2025년 컴퓨터 비전에 대해 알아야 할 모든 것

20년 전만 해도 기계와 컴퓨터가 세상을 보고 이해할 수 있다는 아이디어는 공상 과학에 불과했습니다. 오늘날 인공지능(AI)의 발전 덕분에 그 개념은 현실이 되었습니다. 특히 AI의 한 분야인 computer vision(CV)은 기계가 이미지와 비디오를 이해하고 분석할 수 있도록 해줍니다. 실시간으로 객체를 식별하거나, 보안 시스템을 개선하거나, 복잡한 작업을 자동화하는 등 그 잠재력은 가능한 것의 한계를 계속 넓혀가고 있습니다.

컴퓨터 비전은 다양한 산업에서 고유한 기능을 도입할 수 있는 다양한 방법을 모색함에 따라 기술의 미래를 빠르게 형성하고 있습니다. 전 세계 computer vision 시장 규모 기술은 2024년에 198억 3천만 달러에 달했으며 향후 몇 년 동안 매년 19.8% 성장할 것으로 예상됩니다.

Fig 1. 컴퓨터 비전의 글로벌 시장 규모.

이 기사에서는 컴퓨터 비전이 무엇인지, 어떻게 진화해 왔는지, 그리고 오늘날 어떻게 작동하는지를 자세히 살펴보겠습니다. 또한 가장 흥미로운 응용 분야 중 일부도 살펴볼 것입니다. 시작해 봅시다!

컴퓨터 비전이란 무엇인가요?#

컴퓨터 비전은 머신 러닝과 신경망을 활용하여 컴퓨터가 이미지나 비디오 파일과 같은 시각적 데이터의 내용을 이해하도록 가르치는 AI의 하위 분야입니다. 처리된 이미지에서 얻은 통찰력은 더 나은 결정을 내리는 데 사용될 수 있습니다. 예를 들어, 컴퓨터 비전은 소매업에서 선반 이미지를 분석하여 재고 수준을 추적하거나 자동 결제 시스템을 통해 쇼핑 경험을 향상시키는 데 사용될 수 있습니다. 많은 기업이 이미 스마트폰 사진에 필터를 추가하는 작업부터 제조 공정의 품질 관리까지 다양한 응용 분야에 컴퓨터 비전 기술을 사용하고 있습니다.

컴퓨터 비전 솔루션이 왜 필요한지 궁금하실 수 있습니다. 결함을 발견하거나 패턴을 인식하는 것과 같이 지속적인 주의가 필요한 작업은 인간에게 어려울 수 있습니다. 눈은 피로해질 수 있고, 특히 빠르게 진행되거나 복잡한 환경에서는 세부 사항을 놓칠 수 있습니다.

사람은 다양한 크기, 색상, 조명 또는 각도에서 객체를 인식하는 데 능숙하지만, 압박 속에서 일관성을 유지하는 데 어려움을 겪는 경우가 많습니다. 반면 컴퓨터 비전 솔루션은 멈추지 않고 작동하며 대량의 시각적 데이터를 빠르고 정확하게 처리합니다. 예를 들어 실시간으로 교통 상황을 분석하여 정체를 감지하고, 신호 타이밍을 최적화하거나, 심지어 사람이 관찰하는 것보다 더 빠르게 사고를 식별할 수 있습니다.

컴퓨터 비전의 역사 이해하기#

수년에 걸쳐 컴퓨터 비전은 이론적 개념에서 산업 전반의 혁신을 주도하는 신뢰할 수 있는 기술로 진화했습니다. 그 발전을 정의한 몇 가지 주요 이정표를 살펴보겠습니다.

• 1950년대 - 1960년대: 연구자들은 시각적 데이터를 처리하고 분석하기 위한 알고리즘을 개발하기 시작했지만, 컴퓨팅 성능의 제한으로 인해 발전은 느렸습니다.

• 1970년대: 이 10년 동안 이미지에서 선과 기하학적 모양의 감지를 개선한 Hough Transform과 같은 알고리즘에서 큰 개선이 있었습니다. 광학 문자 인식(OCR)도 등장하여 기계가 인쇄된 텍스트를 읽을 수 있게 되었습니다.

