2025년 최고의 컴퓨터 비전 데이터셋 살펴보기

데이터가 일상에서 하는 거의 모든 일에 중요한 역할을 한다는 사실을 알고 계셨나요? 동영상을 시청하거나, 사진을 찍거나, Google Maps를 확인하는 일은 750억 개 이상의 연결된 기기에서 수집되는 끊임없는 정보 흐름에 기여합니다. 이러한 데이터는 인공지능(AI)의 기반을 형성합니다. 실제로 Ultralytics YOLO11과 같은 고급 컴퓨터 비전 모델은 시각 데이터를 바탕으로 패턴을 식별하고 이미지를 해석하며 주변 세계를 이해합니다.

흥미롭게도 데이터의 가치는 단순히 양에 달려 있지 않습니다. 데이터가 얼마나 잘 정리되고 준비되었는지가 더 중요합니다. 데이터셋이 지저분하거나 불완전하면 오류가 발생할 수 있습니다. 반면 데이터셋이 정제되어 있고 다양하면 군중 속의 객체를 인식하거나 복잡한 시각 정보를 분석하는 등 컴퓨터 비전 모델의 성능을 높이는 데 도움이 됩니다. 고품질 데이터셋이 큰 차이를 만듭니다.

이 글에서는 2025년 최고의 컴퓨터 비전 데이터셋을 살펴보고, 이러한 데이터셋이 더 정확하고 효율적인 컴퓨터 비전 모델을 구축하는 데 어떻게 기여하는지 알아보겠습니다.

컴퓨터 비전 데이터셋이란 무엇인가요?#

컴퓨터 비전 데이터셋은 컴퓨터 비전 시스템이 시각 정보를 이해하고 인식하도록 학습시키는 이미지 또는 동영상 모음입니다. 이러한 데이터셋에는 데이터에 포함된 객체, 사람, 장면, 패턴을 모델이 인식하는 데 도움이 되는 레이블이나 어노테이션이 포함됩니다.

이 데이터셋은 컴퓨터 비전 모델을 학습시키는 데 사용할 수 있으며, 얼굴 식별, 객체 탐지, 장면 분석과 같은 작업의 성능을 높이는 데 도움이 됩니다. 데이터셋이 잘 정리되고 다양하며 정확할수록 비전 AI 모델의 성능이 향상되어 일상에서 더 똑똑하고 유용한 기술을 구현할 수 있습니다.

컴퓨터 비전 데이터셋을 구축하는 방법#

컴퓨터 비전 데이터셋 구축은 누군가에게 세상을 보고 이해하는 방법을 가르치기 위해 학습 노트를 준비하는 것과 비슷합니다. 개발 중인 특정 애플리케이션에 맞는 이미지와 동영상을 수집하는 것부터 시작합니다.

이상적인 데이터셋에는 관심 객체를 다양한 각도와 조명 조건에서, 여러 배경과 환경에 걸쳐 촬영한 다양한 사례가 포함됩니다. 이러한 다양성은 컴퓨터 비전 모델이 패턴을 정확하게 인식하고 실제 환경에서도 안정적으로 작동하도록 합니다.

그림 1. 이상적인 비전 데이터셋 구축. 이미지 제작자 제공.

관련 이미지와 동영상을 수집한 다음 단계는 데이터 레이블링입니다. 이 과정에서는 AI가 각 이미지나 동영상에 무엇이 포함되어 있는지 이해할 수 있도록 데이터에 태그, 어노테이션 또는 설명을 추가합니다.

레이블에는 객체 이름, 위치, 경계 또는 기타 관련 세부 정보가 포함될 수 있으며, 이는 모델이 시각 정보를 정확하게 인식하고 해석하도록 학습시키는 데 도움이 됩니다. 데이터 레이블링을 거치면 단순한 이미지 모음이 컴퓨터 비전 모델을 학습시키는 데 사용할 수 있는 구조화된 데이터셋으로 바뀝니다.

모델 학습에는 고품질 데이터가 필요합니다#

데이터셋의 품질을 높이는 요소가 무엇인지 궁금하실 수 있습니다. 정확한 레이블링, 다양성, 일관성 등 여러 요소가 있습니다. 예를 들어 여러 어노테이터가 고양이 귀를 식별하기 위한 객체 탐지 데이터셋에 레이블을 지정할 때, 한 사람은 귀를 머리의 일부로 표시하고 다른 사람은 별도의 귀로 표시할 수 있습니다. 이러한 불일치는 모델을 혼란스럽게 하고 올바르게 학습하는 능력에 영향을 줄 수 있습니다.

이상적인 컴퓨터 비전 데이터셋의 특성을 간략히 살펴보겠습니다.

