컴퓨터 비전에서 지도 학습 vs 비지도 학습 탐구

인공지능(AI)은 기계가 인간의 지능과 유사한 방식으로 학습하고 추론하도록 가르치는 핵심 개념을 기반으로 합니다. 사람들이 직접적인 지시를 받거나 패턴과 경험을 관찰하는 등 다양한 방법을 통해 학습하는 것과 마찬가지로, AI 및 머신러닝 시스템도 동일한 접근 방식을 따르도록 설계되었습니다.

특히 머신러닝 알고리즘의 경우, 시스템은 모든 작업에 대해 명시적으로 프로그래밍되는 대신 데이터로부터 학습하도록 훈련됩니다. 머신러닝 모델은 고정된 규칙에 의존하는 대신 데이터에서 패턴을 식별하고 해당 패턴을 사용하여 예측이나 결정을 내립니다.

예를 들어, computer vision은 시스템이 이미지나 영상과 같은 시각적 정보를 해석하고 이해할 수 있도록 하는 AI 및 머신러닝의 한 분야입니다. 객체 인식부터 대규모 데이터셋 전반의 숨겨진 패턴 식별에 이르기까지, 이러한 시스템은 학습 방식에 크게 의존합니다.

사용 가능한 데이터 유형과 해결하려는 문제에 따라 이러한 시스템을 훈련하기 위해 다양한 AI learning techniques이 사용됩니다.

일부 컴퓨터 비전 모델은 라벨이 지정된 데이터(labeled data)로부터 학습합니다. 이 경우 각 입력 데이터에는 정답이 쌍으로 제공되며, 즉 모든 이미지나 데이터 포인트에는 모델이 무엇을 나타내는지 알려주는 사전 정의된 라벨이 포함되어 있습니다. 이를 통해 모델은 입력과 예상 출력 간의 관계를 학습하여 새롭고 본 적 없는 데이터에 대해서도 정확한 예측을 수행하는 능력을 향상합니다.

다른 비전 모델은 사전 정의된 정답이 제공되지 않는 라벨이 없는 데이터(unlabeled data)로부터 학습하며, 대신 데이터 자체 내의 패턴과 관계를 식별하는 데 중점을 둡니다. 이러한 접근 방식을 각각 supervised learning 및 unsupervised learning이라고 하며, 이는 많은 최첨단 컴퓨터 비전 시스템의 토대를 형성합니다.

이 글에서는 지도 학습과 비지도 학습, 컴퓨터 비전에서의 활용 방식, 그리고 귀하의 비전 AI 프로젝트에 가장 적합한 접근 방식을 선택하는 방법을 살펴봅니다. 시작해 보겠습니다!

Link to this sectionAI 학습 접근 방식이 컴퓨터 비전을 구동하는 방법#

artificial intelligence는 기계가 일반적으로 인간의 지능을 필요로 하는 작업을 수행할 수 있도록 지원하는 다양한 기술을 아우르는 우산과 같다고 생각할 수 있습니다. 이 우산 아래에서 머신러닝은 고정된 규칙에만 의존하지 않고 시스템이 데이터로부터 학습할 수 있게 만드는 핵심 영역입니다.

머신러닝 내의 다양한 학습 기법은 모델이 시간이 지남에 따라 어떻게 학습하고 개선되는지를 결정합니다. 지도 학습(정답이 있는 라벨 데이터로부터 학습), 비지도 학습(라벨이 없는 데이터에서 패턴 식별), 강화 학습(피드백이나 보상을 사용한 시행착오를 통한 학습), 준지도 학습(적은 양의 라벨 데이터와 많은 양의 라벨 없는 데이터를 결합)과 같은 접근 방식은 시스템이 입력 데이터를 처리하고 출력 데이터를 생성하는 방식을 정의합니다.