• 1980년대 - 1990년대: 머신 러닝이 컴퓨터 비전에서 역할을 하기 시작하여 더 발전된 기능과 향후 돌파구를 위한 길을 닦았습니다.

• 2000년대 - 2010년대: 딥 러닝은 컴퓨터 비전에 새로운 차원을 가져와 기계가 시각적 데이터를 더 효과적으로 해석할 수 있도록 했습니다. 이는 객체 식별, 모션 분석 및 복잡한 작업 실행과 같은 기능을 향상시켰습니다.

오늘날 컴퓨터 비전은 빠르게 발전하여 헬스케어, 자율주행 차량, 스마트 시티와 같은 분야에서 문제를 해결하는 방식을 변화시키고 있습니다. 실시간 computer vision 작업을 위해 설계된 Ultralytics YOLO (You Only Look Once) models을 통해 다양한 산업에서 비전 AI를 효과적이고 정확하게 구현하기가 더 쉬워졌습니다. AI와 하드웨어가 계속 발전함에 따라 이러한 모델은 기업이 고급 시각 데이터 분석을 사용하여 더 현명한 결정을 내리고 운영을 간소화할 수 있도록 지원하고 있습니다.

컴퓨터 비전이 작동하는 방식 분석#

컴퓨터 비전 시스템은 인간의 뇌가 작동하는 방식에서 영감을 받은 알고리즘인 신경망을 사용하여 이미지를 분석합니다. 합성곱 신경망(CNN)이라는 특정 유형은 사진의 가장자리와 모양과 같은 패턴을 인식하는 데 특히 탁월합니다.

시각 데이터를 단순화하기 위해 풀링과 같은 기법은 이미지의 가장 중요한 부분에 초점을 맞추는 반면, 추가 레이어는 이 정보를 처리하여 특징 식별이나 객체 감지 등의 작업을 수행합니다. 속도와 정확성을 위해 설계된 Ultralytics YOLO11과 같은 고급 모델은 실시간 이미지 처리를 가능하게 합니다.

Fig 2. 객체 감지에 Ultralytics YOLO11을 사용하는 예시.

일반적인 컴퓨터 비전 애플리케이션은 원시 이미지를 유용한 통찰력으로 변환하기 위해 여러 단계를 포함합니다. 주요 4단계는 다음과 같습니다.

• 이미지 획득: 시각적 데이터는 카메라나 센서를 사용하여 수집되며, 이미지 품질은 사용된 센서 유형에 따라 달라집니다.

• 이미지 처리: 수집된 데이터는 노이즈 감소 및 가장자리 강조와 같은 전처리 기술을 통해 향상되어 분석하기 쉽게 만듭니다.

• 특징 추출: 모양과 질감과 같은 중요한 세부 정보가 추출되며, 이미지에서 가장 중요한 부분에 집중합니다.

• 패턴 인식: 식별된 특징은 머신 러닝을 사용하여 분석되어 객체 감지, 이동 추적 또는 패턴 인식과 같은 작업을 완료합니다.

컴퓨터 비전 작업 탐색#

컴퓨터 비전 작동 방식을 이야기할 때 컴퓨터 비전 작업을 언급했음을 눈치채셨을 것입니다. Ultralytics YOLO11과 같은 모델은 이러한 작업을 지원하도록 구축되어 실제 애플리케이션에 대한 빠르고 정확한 솔루션을 제공합니다. 객체 감지부터 이동 추적까지, YOLO11은 이러한 작업을 효율적으로 처리합니다. YOLO11이 지원하는 주요 컴퓨터 비전 작업과 그 작동 방식을 살펴보겠습니다.

객체 탐지#

Object detection은 핵심 컴퓨터 비전 작업이며 이미지에서 관심 객체를 식별하는 데 사용됩니다. 객체 감지 작업의 출력은 바운딩 박스(이미지에서 감지된 객체 주위에 그려진 직사각형) 세트, 클래스 레이블(각 객체의 범주 또는 유형, 예: "자동차" 또는 "사람"), 그리고 신뢰도 점수(모델이 각 감지에 대해 얼마나 확신하는지 나타내는 숫자 값)로 구성됩니다. 예를 들어 객체 감지는 거리의 보행자나 교통 체증 속의 자동차 위치를 식별하고 찾아내는 데 사용할 수 있습니다.

