비전 AI 애플리케이션을 위한 다양한 데이터 유형 살펴보기

드론과 같은 기술은 과거에는 활용 범위가 제한되어 연구자와 전문가만 사용할 수 있었지만, 오늘날에는 첨단 하드웨어를 더 많은 사람이 쉽게 사용할 수 있게 되었습니다. 이러한 변화는 시각 데이터를 수집하는 방식을 바꾸고 있습니다. 기술 접근성이 높아지면서 이제 기존 카메라뿐 아니라 다양한 출처에서 이미지와 동영상을 수집할 수 있습니다.

이와 동시에 인공지능(AI)의 한 분야인 컴퓨터 비전을 활용하는 이미지 분석이 빠르게 발전하면서, 기계가 시각 데이터를 더욱 효과적으로 해석하고 처리할 수 있게 되었습니다. 이러한 발전은 자동화, 객체 탐지, 실시간 분석의 새로운 가능성을 열었습니다. 이제 기계는 패턴을 인식하고 움직임을 추적하며 복잡한 시각 입력을 이해할 수 있습니다.

주요 시각 데이터 유형에는 객체 인식에 일반적으로 사용되는 RGB(빨강, 초록, 파랑) 이미지, 저조도 환경에서 열 신호를 탐지하는 데 도움이 되는 열화상 이미지, 기계가 3D 환경을 이해하도록 하는 깊이 데이터가 있습니다. 각 데이터 유형은 감시부터 의료 영상까지 다양한 Vision AI 애플리케이션을 구현하는 데 중요한 역할을 합니다.

이 글에서는 비전 AI에 사용되는 주요 시각 데이터 유형을 살펴보고, 각 유형이 다양한 산업 분야의 정확도, 효율성, 성능 향상에 어떻게 기여하는지 알아보겠습니다.

가장 일반적인 AI 이미지 및 동영상 데이터셋 유형#

일반적으로 스마트폰으로 사진을 찍거나 CCTV 영상을 볼 때는 RGB 이미지를 다루게 됩니다. RGB는 빨강, 초록, 파랑을 뜻하며, 디지털 이미지의 시각 정보를 나타내는 세 가지 색상 채널입니다.

RGB 이미지와 동영상은 모두 표준 카메라로 촬영되는 밀접한 관련이 있는 컴퓨터 비전용 시각 데이터 유형입니다. 핵심적인 차이는 이미지가 한순간을 포착하는 반면, 동영상은 시간이 흐르면서 상황이 어떻게 변하는지 보여주는 일련의 프레임이라는 점입니다.

RGB 이미지는 일반적으로 컴퓨터 비전 작업에서 객체 탐지, 인스턴스 분할, 포즈 추정 등에 사용되며, Ultralytics YOLO11과 같은 모델이 이를 지원합니다. 이러한 애플리케이션은 단일 프레임에서 패턴, 형태, 특정 특징을 식별하는 데 의존합니다.

반면 동영상은 제스처 인식, 감시, 동작 추적처럼 움직임이나 시간이 중요한 작업에 필수적입니다. 동영상은 일련의 이미지로 볼 수 있으므로 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 프레임 단위로 처리하여 시간에 따른 움직임과 행동을 파악합니다.

예를 들어 Ultralytics YOLO11을 사용해 RGB 이미지나 동영상을 분석하면 농경지의 잡초를 탐지하고 식물 수를 셀 수 있습니다. 이를 통해 작물 모니터링을 개선하고 생장 주기별 변화를 추적하여 농장 관리를 더욱 효율적으로 수행할 수 있습니다.

그림 1. YOLO11은 더 효과적인 작물 모니터링을 위해 식물을 탐지하고 계수할 수 있습니다.

Vision AI의 깊이 데이터: LiDAR 및 3D 인식#

깊이 데이터는 객체가 카메라나 센서에서 얼마나 떨어져 있는지를 나타내어 시각 정보에 세 번째 차원을 더합니다. 색상과 질감만 포착하는 RGB 이미지와 달리 깊이 데이터는 공간적 맥락을 제공합니다. 객체와 카메라 사이의 거리를 보여주므로 장면의 3D 배치를 해석할 수 있습니다.

이 유형의 데이터는 LiDAR, 스테레오 비전(두 대의 카메라로 사람의 깊이 인식을 모방하는 방식), ToF(Time-of-Flight, 빛이 물체까지 이동했다가 돌아오는 데 걸리는 시간을 측정하는 방식) 카메라와 같은 기술을 사용해 수집합니다. 단안 깊이 추정 모델을 사용하면 단일 RGB 이미지에서도 깊이를 예측할 수 있습니다.