그림 1. AI 학습 방법 개요 (Source)

특히 컴퓨터 비전 시스템은 이러한 학습 접근 방식을 사용하여 시각적 데이터를 해석하고 이해하도록 구축됩니다. 지도 학습은 명확하게 라벨이 지정된 예시로부터 모델이 학습하여 정확하고 신뢰할 수 있는 결과를 생성할 수 있게 하므로 가장 일반적으로 사용되는 방법입니다.

예를 들어, 모델은 “고양이”와 “개”로 라벨이 지정된 이미지로 훈련되어 형태, 귀, 얼굴 구조와 같은 특징을 학습함으로써 분류 알고리즘을 사용하여 새로운 이미지를 정확하게 분류할 수 있습니다. 한편, 비지도 학습과 준지도 학습 또한 데이터의 패턴을 탐색하거나 라벨 데이터가 제한적일 때 성능을 향상하기 위해 컴퓨터 비전에서 사용됩니다.

Link to this section컴퓨터 비전에서 지도 학습 모델 사용 살펴보기#

지도 학습 알고리즘을 교실 환경에 비유할 수 있습니다. 교사가 정답과 함께 예시를 제공하여 학생들이 무엇이 옳고 그른지 배우는 것과 같습니다. 머신러닝에서도 모델은 각 입력이 알려진 출력과 쌍을 이루는 라벨 데이터를 사용하여 유사한 방식으로 학습합니다.

야구 경기 분석을 자동화하는 컴퓨터 비전 시스템을 구축한다고 가정해 봅시다. 공, 배트, 선수와 같은 객체에 라벨이 지정된 이미지나 영상 프레임으로 Ultralytics YOLO26과 같은 모델을 훈련할 수 있습니다.

각 객체는 위치와 카테고리가 표시되어 모델이 무엇을 찾아야 하는지 학습할 수 있습니다. 시간이 지나면 모델은 새로운 영상에서 이러한 객체를 감지하고 위치를 파악하여 프레임 전반에 걸친 공 추적 및 선수 감지와 같은 사용 사례를 지원할 수 있게 됩니다.

그림 2. 지도 학습으로 구현된 객체 감지 예시 (Source)

객체 감지를 넘어 지도 학습은 정확성과 일관성이 중요한 이미지 분류, 인스턴스 세그멘테이션, 자세 추정과 같은 다양한 컴퓨터 비전 작업 전반에 널리 사용됩니다. 이러한 각 작업에서 모델은 라벨 데이터를 통해 특정 패턴을 식별하고 새로운 입력에 대해 신뢰할 수 있는 예측을 수행하도록 학습합니다.

이러한 모델은 일반적으로 신경망을 사용하여 데이터로부터 직접 패턴을 학습하는 머신러닝의 한 유형인 딥러닝을 사용하여 구축됩니다. 신경망은 인간의 뇌가 작동하는 방식에서 영감을 받아 정보를 처리하도록 설계되어 모델이 대규모 데이터셋으로부터 복잡한 시각적 특징을 학습할 수 있게 합니다.

초기 컴퓨터 비전 접근 방식은 종종 수동으로 설계된 특징을 서포트 벡터 머신(SVM, 카테고리 간 최적의 경계를 찾아 데이터를 분류하는 모델)이나 의사결정 나무(데이터를 분기하여 결정을 내리는 모델)와 같은 알고리즘과 결합하여 사용했습니다.

반면, 오늘날의 컴퓨터 비전 모델은 딥러닝을 사용하여 이러한 특징을 데이터로부터 자동으로 학습하므로 대규모의 매우 상세한 시각적 작업을 처리하는 데 더욱 효과적입니다.

Link to this section비전 AI에서 비지도 학습 모델의 필요성 이해하기#

지도 학습이 컴퓨터 비전에서 선호되는 접근 방식이지만, 라벨 데이터가 없거나 라벨을 생성하는 데 너무 많은 비용과 시간이 소요되는 특정 비전 애플리케이션도 존재합니다.

이러한 경우 비지도 학습 알고리즘이 유용한 대안이 될 수 있습니다. 야생동물 카메라에서 얻은 라벨이 없는 대규모 사진 컬렉션이 있다고 가정해 봅시다.

