컴퓨터 비전 응용 분야의 작동 방식 알아보기

컴퓨터 비전 모델의 역사를 살펴보며 컴퓨터 비전이 어떻게 발전했고 오늘날의 고급 비전 모델로 이어진 경로를 확인했습니다. Ultralytics YOLOv8과 최신 Ultralytics YOLO26을 비롯한 후속 모델은 다양한 컴퓨터 비전 작업을 지원하며 여러 흥미로운 응용 분야에서 사용되고 있습니다.

이 글에서는 컴퓨터 비전과 비전 모델의 기본 사항을 살펴보겠습니다. 작동 방식과 다양한 산업 분야의 응용 사례를 다룹니다. 컴퓨터 비전 혁신은 곳곳에 있으며, 흔히 눈에 띄지 않는 곳에서 조용히 작동합니다.

컴퓨터 비전이란 무엇인가요?#

인공지능(AI)은 인간 지능의 일부를 모방하는 것을 목표로 하는 다양한 기술을 아우르는 포괄적인 용어입니다. 컴퓨터 비전은 AI의 하위 분야 중 하나입니다. 컴퓨터 비전은 기계가 주변 환경을 보고 관찰하며 이해할 수 있도록 시각 기능을 부여하는 데 중점을 둡니다.

인간의 시각과 마찬가지로 컴퓨터 비전 솔루션은 사물을 구별하고 거리를 계산하며 움직임을 감지하는 것을 목표로 합니다. 그러나 보고 이해하는 데 도움이 되는 평생의 경험을 갖춘 인간과 달리 컴퓨터는 방대한 데이터, 고해상도 카메라, 복잡한 알고리즘에 의존합니다.

그림 1. 사람의 시각과 컴퓨터 비전 비교.

컴퓨터 비전 시스템은 이미지와 동영상 같은 시각 데이터를 빠르고 정확하게 처리하고 분석할 수 있습니다. 방대한 시각 정보를 신속하고 정확하게 분석하는 능력 덕분에 컴퓨터 비전은 제조부터 의료까지 다양한 산업 분야에서 강력한 도구로 활용됩니다.

비전 모델이 지원하는 다양한 컴퓨터 비전 작업#

컴퓨터 비전 모델은 모든 컴퓨터 비전 애플리케이션의 핵심입니다. 컴퓨터 비전 모델은 기계가 시각 정보를 해석하고 이해할 수 있도록 설계된 딥러닝 기법 기반의 계산 알고리즘입니다. 비전 모델은 이미지 분류부터 객체 감지까지 다양한 핵심 컴퓨터 비전 작업을 지원합니다. 이러한 작업과 활용 사례를 자세히 살펴보겠습니다.

이미지 분류#

이미지 분류는 이미지를 사전에 정의된 클래스나 범주로 분류하고 레이블을 지정하는 작업입니다. YOLOv8과 같은 비전 모델은 레이블이 지정된 대규모 데이터셋으로 학습할 수 있습니다. 학습 과정에서 모델은 각 클래스와 관련된 패턴과 특징을 인식하는 방법을 학습합니다. 학습이 완료되면 새로운 미확인 이미지를 분석하고 특징을 학습된 패턴과 비교해 해당 이미지의 범주를 예측할 수 있습니다.

그림 2. 이미지 분류 사례. (출처: towardsdatascience.com)

이미지 분류에는 여러 유형이 있습니다. 예를 들어 의료 이미지를 다룰 때는 이진 분류를 사용해 사진을 건강 또는 질병처럼 두 그룹으로 나눌 수 있습니다. 다중 클래스 분류도 있습니다. 돼지, 염소, 소와 같이 농장의 여러 동물을 분류하는 등 이미지를 여러 그룹으로 나눌 때 유용합니다. 동물을 포유류와 조류로 나눈 다음 사자, 호랑이, 독수리, 참새와 같은 종으로 세분화하려는 경우에는 계층적 분류가 가장 적합합니다.