• 명확한 레이블: 각 이미지에 일관되고 정확한 레이블이 지정되어 있습니다.
• 다양한 데이터: 여러 상황에서 모델이 잘 작동하도록 데이터셋에 다양한 객체, 배경, 조명 조건, 촬영 각도가 포함되어 있습니다.
• 고해상도 이미지: 선명하고 세밀한 이미지는 모델이 특징을 학습하고 인식하는 데 도움이 됩니다.

Ultralytics는 다양한 데이터셋을 지원합니다#

YOLO11과 같은 Ultralytics YOLO 모델은 특정 YOLO 파일 형식의 데이터셋을 사용하도록 설계되었습니다. 자체 데이터를 이 형식으로 쉽게 변환할 수 있지만, 바로 실험을 시작하려는 사용자를 위해 더 간편한 방법도 제공합니다.

Ultralytics Python 패키지는 다양한 컴퓨터 비전 데이터셋을 지원하므로 별도의 설정 없이 객체 탐지, 인스턴스 세그멘테이션, 포즈 추정 등의 작업을 활용하는 프로젝트를 시작할 수 있습니다.

학습 함수의 매개변수 중 하나로 데이터셋 이름을 지정하면 COCO, DOTA(v1.0 및 v1.5), Open Images V7, ImageNet과 같은 즉시 사용 가능한 데이터셋에 쉽게 접근할 수 있습니다. 데이터셋이 자동으로 다운로드되고 사전 구성되므로 모델 구축과 개선에 집중할 수 있습니다.

2025년 최고의 컴퓨터 비전 데이터셋 5선#

비전 AI의 발전은 혁신을 이끌고 획기적인 성과를 가능하게 하는 다양하고 대규모인 데이터셋에 달려 있습니다. 컴퓨터 비전 모델에 영향을 미치고 있으며 Ultralytics가 지원하는 주요 데이터셋을 살펴보겠습니다.

ImageNet 데이터셋#

2007년 프린스턴 대학교의 Fei-Fei Li와 연구팀이 만들고 2009년에 공개한 ImageNet은 1,400만 개가 넘는 레이블 지정 이미지로 구성된 대규모 데이터셋입니다. 다양한 객체를 인식하고 분류하는 시스템을 학습시키는 데 널리 사용됩니다. 체계적인 설계 덕분에 모델에 이미지를 정확하게 분류하는 방법을 학습시키는 데 특히 유용합니다. 문서화가 잘되어 있지만, 주로 이미지 분류에 초점을 맞추고 있어 객체 탐지와 같은 작업을 위한 상세한 어노테이션은 부족합니다.

ImageNet의 주요 장점을 살펴보겠습니다.

• 다양성: 20,000개가 넘는 카테고리의 이미지를 포함하는 ImageNet은 방대하고 다채로운 데이터셋을 제공하여 모델 학습과 일반화 성능을 향상시킵니다.
• 체계적인 구성: 이미지가 WordNet 계층 구조를 사용해 세심하게 분류되어 있어 데이터를 효율적으로 검색하고 모델을 체계적으로 학습시킬 수 있습니다.
• 포괄적인 문서: ImageNet은 광범위한 연구와 오랜 기간의 연구를 바탕으로 초보자와 전문가 모두가 이용할 수 있으며, 컴퓨터 비전 프로젝트에 유용한 인사이트와 지침을 제공합니다.

하지만 다른 모든 데이터셋과 마찬가지로 ImageNet에도 한계가 있습니다. 고려해야 할 몇 가지 과제는 다음과 같습니다.

• 높은 컴퓨팅 요구 사항: 데이터셋의 방대한 규모로 인해 컴퓨팅 리소스가 제한적인 소규모 팀은 어려움을 겪을 수 있습니다.
• 시간 데이터 부족: 정지 이미지로만 구성되어 있으므로 비디오나 시간 기반 데이터가 필요한 애플리케이션에는 적합하지 않을 수 있습니다.
• 오래된 이미지: 데이터셋의 일부 이미지는 오래되어 현재의 객체, 스타일 또는 환경을 반영하지 않을 수 있으며, 이로 인해 최신 애플리케이션과의 관련성이 낮아질 수 있습니다.

DOTA-v2.0 데이터셋#

DOTA-v2.0 데이터셋은 항공 이미지 객체 탐지를 위한 데이터셋(DOTA)으로, 특히 방향성 바운딩 박스(OBB) 객체 탐지를 위해 제작된 방대한 항공 이미지 컬렉션입니다. OBB 탐지에서는 회전된 바운딩 박스를 사용해 이미지 속 객체의 실제 방향에 더 정확하게 맞춥니다. 이 방법은 객체가 다양한 각도로 나타나 정확한 위치 추정과 전반적으로 더 나은 탐지가 필요한 항공 이미지에 특히 효과적입니다.

