체 유형의 수를 비교할 때 유용합니다. 예를 들어 동영상에 자동차, 자전거 또는 보행자 중 어떤 객체가 더 많이 나타나는지 확인할 수 있습니다. 반면 원형 차트는 각 객체 유형이 전체 감지 결과에서 차지하는 비율을 보여줍니다. 각 그래프는 고유한 용도가 있으며 복잡한 컴퓨터 비전 데이터를 더 쉽게 해석하고 공유할 수 있도록 도와줍니다.

그림 2. 분석 그래프 예시입니다.

컴퓨터 비전 인사이트를 얻기 위한 분석 그래프 생성#

이제 데이터 시각화가 무엇이며 다양한 유형의 분석 그래프가 중요한 이유를 살펴보았으므로, Ultralytics Analytics 솔루션을 사용하여 컴퓨터 비전 모델 예측 결과를 시각화하는 방법을 자세히 알아보겠습니다. 단계별 과정을 살펴보기 전에 YOLO11과 같은 Ultralytics 패키지 및 모델을 학습하고 사용하는 데 필요한 도구와 설정 옵션을 살펴보겠습니다.

Ultralytics Python 패키지를 사용하면 모델 학습, 객체 감지, 예측 실행 및 결과 시각화를 쉽게 수행할 수 있습니다. 시작하려면 코딩 환경이 필요합니다. 다음은 간단한 세 가지 옵션입니다.

• 명령줄 인터페이스(CLI): 코드를 실행하기 위해 명령을 입력하는 기본적인 텍스트 전용 도구입니다. 시각적 인터페이스가 없으며 터미널이나 명령 프롬프트에 지침을 입력하여 상호작용합니다.

• Jupyter Notebooks: 작은 코드 조각(“셀”이라고 함)을 한 번에 하나씩 작성하고 실행하며 테스트할 수 있는 대화형 코딩 환경입니다. 각 셀 바로 아래에 결과가 표시되므로 단계별 실행 과정을 쉽게 이해할 수 있습니다. 학습과 실험에 특히 유용합니다.

• Google Colab: 웹 브라우저에서 실행되는 무료 클라우드 기반 Jupyter Notebooks 버전입니다. 컴퓨터에서 별도로 설정할 필요가 없으며 더 빠른 처리를 위해 무료 GPU에 액세스할 수 있습니다.

이러한 도구는 빠르게 시작하는 데 유용하지만, 사용자는 Visual Studio Code(VS Code)와 같은 통합 개발 환경(IDE)에 Ultralytics를 통합하거나 프로덕션 파이프라인에 통합할 수도 있습니다. 더 많은 옵션은 공식 Ultralytics 문서에서 확인할 수 있습니다.

1단계: 환경 설정#

선호하는 환경을 선택했다면 다음 단계는 예측을 실행하고 결과를 시각화할 수 있도록 환경을 설정하는 것입니다. 앞서 언급한 환경 중 가장 익숙한 환경을 사용하면 됩니다.

Google Colab에서 작업하는 경우 기본적으로 CPU를 사용하므로 성능이 저하될 수 있다는 점에 유의하세요. 속도를 높이려면 “Runtime” 메뉴로 이동하여 “Change runtime type”을 선택하고 하드웨어 가속기를 GPU(이상적으로는 T4)로 설정하세요.

환경을 준비하려면 아래에 언급된 명령을 사용하여 Ultralytics Python 패키지를 설치해야 합니다. Colab이나 Jupyter와 같은 노트북 기반 도구에서는 명령 앞에 느낌표(!)를 추가해야 합니다.

pip install ultralytics

2단계: 동영상 파일 다운로드#

다음으로 작업할 동영상이 필요합니다. Pexels와 같은 무료 스톡 사이트에서 동영상을 쉽게 다운로드할 수 있습니다. Ultralytics YOLO11이 감지할 수 있는 객체가 포함된 동영상을 선택하세요. 모델은 COCO 데이터셋으로 사전 학습되었으므로 사람, 자동차, 자전거와 같은 일반적인 객체를 인식할 수 있습니다.

이 튜토리얼에서는 혼잡한 공항 터미널의 수하물 처리 동영상을 사용하겠습니다. 동일한 동영상을 사용하거나 프로젝트에 적합한 다른 동영상을 선택해도 됩니다.

그림 3. 공항 터미널에서 수하물이 처리되는 모습을 보여주는 입력 동영상의 한 프레임입니다.