Fig 3. 객체를 탐지하는 데 사용되는 Ultralytics YOLO11입니다.

이미지 분류#

Image classification의 주요 목표는 전체 콘텐츠를 기반으로 입력 이미지에 미리 정의된 레이블이나 범주를 할당하는 것입니다. 이 작업은 일반적으로 이미지 내에서 주요 객체나 특징을 식별하는 것을 포함합니다. 예를 들어 이미지 분류는 이미지에 고양이와 강아지 중 어느 것이 포함되어 있는지 확인하는 데 사용할 수 있습니다. YOLO11과 같은 컴퓨터 비전 모델은 아래와 같이 개별 고양이 또는 개 품종을 분류하도록 custom-trained될 수도 있습니다.

Fig 4. YOLO11을 사용하여 다양한 고양이 품종 분류하기.

인스턴스 분할#

Instance segmentation은 다양한 애플리케이션에 사용되는 또 다른 중요한 컴퓨터 비전 작업입니다. 동일한 유형의 객체가 여러 개 있는 경우에도 이미지를 세그먼트로 나누고 각 개별 객체를 식별하는 작업을 포함합니다. 객체 감지와 달리 인스턴스 세그멘테이션은 각 객체의 정확한 경계를 윤곽선으로 표시하여 한 걸음 더 나아갑니다. 예를 들어 자동차 제조 및 수리 분야에서 인스턴스 세그멘테이션은 각 자동차 부품을 개별적으로 식별하고 라벨을 지정하여 프로세스를 더욱 정확하고 효율적으로 만드는 데 도움을 줍니다.

Fig 5. YOLO11을 사용한 자동차 부품 세그멘테이션.

자세 추정#

Pose estimation의 목표는 손, 머리, 팔꿈치 등의 키포인트 위치를 예측하여 사람이나 객체의 위치와 방향을 파악하는 것입니다. 이는 실시간으로 신체 움직임을 이해하는 것이 중요한 애플리케이션에서 특히 유용합니다. 인간 포즈 추정은 스포츠 분석, animal behavior monitoring, 로봇 공학 등의 분야에서 일반적으로 사용됩니다.

Fig 6. YOLO11은 인간 포즈 추정에 도움이 될 수 있습니다.

YOLO11에서 지원하는 다른 컴퓨터 비전 작업을 살펴보려면 official Ultralytics documentation을 참조하세요. 이 문서는 YOLO11이 객체 추적 및 지향 바운딩 박스(OBB) 객체 감지와 같은 작업을 처리하는 방법에 대한 자세한 정보를 제공합니다.

오늘날 인기 있는 컴퓨터 비전 모델#

시중에는 많은 컴퓨터 비전 모델이 존재하지만, Ultralytics YOLO 시리즈는 강력한 성능과 다기능성으로 돋보입니다. 시간이 지남에 따라 Ultralytics YOLO 모델은 더욱 빠르고 정확하며 더 많은 작업을 처리할 수 있도록 개선되었습니다. Ultralytics YOLOv5가 도입되면서 PyTorch와 같은 비전 AI 프레임워크를 통해 모델 배포가 더 쉬워졌습니다. 이를 통해 더 넓은 범위의 사용자가 높은 정확도와 사용 편의성을 결합하여 고급 비전 AI를 활용할 수 있게 되었습니다.

다음으로, Ultralytics YOLOv8은 인스턴스 세그멘테이션, 포즈 추정, 이미지 분류와 같은 새로운 기능을 추가하여 한 단계 더 나아갔습니다. 한편, 최신 버전인 YOLO11은 여러 컴퓨터 비전 작업에서 최고의 성능을 제공합니다. YOLOv8m보다 파라미터가 22% 적은 YOLO11m은 COCO dataset에서 더 높은 평균 정밀도(mAP)를 달성하므로 객체를 더 정확하고 효율적으로 감지할 수 있습니다. 숙련된 개발자이든 AI를 처음 접하는 분이든, YOLO11은 컴퓨터 비전 요구 사항을 위한 강력한 솔루션을 제공합니다.

일상생활에서 컴퓨터 비전의 역할#

앞서 Ultralytics YOLO11과 같은 컴퓨터 비전 모델이 다양한 산업 분야에 어떻게 적용될 수 있는지 논의했습니다. 이제 우리의 일상을 바꾸고 있는 더 많은 유스 케이스를 살펴보겠습니다.