이 중 LiDAR(Light Detection and Ranging)는 깊이 측정에 가장 신뢰할 수 있는 기술인 경우가 많습니다. 빠른 레이저 펄스를 발사하고 반사되어 돌아오는 데 걸리는 시간을 측정하는 방식으로 작동합니다. 그 결과 포인트 클라우드라고 하는 매우 정밀한 3D 지도가 생성되어 객체의 형태, 위치, 거리를 실시간으로 나타냅니다.

Vision AI 시스템에서 커지는 LiDAR의 역할#

LiDAR 기술은 각각 특정 애플리케이션과 환경에 맞게 설계된 두 가지 주요 유형으로 나눌 수 있습니다. 두 유형을 자세히 살펴보겠습니다:

• 항공 LiDAR: 넓은 지역을 매핑하는 데 주로 사용되는 항공 LiDAR 스캐너는 드론이나 항공기에 장착하여 대규모 지형 매핑을 위한 고해상도 데이터를 수집합니다. 지형, 숲, 경관을 조사하는 데 적합합니다.
• 지상 LiDAR: 이 유형의 LiDAR 데이터는 인프라 모니터링, 건설, 실내 매핑과 같은 애플리케이션을 위해 차량이나 고정 플랫폼에 장착된 센서로 수집합니다. 제한된 소규모 영역에 대해 매우 상세한 데이터를 제공하므로 도시 계획이나 특정 구조물 조사와 같은 작업에 유용합니다.

LiDAR 데이터의 주요 적용 사례는 자율주행차입니다. LiDAR는 차선 탐지, 충돌 방지, 주변 객체 식별과 같은 작업에서 핵심적인 역할을 합니다. 환경의 상세한 3D 지도를 실시간으로 생성하여 차량이 객체를 인식하고 거리를 계산하며 안전하게 주행할 수 있도록 합니다.

그림 2. LiDAR 기술은 자율주행차가 깊이를 매핑하고 객체를 탐지하도록 지원합니다.

AI 애플리케이션에서 열화상 및 적외선 데이터 활용#

RGB 이미지는 가시광선 스펙트럼에서 우리가 보는 것을 포착하지만, 열화상 및 적외선 영상과 같은 다른 영상 기술은 그 범위를 넘어섭니다. 적외선 영상은 객체가 방출하거나 반사하는 적외선을 포착하므로 저조도 환경에서 유용합니다.

반면 열화상 영상은 객체에서 방출되는 열을 감지하고 온도 차이를 표시하므로 완전한 어둠 속에서도 작동하며 연기, 안개, 기타 장애물도 투과할 수 있습니다. 이러한 데이터는 모니터링과 문제 탐지에 특히 유용하며, 온도 변화가 잠재적 문제를 나타낼 수 있는 산업 분야에서 더욱 그렇습니다.

흥미로운 사례로 과열 징후를 확인하기 위해 전기 부품을 모니터링하는 열화상 영상을 들 수 있습니다. 열화상 카메라는 온도 차이를 탐지해 장비 고장, 화재, 비용이 많이 드는 손상으로 이어지기 전에 문제를 식별할 수 있습니다.

그림 3. 전기 부품 모니터링에 열화상 영상을 사용하는 사례.

마찬가지로 적외선 이미지는 누출되는 가스나 유체를 나타내는 온도 차이를 식별하여 파이프라인이나 단열재의 누출을 탐지하는 데 도움이 될 수 있습니다. 이는 위험한 상황을 방지하고 에너지 효율성을 개선하는 데 매우 중요합니다.

AI에서의 다중분광 및 초분광 영상#

적외선 및 열화상 영상이 전자기 스펙트럼의 특정 영역을 포착하는 반면, 다중분광 영상은 선택된 몇 개의 파장 범위에서 빛을 수집합니다. 각 범위는 건강한 식생을 탐지하거나 표면 재료를 식별하는 등 특정 목적에 맞게 선택됩니다.

초분광 이미징은 수백 개의 매우 좁고 연속적인 파장 범위에 걸쳐 빛을 포착함으로써 이를 한 단계 더 발전시킵니다. 이를 통해 이미지의 각 픽셀에 대한 상세한 빛 신호를 얻을 수 있어 관찰 대상 물질을 훨씬 깊이 이해할 수 있습니다.