각 이미지에 무엇이 포함되어 있는지 나타내는 라벨은 없지만, 데이터를 정리하거나 이해하고 싶을 수 있습니다. 비지도 모델은 이러한 이미지를 분석하여 유사한 이미지를 그룹화하고 정확한 라벨을 알지 못하더라도 서로 비슷하게 생긴 동물들을 클러스터로 분리할 수 있습니다.

Link to this section컴퓨터 비전에서 비지도 학습이 작동하는 방식#

그렇다면 비지도 머신러닝은 어떻게 작동할까요? 모델은 정답으로부터 학습하는 대신 데이터 내의 패턴과 구조를 스스로 식별하며 학습합니다. 라벨 예시에 의존하지 않고 데이터 전반의 유사점과 차이점을 찾아냅니다.

일반적인 사용 사례는 anomaly detection으로, 모델이 정상 데이터의 모습을 학습한 후 거기서 벗어나는 모든 것을 식별합니다. 이상치 감지는 가장 영향력 있는 산업용 애플리케이션 중 하나입니다. 제조 라인에서 불량품을 발견하거나, 방사선 전문의의 검토를 위해 비정상적인 의료 영상을 표시하거나, 감시 영상에서 의심스러운 활동을 감지하는 예가 있습니다. 결함이나 이상 현상은 흔하지 않고 다양하기 때문에 가능한 모든 사례에 라벨을 지정하는 것은 비실용적이므로 비지도 학습 접근 방식이 자연스럽게 적합합니다.

이를 지원하기 위해 클러스터링 및 차원 축소와 같은 기법이 자주 사용되며, 일반적으로 원본 이미지보다는 이미지에서 추출된 특징에 적용됩니다. k-평균 클러스터링과 같은 클러스터링 방식은 공유된 패턴을 기반으로 유사한 이미지를 그룹화하고, 주성분 분석(PCA)과 같은 차원 축소 기법은 가장 중요한 특징에 집중하여 데이터를 단순화합니다.

이를 통해 모델이 크고 복잡한 데이터셋 내에서 의미 있는 패턴과 구조를 더 쉽게 식별할 수 있습니다. 비지도 학습의 주요 장점은 라벨이 없는 데이터에서도 잘 작동하며 즉각적으로 드러나지 않는 패턴을 찾아낼 수 있다는 점입니다. 그러나 지도 학습에 비해 평가하기가 더 어렵고 최종 출력에 대한 제어력이 떨어집니다.

Link to this section컴퓨터 비전에서의 자기 지도 학습 및 준지도 학습#

지도 학습과 비지도 학습을 탐구하다 보면 둘 사이의 중간 지점이 있는지 궁금할 수 있습니다. 흥미롭게도 자기 지도 학습과 준지도 학습이 지도 학습과 비지도 학습 사이의 간극을 메워줍니다.

이러한 접근 방식은 모델이 라벨이 없는 데이터로부터 더 효과적으로 학습할 수 있게 합니다. 라벨 예시에만 의존하는 대신 데이터 자체에서 학습 작업을 생성하거나, 작은 라벨 데이터셋과 더 큰 라벨 없는 데이터셋을 결합합니다.

self-supervised learning에서 모델은 데이터 자체에서 생성된 문제를 해결하며 학습합니다. 예를 들어, 부분적으로 누락된 이미지를 입력받아 해당 공간을 무엇으로 채워야 할지 예측하도록 학습하거나, 동일한 객체의 서로 다른 뷰를 인식하도록 학습할 수 있습니다. 이는 모델이 수동 라벨 없이도 유용한 특징을 학습하도록 돕습니다.

반면, semi-supervised learning에서는 성능을 향상하기 위해 적은 양의 라벨 데이터를 더 큰 라벨 없는 데이터 세트와 함께 사용합니다. 경우에 따라 모델이 라벨이 없는 데이터에 대한 라벨을 생성하고 이를 사용하여 계속해서 학습할 수 있습니다.