객체 탐지#

객체 감지는 컴퓨터 비전을 사용해 이미지와 비디오 프레임에서 객체를 식별하고 위치를 찾는 과정입니다. 객체 주위에 바운딩 박스를 그리는 객체 위치 지정과 각 객체의 범주를 식별하는 객체 분류, 두 가지 작업으로 구성됩니다. 바운딩 박스 어노테이션을 기반으로 비전 모델은 각 객체 범주에 고유한 패턴과 특징을 인식하고, 새로운 미관측 이미지에서 해당 객체의 존재 여부와 위치를 예측할 수 있습니다.

그림 3. 축구 경기장에서 선수를 탐지하는 데 사용되는 YOLOv8 객체 탐지.

객체 감지는 스포츠부터 해양 생물학까지 다양한 산업 분야에서 폭넓게 활용됩니다. 예를 들어 소매업에서 Amazon의 Just Walk Out 기술은 고객이 집어 든 상품을 식별해 결제를 자동화하는 데 객체 감지를 사용합니다. 컴퓨터 비전과 센서 데이터를 결합하면 고객은 줄을 서서 기다리지 않고 상품을 집어 들고 매장을 나갈 수 있습니다.

작동 방식은 다음과 같습니다.

• 천장에 설치된 카메라가 매장을 돌아다니는 고객을 촬영하고, 비전 모델이 이 영상을 실시간으로 처리합니다.
• 객체 감지는 고객이 집어 바구니에 넣은 정확한 상품을 감지해 가상 장바구니를 그에 맞게 업데이트하는 데 사용됩니다.
• 선반의 무게 센서는 상품이 제거되거나 다시 놓이는 것을 감지해 정확도를 높입니다.
• 고객이 매장을 나갈 때 객체 감지와 안면 인식 기술을 사용해 고객이 매장을 떠났는지 확인할 수 있으며, 신용카드와 같은 결제 정보를 이용해 자동으로 요금을 청구할 수 있습니다.

시맨틱 및 인스턴스 세그멘테이션#

시맨틱 세그멘테이션과 인스턴스 세그멘테이션은 이미지를 의미 있는 영역으로 분할하는 컴퓨터 비전 작업입니다. 시맨틱 세그멘테이션은 픽셀의 의미를 기준으로 분류하며, 같은 범주에 속한 모든 객체를 동일한 레이블을 가진 하나의 개체로 처리합니다. 이는 "하늘"이나 "바다"처럼 셀 수 없는 대상이나 "나뭇잎"이나 "풀"과 같은 군집에 레이블을 지정하는 데 적합합니다.

반면 인스턴스 세그멘테이션은 감지된 각 객체에 고유한 레이블을 지정하여 같은 클래스의 서로 다른 인스턴스를 구분할 수 있습니다. 객체의 개수와 개별성이 중요한 셀 수 있는 객체를 세그멘테이션할 때 인스턴스 세그멘테이션을 사용할 수 있습니다. 이를 통해 객체를 더욱 정밀하게 식별하고 구분할 수 있습니다.

그림 4. 시맨틱 및 인스턴스 세그멘테이션 예시.

자율주행차를 예로 들면 시맨틱 세그멘테이션과 인스턴스 세그멘테이션의 차이를 더 명확하게 이해할 수 있습니다. 시맨틱 세그멘테이션은 장면의 내용을 이해해야 하는 작업에 유용하며, 자율주행차에서 횡단보도와 교통 표지판 같은 도로 특징을 분류하는 데 사용할 수 있습니다. 반면 인스턴스 세그멘테이션은 자율주행차에서 개별 보행자, 차량, 장애물을 구별하는 데 사용할 수 있습니다.

포즈 추정#

자세 추정은 이미지나 동영상에서 객체 자세의 키포인트를 감지하고 추적하는 데 중점을 둔 컴퓨터 비전 작업입니다. 가장 일반적인 용도는 어깨와 무릎과 같은 영역을 키포인트로 사용하는 사람의 자세 추정입니다. 사람의 자세를 추정하면 다양한 응용 분야에서 중요한 동작과 움직임을 이해하고 인식할 수 있습니다.

그림 5. YOLOv8을 사용한 포즈 추정 예시.

