Google의 PaliGemma 2: 고급 VLM 모델 인사이트

2024년 12월 5일, Google은 최신 비전-언어 모델 (VLM) 버전인 PaliGemma 2를 공개했습니다. PaliGemma 2는 이미지와 텍스트를 결합하는 작업을 처리하도록 설계되었으며, 캡션 생성, 시각적 질문 답변, 이미지 내 객체 감지 등의 작업을 수행할 수 있습니다.

다국어 캡션 생성과 객체 인식을 위한 강력한 도구였던 기존 PaliGemma를 기반으로 PaliGemma 2는 몇 가지 핵심적인 개선 사항을 제공합니다. 여기에는 더 큰 모델 크기, 고해상도 이미지 지원, 복잡한 시각적 작업에서의 향상된 성능이 포함됩니다. 이러한 업그레이드를 통해 더욱 다양한 용도에 유연하고 효과적으로 활용할 수 있습니다.

이 글에서는 PaliGemma 2의 작동 방식, 주요 기능, 그리고 뛰어난 성능을 발휘하는 애플리케이션을 자세히 살펴보겠습니다. 시작하겠습니다!

Gemma 2에서 PaliGemma 2까지#

PaliGemma 2는 SigLIP 비전 인코더와 Gemma 2 언어 모델이라는 두 가지 핵심 기술을 기반으로 구축되었습니다. SigLIP 인코더는 이미지나 동영상 같은 시각 데이터를 처리하고, 모델이 분석할 수 있는 특징으로 분해합니다. 한편 Gemma 2는 텍스트를 처리하여 모델이 다국어를 이해하고 생성할 수 있도록 합니다. 이 두 기술은 함께 VLM을 구성하여 시각 정보와 텍스트 정보를 원활하게 해석하고 연결하도록 설계되었습니다.

PaliGemma 2를 크게 발전시킨 요소는 확장성과 다용도성입니다. 기존 버전과 달리 PaliGemma 2는 30억(3B), 100억(10B), 280억(28B)개의 파라미터로 구성된 세 가지 크기로 제공됩니다. 이러한 파라미터는 모델의 내부 설정과 같으며, 모델이 데이터를 효과적으로 학습하고 처리하도록 돕습니다. 또한 다양한 이미지 해상도(예: 빠른 작업을 위한 224 x 224픽셀 및 세부 분석을 위한 896 x 896)를 지원하므로 여러 애플리케이션에 맞게 조정할 수 있습니다.

그림 1. PaliGemma 2 개요

Gemma 2의 고급 언어 기능과 SigLIP의 이미지 처리 기능을 통합하면 PaliGemma 2가 훨씬 더 지능적으로 작동합니다. 다음과 같은 작업을 처리할 수 있습니다.

• 이미지 또는 동영상 캡션 생성: 모델은 시각적 콘텐츠에 대한 상세한 텍스트 설명을 생성하여 캡션을 자동으로 만드는 데 유용합니다.
• 시각적 질문 답변: PaliGemma 2는 이미지에 기반한 질문에 답할 수 있으며, 예를 들어 장면 속 객체, 사람 또는 동작을 식별할 수 있습니다.
• 객체 인식: 이미지 내 객체를 식별하고 레이블을 지정하여 사진에서 고양이, 테이블 또는 자동차를 구분할 수 있습니다.

PaliGemma 2는 이미지와 텍스트를 পৃথ도로 처리하는 데 그치지 않고, 두 정보를 의미 있는 방식으로 결합합니다. 예를 들어 장면 속 관계를 이해하여 “고양이가 테이블 위에 앉아 있습니다.”라는 사실을 인식하거나, 유명한 랜드마크를 식별하면서 관련 맥락을 추가할 수 있습니다.

Google의 PaliGemma 2 VLM 모델 작동 방식#

다음으로 아래 이미지에 표시된 그래프를 사용하는 예제를 통해 PaliGemma 2가 시각 데이터와 텍스트 데이터를 처리하는 방식을 더 자세히 살펴보겠습니다. 이 그래프를 업로드하고 모델에 “이 그래프는 무엇을 나타내나요?”라고 질문한다고 가정해 보겠습니다.

그림 2. PaliGemma 2 기능의 예시

이 과정은 PaliGemma 2의 SigLIP 비전 인코더가 이미지를 분석하고 핵심 특징을 추출하는 것으로 시작됩니다. 그래프의 경우 축, 데이터 포인트, 레이블과 같은 요소를 식별합니다. 인코더는 광범위한 패턴과 세부적인 특징을 모두 포착하도록 학습됩니다. 또한 이미지에 포함된 텍스트를 감지하고 처리하기 위해 광학 문자 인식 (OCR)을 사용합니다. 이러한 시각적 특징은 모델이 처리할 수 있는 수치 표현인 토큰으로 변환됩니다. 그런 다음 선형 프로젝션 레이어를 사용해 이러한 토큰을 조정합니다. 이 기법은 토큰을 텍스트 데이터와 원활하게 결합할 수 있도록 합니다.