이러한 접근 방식의 핵심 이점은 생성하는 데 비용과 시간이 많이 드는 대규모 라벨 데이터셋의 필요성을 줄여준다는 점입니다. 하지만 완전 지도 학습 방식에 비해 설계와 평가가 더 복잡할 수 있습니다.

Link to this section지도 학습과 비지도 학습의 주요 차이점#

지도 학습과 비지도 학습의 차이는 모델이 어떻게 학습하고 무엇을 달성하려고 하는지에 달려 있습니다. 지도 학습은 특정 작업을 학습하기 위해 라벨 데이터와 명확한 지침에 의존하는 반면, 비지도 학습은 사전 정의된 정답 없이 데이터 내의 패턴과 구조를 발견하는 데 중점을 둡니다.

예를 들어, 교통 모니터링 시스템에서 지도 학습 모델은 차량, 보행자 또는 신호를 감지하기 위해 라벨이 지정된 이미지로 훈련될 수 있습니다. 대조적으로, 비지도 모델은 대량의 영상 자료를 분석하여 무엇을 찾아야 하는지 명시적으로 지시받지 않고도 유사한 교통 패턴을 그룹화하거나 예상치 못한 정체나 비정상적인 움직임과 같은 이상 상황을 식별할 수 있습니다.

Link to this section컴퓨터 비전에서 지도 학습을 사용해야 할 때#

지도 학습은 목표가 명확하게 정의되어 있고 모델이 입력 데이터를 정확한 출력으로 매핑해야 하는 컴퓨터 비전 작업에 훌륭한 옵션입니다. 신뢰할 수 있는 라벨 데이터셋이 있고 일관되고 예측 가능한 결과가 필요할 때 특히 잘 작동합니다.

그림 3. 지도 학습이 주도하는 컴퓨터 비전 작업 (Source)

지도 학습은 모델이 알려진 카테고리를 구별하거나 특정 결과를 예측해야 하는 문제에 일반적으로 사용됩니다. 패턴을 탐색하기보다는 라벨 데이터로부터 정확한 관계를 학습하는 데 집중하므로 모델을 원하는 결과로 유도하기가 더 쉽습니다.

또 다른 핵심 장점은 제어입니다. 지도 학습을 사용하면 명확한 지표를 사용하여 성능을 측정하고 모델을 미세 조정하며 배포 시 안정적인 동작을 보장하기가 더 쉽습니다. 이는 시간이 지나도 일관성과 신뢰성이 필요한 시스템에 완벽합니다.

하지만 여기에는 트레이드오프가 있습니다. 모델은 라벨 데이터의 품질과 규모에 크게 의존하며, 이러한 데이터를 수집하고 주석을 달는 작업은 시간이 많이 걸릴 수 있습니다.

Link to this section지도 학습 컴퓨터 비전의 실제 사례#

Ultralytics YOLO models와 같은 비전 AI 모델은 지도 학습을 사용하여 실시간 애플리케이션 등에서 높은 정확도로 객체 감지와 같은 작업을 수행합니다. 지도 학습이 차이를 만드는 몇 가지 일반적인 실제 비전 사례는 다음과 같습니다.