3단계: 패키지 가져오기#

다음으로 필요한 라이브러리를 가져오고 입력 동영상을 불러옵니다.

먼저 컴퓨터 비전에서 이미지와 동영상을 처리하는 데 널리 사용되는 라이브러리인 OpenCV(cv2)를 가져옵니다. 또한 동영상에서 객체 감지를 실행하고 분석 결과를 생성하는 데 도움이 되는 Ultralytics 라이브러리도 가져옵니다.

그런 다음 경로를 지정하여 동영상 파일을 열어 보겠습니다. "path/to/video.mp4"를 다운로드한 동영상 파일의 실제 위치로 바꾸세요.

또한 아래 코드 스니펫에는 동영상이 올바르게 로드되었는지 확인하는 간단한 검사가 포함되어 있습니다. 경로가 잘못되었거나 파일이 손상된 경우 프로그램이 중지되고 "Error reading video file."이라는 오류 메시지가 표시됩니다.

import cv2
from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

4단계: 동영상 writer 준비#

그런 다음 출력을 저장할 동영상 writer를 설정합니다. 분석을 실행하면 이 코드 부분에서 원본 동영상의 각 프레임으로부터 생성된 업데이트된 그래프를 기록하는 새 동영상 파일이 생성됩니다.

아래 코드 스니펫에서는 먼저 입력 동영상의 주요 속성인 너비, 높이, 초당 프레임 수(fps)를 추출합니다. 이러한 값은 동영상에서 직접 가져온 후 정수로 변환하여 출력 작성에 적합한 형식인지 확인합니다.

다음으로 cv2.VideoWriter 함수를 사용하여 "analytics_output.avi"라는 새 동영상 파일을 생성합니다(필요에 따라 이름을 변경할 수 있습니다). 동영상은 일반적인 동영상 압축 방식인 MJPG 형식으로 저장됩니다. 출력 해상도는 원본 동영상의 크기와 관계없이 1280×720픽셀로 설정됩니다.

w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
out = cv2.VideoWriter(
    "analytics_output.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1280, 720),
)

5단계: Ultralytics Analytics 솔루션 설정#

이제 동영상에서 그래프를 생성하도록 Ultralytics Analytics 솔루션을 설정합니다. 선, 원형, 영역 또는 막대 차트와 같이 데이터를 표시하는 방식과 사용할 YOLO 모델을 선택할 수 있습니다. 이 예시에서는 경량 "yolo11n.pt" 모델을 사용하고 결과를 영역 그래프로 표시하겠습니다.

analytics = solutions.Analytics(
    show=True,
    analytics_type="area",
    model="yolo11n.pt",
)

6단계: 입력 동영상 처리#

코드의 마지막 부분에서는 동영상을 한 번에 한 프레임씩 처리하는 루프를 실행합니다. 각 프레임은 분석 도구로 전달되고, 분석 도구는 실시간으로 그래프를 업데이트합니다. 업데이트된 그래프는 출력 동영상에 기록됩니다. 프레임을 읽을 수 없으면 루프가 중지됩니다. 모든 프레임을 처리한 후 동영상이 저장되고 열려 있는 창이 닫힙니다.

frame_count = 0
while cap.isOpened():
    success, im0 = cap.read()
    if success:
        frame_count += 1
        results = analytics(im0, frame_count)
        out.write(results.plot_im)
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()

7단계: 모든 과정 통합#

마지막으로 모든 과정을 통합해 보겠습니다. 몇 줄의 코드를 추가하기만 하면 두 개의 출력 동영상을 생성할 수 있습니다. 하나는 바운딩 박스와 레이블이 포함된 Ultralytics YOLO11 객체 감지 결과를 보여주고, 다른 하나는 실시간 분석 그래프를 보여줍니다.

이를 위해 두 개의 VideoWriter 인스턴스를 설정합니다. 하나는 예측 동영상을 저장하고 다른 하나는 분석 결과를 저장합니다. 이 버전의 코드에는 객체 추적과 그래프 생성이 모두 포함되어 있으므로 시각적 인사이트와 함께 감지 결과를 확인할 수 있습니다.