동시에 Gemma 2 언어 모델은 함께 제공된 질의를 처리하여 그 의미와 의도를 파악합니다. 질의의 텍스트는 토큰으로 변환되고, 이러한 토큰은 SigLIP의 시각 토큰과 결합되어 시각 데이터와 텍스트 데이터를 연결하는 통합 형식인 멀티모달 표현을 생성합니다.

PaliGemma 2는 이렇게 통합된 표현을 사용하여 자기회귀 디코딩을 통해 단계별로 응답을 생성합니다. 자기회귀 디코딩은 모델이 이미 처리한 맥락을 기반으로 한 번에 답변의 한 부분씩 예측하는 방식입니다.

PaliGemma 2의 주요 기능#

이제 작동 방식을 이해했으므로 PaliGemma 2를 신뢰할 수 있는 비전-언어 모델로 만드는 주요 기능을 살펴보겠습니다.

• 파인튜닝 유연성: 특정 데이터셋과 작업에 쉽게 적응하며, 이미지 캡션 생성, 공간 추론, 의료 영상과 같은 애플리케이션에서 우수한 성능을 발휘합니다.
• 다양한 학습 데이터: WebLI 및 OpenImages와 같은 데이터셋으로 학습되어 강력한 객체 인식 능력과 다국어 출력 기능을 제공합니다.
• OCR 통합: 이미지에서 텍스트를 추출하고 해석하기 위한 광학 문자 인식을 포함하므로 문서 분석 및 기타 텍스트 기반 작업에 적합합니다.
• 다국어 출력: 여러 언어로 캡션과 응답을 생성하므로 글로벌 애플리케이션에 적합합니다.
• 도구 통합: Hugging Face Transformers, PyTorch, Keras와 같은 프레임워크와 호환되므로 쉽게 배포하고 실험할 수 있습니다.

PaliGemma 2와 PaliGemma 비교: 무엇이 개선되었나요?#

PaliGemma 첫 버전의 아키텍처를 살펴보면 PaliGemma 2의 개선 사항을 이해하는 데 도움이 됩니다. 가장 주목할 만한 변화 중 하나는 기존 Gemma 언어 모델을 Gemma 2로 교체한 것으로, 성능과 효율성이 크게 향상되었습니다.

9B 및 27B 파라미터 크기로 제공되는 Gemma 2는 배포 비용을 줄이면서도 업계 최고 수준의 정확도와 속도를 제공하도록 설계되었습니다. 강력한 GPU부터 보다 접근성이 높은 구성에 이르기까지 다양한 하드웨어 설정에서 추론 효율성을 높이도록 재설계된 아키텍처를 통해 이를 실현합니다.

그림 3. PaliGemma 2의 첫 버전 돌아보기

그 결과 PaliGemma 2는 매우 정확한 모델이 되었습니다. PaliGemma 2의 10B 버전은 기존 모델의 34.3보다 낮은 20.3의 Non-Entailment Sentence (NES) 점수를 기록하며, 이는 출력 결과의 사실 오류가 더 적다는 의미입니다. 이러한 발전으로 PaliGemma 2는 세부적인 캡션 생성부터 시각적 질문 답변까지 더욱 다양한 애플리케이션에 확장 가능하고 정밀하며 유연하게 적용할 수 있습니다.

PaliGemma 2의 애플리케이션: VLM 모델의 실제 활용 사례#

PaliGemma 2는 시각적 이해와 언어 이해를 원활하게 결합하여 산업을 재정의할 잠재력을 갖추고 있습니다. 예를 들어 접근성 측면에서 객체, 장면, 공간적 관계에 대한 상세한 설명을 생성하여 시각 장애인에게 중요한 지원을 제공할 수 있습니다. 이러한 기능은 사용자가 주변 환경을 더 잘 이해하도록 도와 일상적인 작업에서 더 큰 자립성을 제공합니다.

그림 4. PaliGemma 2는 세상을 더욱 접근하기 쉬운 곳으로 만들 수 있습니다.

접근성 외에도 PaliGemma 2는 다음을 포함한 다양한 산업에 영향을 미치고 있습니다.