• 의료 및 의료 영상: 의사는 X-레이나 MRI와 같이 라벨이 지정된 스캔 데이터로 훈련된 컴퓨터 비전 시스템을 사용하여 종양이나 골절과 같은 질환을 식별하는 분류기를 활용함으로써 더 빠르고 정확한 진단을 내릴 수 있습니다.
• 산업 품질 검사: 제조 환경에서 라벨 데이터로 훈련된 비전 시스템은 형태, 표면 결함, 질감, 크기와 같은 품질 관련 여러 특징을 분석하여 제품을 검사할 수 있습니다. 허용 가능한 제품과 불량 제품 예시를 모두 학습함으로써 이러한 시스템은 일관되게 결함을 식별하고 생산 표준을 유지할 수 있습니다.
• 자율 주행: 자율 주행 시스템은 차선, 차량, 보행자, 교통 표지판을 인식하기 위해 라벨이 지정된 주행 데이터로 훈련된 모델에 의존하며, 차량이 실시간으로 안전하게 주행하도록 돕습니다.
• 소매 및 결제 시스템: 매장에서는 라벨이 지정된 제품 이미지로 훈련된 모델을 사용하여 진열대의 항목이나 결제 시 물품을 식별하여 자동 결제 및 보다 효율적인 재고 관리를 구현합니다. 이러한 시스템은 추가 데이터와 결합할 때 고객 세분화와 같은 작업을 지원하여 기업이 쇼핑 패턴을 더 잘 이해하도록 도울 수 있습니다.
• 농업 및 작물 모니터링: 농부들은 라벨이 지정된 이미지로 훈련된 모델을 사용하여 건강한 감자와 손상된 감자를 식별하고 분류하는 등 작물을 탐지하고 분류하여 품질 관리를 개선하고 손실을 줄일 수 있습니다.

그림 4. YOLO를 사용하여 건강한 감자와 결함이 있는 감자를 감지하고 계산하기

Link to this section컴퓨터 비전에서 비지도 학습이 해결할 수 있는 문제 유형#

비지도 학습은 충분한 라벨 데이터가 없거나 데이터에 명확한 정답이 제공되지 않을 때 유용합니다. 이러한 상황에서 목표는 정확한 예측을 수행하는 것이 아니라 데이터의 패턴과 구조를 이해하는 것입니다.

라벨이 없는 데이터셋을 처음 탐색할 때 자주 사용됩니다. 모델에 무엇을 찾아야 하는지 알려주는 대신 유사점을 식별하고, 관련 이미지를 그룹화하거나, 비정상적인 패턴을 스스로 강조하도록 허용합니다.

대규모 이미지 컬렉션에서 비지도 학습 접근 방식은 유사한 이미지를 정리하거나 더 자세히 살펴봐야 할 이상치를 표시하는 데 도움이 됩니다. 이는 데이터 과학 프로젝트에서 유용한 출발점이 됩니다.

GAN, 변이형 오토인코더(VAE), 확산 모델을 포함한 생성 모델은 이미지의 기본 분포를 학습하여 완전히 새로운 이미지를 만듭니다. 이러한 모델은 이미지 합성, 인페인팅, 초해상도, 스타일 변환과 같은 애플리케이션을 구동하며 오늘날의 생성형 AI 시스템의 중추를 형성합니다.

비지도 세그멘테이션에서 일부 방법은 라벨이 지정된 마스크에 의존하지 않고 픽셀이나 영역을 일관된 세그먼트로 그룹화합니다. 이는 주석 작업 비용이 너무 많이 들거나 사전 정의된 카테고리를 맞추는 것보다 구조를 발견하는 것이 목표일 때 유용합니다.

비지도 학습은 라벨링에 시간이 많이 소요되거나 실용적이지 않은 대규모 데이터셋으로 작업할 때도 효과적입니다. 이러한 경우 라벨이 지정된 훈련 데이터에 의존하지 않고도 데이터로부터 통찰력을 얻을 수 있습니다.

이는 또한 생성형 AI(이미지, 텍스트, 오디오와 같은 새로운 데이터를 생성하는 모델) 및 표현 학습(원시 데이터로부터 유용한 특징이나 패턴을 학습하는 모델)과 같은 분야에서 일반적으로 사용되며, 여기서 모델은 대량의 데이터로부터 일반적인 특징을 학습합니다. 전반적으로 귀하의 문제가 탐색, 패턴 발견 또는 라벨이 없는 데이터 작업과 관련이 있다면 비지도 학습은 고려해 볼 만한 유연하고 실용적인 접근 방식입니다.