헬스케어 분야의 비전 AI#

computer vision in healthcare 분야에는 다양한 애플리케이션이 존재합니다. 질병 감지를 더 빠르고 정확하게 만들기 위해 의료 이미징에서 객체 감지 및 분류와 같은 작업이 사용됩니다. 엑스레이 분석에서 컴퓨터 비전은 육안으로 감지하기에는 너무 미묘할 수 있는 패턴을 식별할 수 있습니다.

또한 암세포와 건강한 세포를 비교하는 암 감지에도 사용됩니다. 마찬가지로 CT 스캔 및 MRI와 관련하여 컴퓨터 비전은 거의 인간 수준의 정확도로 이미지를 분석하는 데 사용될 수 있습니다. 이는 의사가 더 나은 결정을 내리도록 돕고 궁극적으로 더 많은 생명을 구합니다.

Fig 7. 의료 스캔 분석에 사용되는 YOLO11.

자동차 산업의 AI#

컴퓨터 비전은 자율주행 차량에서 매우 중요하며 도로 표지판 및 신호등과 같은 객체를 감지하는 데 도움을 줍니다. optical character recognition (OCR) 같은 기법을 통해 차량이 도로 표지판의 텍스트를 읽을 수 있습니다. 또한 객체 감지 작업을 통해 실시간으로 사람을 식별하는 보행자 감지에도 사용됩니다.

그뿐만 아니라 컴퓨터 비전은 도로 표면의 균열과 포트홀을 발견하여 변화하는 도로 상태를 더 잘 모니터링할 수 있게 합니다. 전반적으로 컴퓨터 비전 기술은 교통 관리 개선, 교통 안전 강화 및 스마트 시티 계획 지원에 핵심적인 역할을 할 수 있습니다.

Fig 8. YOLO11을 사용한 교통 상황 이해.

농업 분야의 컴퓨터 비전#

농부가 걱정 없이 제때에 자동으로 작물을 파종하고, 물을 주고, 수확할 수 있다고 가정해 보겠습니다. 그것이 바로 computer vision brings to agriculture가 농업에 가져다주는 것입니다. 실시간 작물 모니터링을 지원하므로 농부가 질병이나 영양 결핍과 같은 문제를 인간보다 더 정확하게 감지할 수 있습니다.

모니터링 외에도 컴퓨터 비전이 통합된 AI 기반 자동 제초 기계는 잡초를 식별하고 제거하여 인건비를 절감하고 작물 수확량을 늘릴 수 있습니다. 이러한 기술의 결합은 농부가 자원을 최적화하고 효율성을 개선하며 작물을 보호하도록 돕습니다.

Fig 9. 농업 분야에서 Ultralytics YOLO11을 사용하는 예시.

AI로 제조 공정 자동화#

제조업에서 컴퓨터 비전은 생산 모니터링, 제품 품질 검사, 작업자 추적을 자동으로 돕습니다. Vision AI는 프로세스를 더 빠르고 정확하게 만들며 오류를 줄여 비용 절감으로 이어진다.

특히 품질 보증을 위해 객체 감지 및 인스턴스 세그멘테이션이 일반적으로 사용됩니다. 결함 감지 시스템은 최종 제품에 대한 최종 검사를 수행하여 최고의 제품만 고객에게 전달되도록 합니다. 찌그러짐이나 균열이 있는 모든 제품은 자동으로 식별되고 거부됩니다. 이러한 시스템은 또한 실시간으로 제품을 추적하고 계수하여 조립 라인에서 지속적인 모니터링을 제공합니다.

Fig 10. 컴퓨터 비전을 사용한 조립 라인 모니터링.

컴퓨터 비전으로 더 임팩트 있는 교육#

교실에서 컴퓨터 비전이 활용되는 방식 중 하나는 제스처 인식입니다. 이는 학생들의 움직임을 감지하여 학습을 개인화합니다. Ultralytics YOLO11과 같은 모델은 이 작업에 매우 적합합니다. 든 손이나 혼란스러운 표정 같은 제스처를 실시간으로 정확하게 식별할 수 있습니다.