이 데이터셋은 18개 객체 카테고리에 걸쳐 11,000개가 넘는 이미지와 170만 개가 넘는 방향성 바운딩 박스로 구성되어 있습니다. 이미지 크기는 800×800픽셀부터 20,000×20,000픽셀까지 다양하며, 비행기, 선박, 건물 등의 객체를 포함합니다.

그림 2. DOTA-v2.0 데이터셋 이미지와 어노테이션의 예시. 이미지 제공: 저자.

상세한 어노테이션 덕분에 DOTA-v2.0은 원격 탐사 및 항공 감시 프로젝트에서 널리 사용됩니다. DOTA-v2.0의 주요 특징은 다음과 같습니다.

• 다양한 객체 카테고리: 차량, 항구, 저장 탱크 등 여러 종류의 객체를 다루므로 모델이 다양한 실제 객체를 접할 수 있습니다.
• 고품질 어노테이션: 전문 어노테이터가 객체의 형태와 방향을 명확하게 나타내는 정밀한 방향성 바운딩 박스를 제공합니다.
• 다중 스케일 이미지: 다양한 크기의 이미지가 포함되어 있어 모델이 작은 스케일과 큰 스케일 모두에서 객체를 탐지하는 방법을 학습할 수 있습니다.

DOTA-v2에는 여러 장점이 있지만, 사용자가 알아 두어야 할 한계도 있습니다.

• 추가 다운로드 단계: DOTA 데이터셋의 관리 방식 때문에 DOTA-v2.0을 사용하려면 설정 단계를 추가로 거쳐야 합니다. 데이터셋을 완성하려면 먼저 DOTA-v1.0 이미지를 다운로드한 다음 DOTA-v2.0의 추가 이미지와 업데이트된 어노테이션을 더해야 합니다.
• 복잡한 어노테이션: 모델 학습 중 방향성 바운딩 박스를 처리하려면 추가 작업이 필요할 수 있습니다.
• 제한된 범위: DOTA-v2는 항공 이미지를 대상으로 설계되었으므로 해당 분야 외의 일반 객체 탐지 작업에는 유용성이 떨어집니다.

Roboflow 100 데이터셋#

Roboflow 100(RF100) 데이터셋은 Intel의 지원을 받아 Roboflow가 만들었습니다. 객체 탐지 모델의 성능을 테스트하고 벤치마크하는 데 사용할 수 있습니다. 이 벤치마크 데이터셋에는 90,000개가 넘는 공개 데이터셋 중에서 선정한 100개의 서로 다른 데이터셋이 포함됩니다. 의료, 항공 이미지, 게임 등 여러 분야의 이미지 224,000개 이상과 객체 클래스 800개를 포함합니다.

RF100을 사용하면 얻을 수 있는 주요 이점은 다음과 같습니다.

• 폭넓은 분야 범위: 의료 영상, 항공 이미지, 수중 탐사 등 7개 분야의 데이터셋을 포함합니다.
• 모델 개선 촉진: RF100의 다양성과 도메인별 과제는 현재 모델의 부족한 점을 드러내며, 더욱 적응력 있고 강건한 객체 탐지 솔루션을 위한 연구를 촉진합니다.
• 일관된 이미지 형식: 모든 이미지의 크기를 640x640픽셀로 조정합니다. 따라서 사용자는 이미지 크기를 조정하지 않고도 모델을 학습시킬 수 있습니다.

장점에도 불구하고 RF100에는 유의해야 할 몇 가지 단점이 있습니다.

• 작업 범위 제한: RF100은 객체 탐지를 위해 설계되었으므로 분할이나 분류와 같은 작업은 지원하지 않습니다.
• 벤치마크 중심의 목적: RF100은 실제 애플리케이션을 위한 모델 학습보다 벤치마킹 도구로 주로 설계되었으므로, 결과가 실제 배포 환경에 그대로 적용되지 않을 수 있습니다.
• 어노테이션의 편차: RF100은 크라우드소싱 데이터셋을 통합하므로 어노테이션 품질과 레이블 지정 방식이 일관되지 않을 수 있으며, 이는 모델 평가와 파인튜닝에 영향을 줄 수 있습니다.

COCO(일상적인 환경 속 일반 객체) 데이터셋#

COCO 데이터셋은 상세한 이미지 어노테이션을 갖춘 330,000개 이상의 이미지를 제공하는, 널리 사용되는 컴퓨터 비전 데이터셋 중 하나입니다. 객체 탐지, 분할, 이미지 캡셔닝을 위해 설계되어 다양한 프로젝트에 유용한 리소스입니다. 바운딩 박스와 분할 마스크를 포함한 상세한 레이블을 통해 시스템은 이미지를 정밀하게 분석하는 방법을 학습할 수 있습니다.