Link to this section컴퓨터 비전에서 비지도 학습의 실제 사례#

컴퓨터 비전에서 비지도 학습이 적용되는 사용 사례 예시는 다음과 같습니다.

• 제조업에서의 이상치 감지: 모델은 정상 제품의 형태를 학습하여 모든 가능한 결함에 대한 라벨 예시가 없어도 결함이나 불규칙한 상황을 표시할 수 있습니다.
• 이미지 정리 및 검색: 사진 라이브러리나 전자상거래 카탈로그와 같은 대규모 이미지 컬렉션을 시각적 유사성을 기반으로 자동으로 그룹화하여 데이터 과학자가 대규모 데이터셋을 정리하고 탐색하며 검색하기 쉽게 만들 수 있습니다.
• 감시 및 보안: 시스템은 라벨이 지정된 이벤트에 대해 명시적으로 훈련받지 않고도 영상 자료를 분석하여 예상치 못한 움직임이나 군중 변화와 같은 비정상적인 패턴이나 행동을 식별할 수 있습니다.
• 전처리 및 데이터 탐색: 비지도 학습 방법은 지도 모델을 훈련하기 전에 원시 이미지 데이터를 탐색하고 구조화하는 데 자주 사용되며, 데이터 품질을 개선하고 수동 작업을 줄이는 데 도움을 줍니다.

Link to this section지도 학습과 비지도 학습의 실제적인 한계#

두 학습 접근 방식의 장점에도 불구하고 고려해야 할 몇 가지 한계가 있습니다. 컴퓨터 비전 모델을 구축할 때 명심해야 할 실제 요인들은 다음과 같습니다.

• 지도 모델의 과적합(Overfitting): 지도 학습에서 모델은 일반적인 패턴을 학습하는 대신 훈련 데이터를 지나치게 가깝게 학습할 수 있습니다. 이는 데이터셋이 작거나 충분히 다양하지 않을 때 자주 발생합니다. 예를 들어, 한 유형의 제품 결함을 감지하도록 훈련된 모델이 약간 다른 제품이나 조명 조건으로 구성된 새로운 데이터로 테스트할 때 실패할 수 있습니다.
• 클러스터링 알고리즘의 과제: 비지도 학습에서 모델은 유사한 데이터 포인트를 그룹화할 수 있습니다. 그러나 데이터가 노이즈가 많거나 일관성이 없거나 명확한 구조가 부족할 경우 이 기능이 제대로 작동하지 않을 수 있습니다. 예를 들어, 이미지 그룹화 작업에서 색상은 비슷하지만 물체는 다른 이미지들이 잘못 그룹화될 수 있습니다.
• 적절한 전처리의 중요성: 훈련 전에는 데이터를 정리하고 준비해야 합니다. 이는 일반적으로 이미지 처리 및 데이터 변환을 처리하는 Python 라이브러리를 사용하여 수행됩니다. 이미지의 크기, 품질, 조명이 다를 수 있는 컴퓨터 비전에서는 특히 중요합니다. 적절한 전처리가 없으면 모델은 의미 있는 패턴 대신 노이즈로부터 학습하여 성능이 저하될 수 있습니다.

Link to this section핵심 요약#

컴퓨터 비전에서 지도 학습과 비지도 학습은 모두 중요한 역할을 합니다. 올바른 접근 방식은 보유한 데이터 유형(라벨 여부), 해결하려는 문제, 배포 요구 사항에 따라 달라집니다.

높은 정확도와 명확하게 정의된 결과가 목표라면 지도 머신러닝이 종종 더 나은 선택입니다. 데이터를 탐색 중이거나 라벨 없이 작업하는 경우 비지도 학습이 더 적합할 수 있습니다.

AI에 대해 더 알고 싶으신가요? 저희 community와 GitHub repository를 확인해 보세요. AI in robotics와 computer vision in agriculture에 대해 알아보기 위해 솔루션 페이지를 탐색해 보세요. our licensing 옵션을 발견하고 오늘 바로 컴퓨터 비전 개발을 시작하세요!