그림 4. 다중분광 영상과 초분광 영상 비교.

다중분광 영상과 초분광 영상은 모두 특수 센서와 필터를 사용해 서로 다른 파장의 빛을 포착합니다. 그런 다음 데이터를 스펙트럴 큐브라는 3D 구조로 구성하며, 각 층은 서로 다른 파장을 나타냅니다.

AI 모델은 이 데이터를 분석해 일반 카메라나 사람의 눈으로 볼 수 없는 특징을 탐지할 수 있습니다. 예를 들어 식물 표현형 분석에서 초분광 영상을 사용하면 영양 결핍이나 스트레스와 같이 잎이나 줄기에 나타나는 미세한 변화를 탐지하여 식물의 건강 상태와 생장을 모니터링할 수 있습니다. 이를 통해 연구자는 침습적인 방법을 사용하지 않고 식물의 건강 상태를 평가하고 농업 관행을 최적화할 수 있습니다.

AI를 활용한 레이더 및 소나 영상 분석#

레이더 및 소나 영상은 LiDAR와 유사하게 신호를 발사하고 반사 신호를 분석하여 객체를 탐지하고 매핑하는 기술입니다. 시각 정보를 포착할 때 빛의 파동에 의존하는 RGB 영상과 달리 레이더는 일반적으로 전파와 같은 전자기파를 사용하고, 소나는 음파를 사용합니다. 레이더와 소나 시스템은 모두 펄스를 방출하고 신호가 객체에 반사되어 돌아오는 시간을 측정하여 객체의 거리, 크기, 속도에 관한 정보를 제공합니다.

레이더 영상은 안개, 비, 야간과 같이 시야가 좋지 않을 때 특히 유용합니다. 빛에 의존하지 않기 때문에 완전한 어둠 속에서도 항공기, 차량, 지형을 탐지할 수 있습니다. 따라서 레이더는 항공, 기상 모니터링, 자율 주행 분야에서 신뢰할 수 있는 선택입니다.

반면 소나 영상은 빛이 도달할 수 없는 수중 환경에서 일반적으로 사용됩니다. 물속을 이동하고 잠긴 객체에 반사되는 음파를 사용하므로 잠수함을 탐지하고 해저를 매핑하며 수중 구조 임무를 수행할 수 있습니다. 컴퓨터 비전의 발전으로 소나 데이터와 지능형 분석을 결합해 탐지 및 의사결정을 개선함으로써 수중 탐지를 더욱 강화할 수 있게 되었습니다.

그림 5. 소나 시스템이 초음파 펄스로 바다의 깊이를 측정하는 방법(출처: bbc.co.uk).

AI 모델 학습을 위한 합성 및 시뮬레이션 시각 데이터#

지금까지 살펴본 다양한 데이터 유형은 실제 세계에서 수집할 수 있는 데이터였습니다. 그러나 합성 시각 데이터와 시뮬레이션 시각 데이터는 모두 인공적으로 생성된 콘텐츠입니다. 합성 데이터는 사실적으로 보이는 이미지나 동영상을 만들기 위해 3D 모델링 또는 생성형 AI를 사용해 처음부터 생성합니다.

그림 6. 합성 생성 이미지 살펴보기.

시뮬레이션 데이터도 비슷하지만 빛의 반사, 그림자 형성, 객체의 움직임 등 물리적 세계의 작동 방식을 재현하는 가상 환경을 생성합니다. 시뮬레이션 시각 데이터는 모두 합성 데이터이지만, 모든 합성 데이터가 시뮬레이션 데이터인 것은 아닙니다. 핵심적인 차이는 시뮬레이션 데이터가 단순한 외관이 아니라 현실적인 동작을 재현한다는 점입니다.

이러한 데이터 유형은 컴퓨터 비전 모델 학습에 유용하며, 특히 실제 데이터를 수집하기 어렵거나 구체적이고 드문 상황을 시뮬레이션해야 할 때 효과적입니다. 개발자는 장면 전체를 만들고 객체 유형, 위치, 조명을 선택한 다음 학습용 바운딩 박스와 같은 레이블을 자동으로 추가할 수 있습니다. 따라서 비용과 시간이 많이 드는 실제 사진이나 수동 레이블링 없이도 대규모의 다양한 데이터 세트를 빠르게 구축할 수 있습니다.