이 데이터셋은 유연성이 뛰어나 간단한 프로젝트부터 복잡한 프로젝트까지 다양한 작업에 유용합니다. 비전 AI 분야의 표준으로 자리 잡았으며, 모델 성능 평가를 위한 챌린지와 대회에서 자주 사용됩니다.

주요 장점은 다음과 같습니다.

• 다양하고 현실적인 데이터: 데이터셋에는 여러 객체와 가림 현상, 다양한 조명 조건이 나타나는 실제 환경의 이미지가 포함됩니다.
• 활발한 커뮤니티와 연구 활용: 주요 머신러닝 대회와 연구에서 사용되는 COCO 데이터셋은 폭넓은 문서, 사전 학습 모델, 활발한 커뮤니티 지원을 제공합니다.
• 풍부하고 상세한 어노테이션: COCO 데이터셋은 객체 세그멘테이션, 키포인트, 캡션을 포함한 매우 상세한 어노테이션을 제공하므로 정밀한 시각적 이해가 필요한 프로젝트에 적합합니다.

다음과 같은 몇 가지 제한 요소도 알아 두어야 합니다.

• 높은 컴퓨팅 요구 사항: 규모와 복잡성 때문에 COCO로 모델을 학습시키려면 상당한 컴퓨팅 리소스가 필요할 수 있어 하드웨어가 제한적인 팀에는 어려움이 될 수 있습니다.
• 데이터 불균형: 일부 객체 카테고리에는 다른 카테고리보다 이미지가 훨씬 많아 모델 학습에 편향이 발생할 수 있습니다.
• 복잡한 어노테이션 구조: 데이터셋의 상세한 어노테이션은 유용하지만, 구조화된 비전 AI 데이터셋을 다룬 경험이 부족한 초보자나 소규모 팀에는 부담스러울 수 있습니다.

Open Images V7 데이터셋#

Google이 선별한 대규모 오픈 소스 데이터셋인 Open Images V7은 600개 객체 카테고리의 어노테이션이 포함된 900만 개 이상의 이미지를 제공합니다. 다양한 유형의 어노테이션이 포함되어 있어 복잡한 컴퓨터 비전 작업에 적합합니다. 규모와 깊이 면에서 컴퓨터 비전 모델을 학습하고 테스트하는 데 필요한 포괄적인 리소스를 제공합니다.

그림 3. Open Images V7 데이터셋의 일부. 이미지 제공: 저자.

또한 Open Images V7 데이터셋은 연구 분야에서 인기가 높아 사용자가 참고할 수 있는 리소스와 예시가 풍부합니다. 하지만 데이터셋의 규모가 매우 커서 다운로드와 처리에 시간이 오래 걸릴 수 있으며, 특히 소규모 팀에는 부담이 될 수 있습니다. 일부 어노테이션이 일관되지 않아 데이터를 정리하는 데 추가 작업이 필요할 수 있고, 통합이 항상 원활한 것은 아니므로 추가 준비가 필요할 수 있습니다.

적합한 데이터셋 선택하기#

적합한 데이터셋을 선택하는 것은 컴퓨터 비전 프로젝트의 성공을 준비하는 데 중요한 과정입니다. 최선의 선택은 구체적인 작업에 따라 달라지며, 알맞은 데이터셋을 찾으면 모델이 필요한 역량을 학습하는 데 도움이 됩니다. 또한 도구와 쉽게 통합할 수 있어야 모델 구축에 더 집중하고 문제 해결에 드는 시간을 줄일 수 있습니다.

그림 4. 적합한 데이터셋을 선택하기 위한 요소. 이미지 제공: 저자.

핵심 요점#

고품질 데이터셋은 모든 컴퓨터 비전 모델의 기반이며, 시스템이 이미지를 정확하게 해석하는 방법을 학습하도록 돕습니다. 다양하고 어노테이션이 잘된 데이터셋은 특히 중요합니다. 이러한 데이터셋을 통해 모델은 실제 환경에서 안정적으로 작동하고, 제한적이거나 품질이 낮은 데이터로 인한 오류를 줄일 수 있습니다.

Ultralytics는 컴퓨터 비전 데이터셋에 접근하고 이를 활용하는 과정을 간소화하여 프로젝트에 적합한 데이터를 쉽게 찾을 수 있도록 합니다. 적합한 데이터셋을 선택하는 것은 고성능 모델을 구축하는 데 중요한 단계이며, 더 정밀하고 효과적인 결과로 이어집니다.

커뮤니티에 참여하고 GitHub 리포지토리를 살펴보며 AI에 대해 자세히 알아보세요. 솔루션 페이지에서 의료 분야의 컴퓨터 비전과 자율주행차의 AI와 같은 발전 사례를 확인하세요. 라이선스 옵션을 살펴보고 지금 바로 컴퓨터 비전을 시작해 보세요!