자세 추정은 스포츠에서 선수의 움직임을 분석하는 데 사용할 수 있습니다. NBA는 경기 중 선수의 움직임과 위치를 연구하기 위해 자세 추정을 사용합니다. 어깨, 팔꿈치, 무릎, 발목과 같은 키포인트를 추적하면 선수의 움직임을 상세히 파악할 수 있습니다. 이러한 통찰력은 코치가 더 나은 전략을 세우고 훈련 프로그램을 최적화하며 경기 중 실시간으로 전술을 조정하는 데 도움이 됩니다. 또한 선수의 피로도와 부상 위험을 모니터링해 전반적인 건강과 경기력을 향상하는 데 데이터를 활용할 수 있습니다.

방향성 바운딩 박스 객체 감지#

방향성 바운딩 박스 객체 감지(OBB)는 회전된 사각형을 사용하여 이미지 속 객체를 정밀하게 식별하고 위치를 찾습니다. 이미지 축에 맞춰 정렬되는 일반 바운딩 박스와 달리, OBB는 객체의 방향에 맞춰 회전합니다. 따라서 완벽하게 수평이나 수직이 아닌 객체에 특히 유용합니다. 혼잡한 환경에서 겹침을 방지하면서 회전된 객체의 위치를 정확히 특정하고 분리하는 데 효과적입니다.

그림 6. YOLOv8을 사용해 보트 항공 이미지에서 방향성 바운딩 박스를 탐지한 예.

해양 감시에서 선박을 식별하고 추적하는 일은 보안과 자원 관리에 핵심적입니다. OBB 탐지를 사용하면 선박이 밀집해 있거나 다양한 각도로 놓여 있어도 정확하게 위치를 파악할 수 있습니다. 이를 통해 항로를 모니터링하고 해상 교통을 관리하며 항만 운영을 최적화할 수 있습니다. 또한 허리케인이나 기름 유출과 같은 사건이 발생한 뒤 선박과 기반 시설의 피해를 신속하게 식별하고 평가해 재난 대응을 지원할 수 있습니다.

객체 추적#

지금까지 이미지와 관련된 컴퓨터 비전 작업을 살펴보았습니다. 객체 추적은 동영상의 프레임 전체에서 객체를 추적하는 컴퓨터 비전 작업입니다. 감지 알고리즘을 사용해 첫 번째 프레임에서 객체를 식별한 다음, 동영상이 재생되는 동안 객체의 위치를 계속 추적합니다. 객체 추적에는 정확한 추적을 유지하기 위해 객체 감지, 특징 추출, 움직임 예측과 같은 기법이 사용됩니다.

그림 7. YOLOv8을 사용한 물고기 추적.

YOLOv8과 같은 비전 모델을 사용하여 해양 생물학 연구에서 물고기를 추적할 수 있습니다. 연구자들은 수중 카메라를 사용해 자연 서식지에서 물고기의 움직임과 행동을 모니터링할 수 있습니다. 첫 번째 프레임들에서 개별 물고기를 감지한 다음 동영상 전체에서 물고기의 위치를 추적합니다. 물고기 추적은 과학자들이 이동 패턴, 사회적 행동, 환경과의 상호작용을 이해하는 데 도움이 됩니다. 또한 물고기의 분포와 개체 수에 관한 인사이트를 제공하여 지속 가능한 어업을 지원합니다.

컴퓨터 비전 살펴보기: 마무리#

컴퓨터 비전은 우리가 기술을 사용하고 세상과 상호작용하는 방식을 적극적으로 변화시키고 있습니다. 딥러닝 모델과 복잡한 알고리즘으로 이미지와 동영상을 이해하는 컴퓨터 비전은 산업 전반의 여러 프로세스를 간소화하는 데 도움이 됩니다. 객체 탐지와 객체 추적 같은 컴퓨터 비전 작업을 통해 이전에는 불가능했던 솔루션을 만들 수 있습니다. 컴퓨터 비전 기술이 계속 발전하면서 앞으로 더욱 혁신적인 응용 사례가 등장할 것입니다!

함께 배우고 성장해 보세요! GitHub 저장소에서 저희의 AI 기여를 확인해 보세요. AI를 통해 자율주행 자동차와 농업 같은 산업을 어떻게 재정의하고 있는지도 살펴보세요.