이러한 제스처가 감지되면 추가적인 도움을 제공하거나 학생의 필요에 더 잘 맞게 콘텐츠를 수정하여 진행 중인 수업을 조정할 수 있습니다. 이는 더 역동적이고 적응적인 학습 환경을 조성하여 교사가 가르치는 데 집중하도록 돕는 동시에 시스템이 각 학생의 학습 경험을 지원합니다.

컴퓨터 비전의 최근 트렌드#

다양한 산업 분야에서 컴퓨터 비전의 몇 가지 응용 분야를 살펴보았으니, 이제 그 발전을 주도하는 주요 트렌드를 살펴보겠습니다.

주요 트렌드 중 하나는 소스에 더 가까운 곳에서 데이터를 처리하는 분산 컴퓨팅 프레임워크인 edge computing입니다. 예를 들어 엣지 컴퓨팅은 카메라 및 센서 같은 장치가 시각 데이터를 직접 처리할 수 있도록 지원하여 응답 시간을 단축하고 지연을 줄이며 프라이버시를 향상합니다.

컴퓨터 비전의 또 다른 핵심 트렌드는 병합 현실(merged reality)의 사용입니다. 이는 물리적 세계와 디지털 요소를 결합하며, 컴퓨터 비전을 사용하여 가상 객체가 실제 세계와 매끄럽게 혼합되도록 합니다. 이는 게임, 교육 및 훈련 분야에서 경험을 향상시키는 데 사용될 수 있습니다.

컴퓨터 비전의 장단점#

컴퓨터 비전이 다양한 산업에 가져올 수 있는 주요 이점은 다음과 같습니다.

• 비용 절감: 컴퓨터 비전으로 작업을 자동화하면 운영 비용을 절감하고 생산성을 향상시키며 오류를 최소화하는 데 도움이 됩니다.

• 확장성: 일단 구현되면 컴퓨터 비전 시스템은 대량의 데이터를 처리하기 위해 쉽게 확장할 수 있어 성장하는 기업이나 대규모 운영에 적합합니다.

• 애플리케이션별 사용자 지정: 컴퓨터 비전 모델은 데이터셋을 사용하여 미세 조정할 수 있으므로 애플리케이션 요구 사항을 충족하는 고도로 전문화된 솔루션을 얻을 수 있습니다.

이러한 이점은 컴퓨터 비전이 다양한 산업에 미치는 영향을 강조하지만, 구현과 관련된 문제를 고려하는 것도 중요합니다. 주요 문제는 다음과 같습니다.

• 데이터 개인 정보 보호 문제: 특히 감시나 헬스케어와 같이 민감한 분야에서 시각적 데이터의 사용은 개인 정보 보호 문제와 보안 우려를 제기할 수 있습니다.

• 환경적 한계: 컴퓨터 비전 시스템은 열악한 조명, 저품질 이미지 또는 복잡한 배경과 같은 까다로운 환경에서 제대로 작동하는 데 어려움을 겪을 수 있습니다.

• 높은 초기 비용: 컴퓨터 비전 시스템을 개발하고 구현하는 것은 전문 하드웨어, 소프트웨어 및 전문 지식이 필요하기 때문에 비용이 많이 들 수 있습니다.

핵심 요약#

컴퓨터 비전은 기계가 인간처럼 세상을 보고 이해하게 함으로써 기계가 세상과 상호 작용하는 방식을 재창조하고 있습니다. 이미 자율 주행 차량의 안전성 향상, 의사가 질병을 더 빠르게 진단하도록 돕기, 쇼핑의 개인화, 심지어 농부들의 작물 모니터링 지원 등 많은 분야에서 사용되고 있습니다.

기술이 계속 개선됨에 따라 엣지 컴퓨팅 및 병합 현실과 같은 새로운 트렌드가 더 많은 가능성을 열어주고 있습니다. 편향 및 높은 비용과 같은 몇 가지 과제가 있지만, 컴퓨터 비전은 앞으로 많은 산업에 큰 긍정적인 영향을 미칠 잠재력을 가지고 있습니다.

자세한 내용을 알아보려면 GitHub repository를 방문하시고 community에 참여해 보세요. 솔루션 페이지에서 AI in self-driving cars 및 computer vision in agriculture와 같은 부문의 혁신을 살펴보세요. 🚀