예를 들어 의료 분야에서는 실제 이미지의 대규모 데이터 세트를 수집하고 레이블링하기 어려운 유방암 세포 분할 모델을 학습하는 데 합성 데이터를 사용할 수 있습니다. 합성 데이터와 시뮬레이션 데이터는 유연성과 제어 기능을 제공하여 실제 시각 데이터가 제한적인 부분을 보완합니다.

AI 애플리케이션에 적합한 시각 데이터 유형 선택하기#

지금까지 다양한 시각 데이터 유형의 작동 방식과 활용 사례를 살펴보았습니다. 이제 특정 작업에 어떤 데이터 유형이 가장 적합한지 자세히 알아보겠습니다.

• RGB 이미지: 이러한 이미지는 이미지 분류 및 객체 탐지와 같은 일반적인 컴퓨터 비전 작업에 적합합니다. 색상과 질감을 포착하지만 조도가 낮거나 시야가 좋지 않은 까다로운 환경에서는 한계가 있습니다.
• LiDAR 이미징: 레이저 펄스를 사용해 정밀한 3D 매핑을 제공합니다. 로봇 공학, 자율주행 차량, 인프라 점검처럼 정확한 거리 측정이 필요한 애플리케이션에 적합합니다.
• 열화상: 온도 차이를 감지할 수 있어 야간 모니터링, 화재 진압, 기계 및 건물의 열 누출 감지와 같이 가시성이 낮은 환경에서 유용합니다.
• 다중분광 및 초분광 이미징: 농업 모니터링, 제약 품질 관리, 원격 감지와 같이 물질을 세밀하게 분석해야 하는 작업에 유용합니다. 이러한 방법은 가시광선 밖의 넓은 파장 범위에 걸쳐 데이터를 포착해 더 깊이 있는 정보를 제공합니다.
• 레이더 및 소나 이미징: 시야가 제한된 환경에서 선호됩니다. 레이더는 전파를 사용하며 항공 및 항법에 유용하고, 소나는 음파를 사용해 수중 탐지를 수행합니다.
• 합성 및 시뮬레이션 시각 데이터: 실제 데이터가 부족하거나 없거나 라벨을 지정하기 어려운 경우 AI 모델 학습에 이상적입니다. 이러한 인공 시각 자료는 희귀 사건이나 안전이 중요한 상황과 같은 복잡한 시나리오를 위한 다양한 데이터셋을 구축하는 데 도움이 됩니다.

실제 상황에서는 단일 데이터 유형만으로 정확도나 맥락이 충분하지 않을 수 있습니다. 이때 멀티모달 센서 퓨전이 중요해집니다. RGB에 열화상, 깊이, LiDAR와 같은 다른 데이터 유형을 결합하면 각 데이터 유형의 한계를 보완하여 신뢰성과 적응성을 높일 수 있습니다.

예를 들어 창고 자동화에서는 객체 인식에 RGB를, 거리 측정에 깊이 데이터를, 장비 과열 감지에 열화상을 사용하면 운영 효율성과 안전성을 높일 수 있습니다. 궁극적으로 애플리케이션의 구체적인 요구 사항에 따라 데이터 유형을 선택하거나 결합해야 최상의 결과를 얻을 수 있습니다.

핵심 요점#

비전 AI 모델을 구축할 때는 적절한 시각 데이터 유형을 선택하는 것이 중요합니다. 객체 탐지, 분할, 동작 추적과 같은 작업은 알고리즘뿐만 아니라 입력 데이터의 품질에도 좌우됩니다. 깨끗하고 다양하며 정확한 데이터 세트는 노이즈를 줄이고 성능을 높이는 데 도움이 됩니다.

RGB, 깊이, 열화상, LiDAR와 같은 데이터 유형을 결합하면 AI 시스템이 환경을 더 종합적으로 파악하여 다양한 조건에서 신뢰성을 높일 수 있습니다. 기술이 계속 발전함에 따라 비전 AI는 더욱 빠르고 적응성이 뛰어나며 다양한 산업에 더 큰 영향을 미치게 될 것입니다.

커뮤니티에 참여하고 GitHub 저장소를 살펴보며 컴퓨터 비전에 대해 자세히 알아보세요. 솔루션 페이지에서 의료 분야의 AI와 리테일 분야의 컴퓨터 비전에 관한 다양한 애플리케이션을 확인하세요. 비전 AI를 시작하려면 라이선스 옵션을 살펴보세요.