다음은 예측 출력과 분석 출력의 예시를 포함한 전체 코드입니다.

import cv2
from ultralytics import YOLO, solutions

# Load model and video
model = YOLO('yolo11n.pt')
cap = cv2.VideoCapture('path/to/video.mp4')
assert cap.isOpened(), "Error opening video"

# Get properties
w, h = int(cap.get(3)), int(cap.get(4))
fps = cap.get(5)
analytics_res = (1280, 720)

# Writers for prediction and analytics videos
out_pred = cv2.VideoWriter('output_predictions.avi', cv2.VideoWriter_fourcc(*'MJPG'), fps, (w, h))
out_ana = cv2.VideoWriter('output_analytics.avi', cv2.VideoWriter_fourcc(*'MJPG'), fps, analytics_res)

# Analytics setup
analytics = solutions.Analytics(show=True, analytics_type="area", model='yolo11n.pt')

# Process frames
frame_count = 0
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    frame_count += 1
    pred_frame = model.track(frame, persist=True)[0].plot()
    out_pred.write(pred_frame)
    resized = cv2.resize(pred_frame, analytics_res)
    out_ana.write(analytics(resized, frame_count).plot_im)

cap.release(), out_pred.release(), out_ana.release(), cv2.destroyAllWindows()

위 코드가 정상적으로 실행되면 두 개의 출력 동영상이 생성됩니다. “output_predictions.avi” 파일에는 바운딩 박스와 레이블이 포함된 객체 감지 결과가 표시되고, “output_analytics.avi”에는 감지 결과를 기반으로 한 실시간 분석 그래프가 표시됩니다.

그림 4. “output_predictions.avi” 파일의 한 프레임입니다.

다음은 예측 결과를 기반으로 생성된 분석 출력의 한 프레임입니다. 영역 차트를 사용하면 시간에 따른 여행 가방 수의 변동과 같은 인사이트를 얻을 수 있습니다. 예를 들어 268번 프레임 부근의 급증은 동영상의 해당 구간에서 여행 가방의 이동이나 활동이 있었음을 나타냅니다.

그림 5. 영역 그래프로 시각화한 Ultralytics YOLO11 예측 결과입니다.

실제 컴퓨터 비전 애플리케이션에서 그래프 사용하기#

다음은 데이터 시각화가 의미 있는 영향을 미치는 실제 컴퓨터 비전 애플리케이션의 예시입니다.

• 헬스케어: 컴퓨터 비전 시스템은 환자 활동, 직원의 이동, 장비 사용 현황을 실시간으로 모니터링할 수 있습니다. 이를 통해 대량의 시각 데이터가 생성되며, 이 데이터를 시각화하면 환자 점유율이 가장 높은 시간대나 대응 지연과 같은 패턴을 파악할 수 있습니다.

• 소매 및 이커머스: 비전 AI를 사용하여 고객의 이동, 진열대 앞 체류 시간, 제품과의 상호작용을 추적할 수 있습니다. 막대 차트나 원형 차트와 같은 시각적 분석을 통해 어떤 매장 구역이나 상품이 가장 많은 관심을 받는지 파악할 수 있으며, 이를 바탕으로 소매업체는 상품 배치를 최적화하고 전환율을 높일 수 있습니다.

• 제조: 컴퓨터 비전 모델이 탑재된 카메라는 조립 라인의 결함, 안전 규정 위반 또는 장비 상태를 모니터링할 수 있습니다. 데이터 시각화를 통해 가장 일반적인 결함 유형의 추세를 확인하거나 오류율이 가장 높은 시간대를 파악할 수 있으므로, 더 빠른 의사 결정과 예방적 유지보수가 가능합니다.

핵심 요점#

Ultralytics 패키지를 사용하면 동영상 자료를 명확하고 유용한 그래프로 쉽게 변환하여 시간에 따라 얼마나 많은 사람이나 객체가 나타나는지와 같은 상황을 파악할 수 있습니다. 몇 시간 분량의 동영상을 수동으로 검토하는 대신 핵심 패턴과 추세를 강조하는 시각적 요약을 생성하여 신속하게 대응할 수 있습니다. 병원, 소매점 또는 제조 시설 어디에서든 이러한 그래프는 복잡한 AI 출력을 누구나 이해하고 활용할 수 있는 인사이트로 전환합니다.

AI에 대해 더 알아보고 싶으신가요? GitHub 리포지토리를 살펴보고, 커뮤니티에 참여하며, 라이선스 옵션을 확인하여 컴퓨터 비전 프로젝트를 시작해 보세요. 솔루션 페이지에서 제조 분야의 AI 및 물류 산업의 컴퓨터 비전과 같은 혁신에 대해 자세히 알아볼 수 있습니다.