• 전자상거래: 모델은 이미지 속 상품을 분석하고 설명하여 상품 분류를 개선합니다. 이를 통해 재고 관리가 간소화되고 사용자의 검색 경험이 향상됩니다.
• 의료: X선 및 MRI와 같은 의료 영상을 임상 기록과 함께 해석하여 의료 전문가가 더 정확하고 충분한 정보를 바탕으로 진단하도록 지원합니다.
• 교육: PaliGemma 2는 캡션을 생성하고 이미지에 대한 맥락 정보를 제공하여 교육자가 설명이 풍부하고 접근성 높은 학습 자료를 만들도록 돕습니다.
• 콘텐츠 생성: 멀티미디어 콘텐츠의 캡션과 시각적 설명 생성 과정을 자동화하여 제작자의 시간을 절약합니다.

직접 사용해 보기: PaliGemma 2#

PaliGemma 2를 사용해 보려면 Hugging Face의 대화형 데모부터 시작할 수 있습니다. 이 데모에서는 이미지 캡션 생성과 시각적 질문 답변 같은 작업을 통해 기능을 살펴볼 수 있습니다. 이미지를 업로드하고 모델에 이미지에 관한 질문을 하거나 장면에 대한 설명을 요청하기만 하면 됩니다.

그림 5. PaliGemma 2 데모(Hugging Face 제공)

더 자세히 살펴보고 싶다면 다음과 같이 직접 사용해 볼 수 있습니다.

• 사전 학습 모델: Hugging Face 및 Kaggle과 같은 플랫폼에서 사전 학습 모델과 코드를 이용할 수 있습니다. 이러한 리소스에는 모델 작업을 시작하는 데 필요한 모든 것이 포함되어 있습니다.
• 노트북: PaliGemma 2를 익힐 수 있도록 포괄적인 문서와 예제 노트북이 제공됩니다. 추론 예제로 시작한 다음, 특정 작업을 위해 자체 데이터셋으로 모델을 파인튜닝하며 실험할 수 있습니다.
• 통합: PaliGemma 2는 Hugging Face Transformers, Keras, PyTorch, JAX, Gemma.cpp와 같이 널리 사용되는 프레임워크와 호환되므로 기존 워크플로에 손쉽게 통합할 수 있습니다.

Google의 PaliGemma 2 장단점#

PaliGemma 2를 시작하는 방법을 살펴보았으므로 이제 이러한 모델을 사용할 때 고려해야 할 주요 강점과 단점을 자세히 살펴보겠습니다.

PaliGemma 2가 비전-언어 모델로서 돋보이는 이유는 다음과 같습니다.

• 효율성 향상: Gemma 2의 최적화된 아키텍처를 활용하여 PaliGemma 2는 배포 비용을 최소화하면서 높은 성능을 제공합니다.
• 향상된 안전 기능: PaliGemma 2는 편향을 줄이기 위한 사전 학습 데이터의 강력한 필터링과 안전성 벤치마크에 대한 엄격한 평가 등 학습 과정에서 상당한 안전성 개선을 적용했습니다.
• 소규모 구성에서의 낮은 지연 시간: 3B 모델은 더 빠른 추론 시간을 제공하므로 속도가 중요한 전자상거래 상품 추천이나 실시간 지원 시스템과 같은 사용 사례에 적합합니다.

한편 PaliGemma 2에는 다음과 같은 한계가 있을 수 있습니다.

• 지연 시간: 대규모 모델은 강력하지만 실시간 대화형 AI 시스템처럼 즉각적인 응답이 필요한 작업에 배포할 경우 특히 지연 시간 문제가 발생할 수 있습니다.
• 대규모 데이터셋 의존성: PaliGemma 2의 성능은 학습 데이터셋의 품질과 다양성에 크게 좌우되므로, 학습 데이터에 포함되지 않은 소외된 분야나 언어에서는 효과가 제한될 수 있습니다.
• 높은 리소스 요구 사항: 최적화에도 불구하고 10B 및 28B 파라미터 버전은 상당한 컴퓨팅 성능을 요구하므로 리소스가 제한된 소규모 조직에서는 접근성이 떨어질 수 있습니다.

핵심 요점#

PaliGemma 2는 확장성, 파인튜닝 유연성, 정확도를 향상한 매력적인 비전-언어 모델링의 발전 사례입니다. 접근성 솔루션과 전자상거래부터 의료 진단과 교육에 이르기까지 다양한 애플리케이션을 위한 유용한 도구로 활용할 수 있습니다.

컴퓨팅 요구 사항과 고품질 데이터 의존성 같은 한계가 있지만, 시각 데이터와 텍스트 데이터를 통합하는 복잡한 작업을 해결하는 데 실용적인 선택이 될 수 있다는 강점이 있습니다. PaliGemma 2는 연구자와 개발자가 멀티모달 애플리케이션에서 AI의 잠재력을 탐색하고 확장할 수 있는 견고한 기반을 제공합니다.

GitHub 리포지토리와 커뮤니티를 확인하고 AI에 관한 대화에 참여해 보세요. AI가 농업과 의료 분야에서 어떻게 발전하고 있는지도 확인해 보세요! 🚀