컴퓨터 비전 모델을 사용하여 거리를 계산하는 방법은 무엇인가요?

길을 건너다가 다가오는 자동차를 보면, 자동차가 대략 얼마나 멀리 있는지 즉시 알 수 있습니다. 이러한 빠르고 거의 본능적인 판단은 주변 환경에 대한 공간적 이해 덕분입니다. 이러한 감각을 바탕으로 속도를 높일지, 멈출지, 계속 걸을지 결정할 수 있습니다.

이와 유사하게 컴퓨터 비전은 시각 데이터를 해석하여 기계가 주변 환경을 이해할 수 있도록 하는 인공지능(AI)의 한 분야입니다. 자동차와의 거리를 판단하여 빠르게 결정을 내릴 수 있는 것처럼, 컴퓨터 비전 모델은 이미지와 동영상을 분석하여 기계가 주변 세계를 감지하고 반응하도록 지원합니다.

예를 들어 Ultralytics YOLO11은 이미지와 동영상에서 객체를 실시간으로 탐지하고 추적할 수 있는 컴퓨터 비전 모델입니다. 간단히 말해 YOLO11은 이미지를 여러 부분으로 나누기보다 전체 이미지를 한 번에 살펴보기 때문에 더 빠르고 효율적으로 작동합니다. 또한 인스턴스 세그멘테이션, 포즈 추정, 이미지 분류와 같은 컴퓨터 비전 작업도 처리할 수 있습니다.

특히 Ultralytics YOLO11의 기능을 사용하면 객체 간 거리를 계산할 수 있어 제조, 소매, 군중 관리 등 다양한 분야에서 안전성과 효율성을 향상하는 데 유용합니다.

이 글에서는 컴퓨터 비전 애플리케이션에서 Ultralytics YOLO11을 거리 계산에 사용하는 방법과 그 중요성, 그리고 다양한 산업에 미치는 영향을 살펴봅니다.

그림 1. YOLO를 사용하여 비행기의 착륙 거리를 계산하는 예시입니다.

컴퓨터 비전의 거리 계산 개요#

컴퓨터 비전에서 거리 계산은 이미지 내 두 객체 사이의 픽셀을 탐지하고, 위치를 파악하며, 측정하는 작업을 포함합니다. 픽셀은 디지털 이미지를 구성하는 개별 단위로, 각 픽셀은 특정 색상 또는 강도 값을 가진 하나의 점을 나타냅니다.

픽셀 측정값을 실제 거리로 변환하려면 캘리브레이션이 핵심입니다. 어떤 것을 자로 측정한 다음 그 측정값을 사용하여 다른 객체의 크기를 파악하는 것이라고 생각할 수 있습니다. 캘리브레이션은 크기를 알고 있는 객체를 기준으로 삼아 픽셀과 실제 물리적 거리 사이의 연결을 만듭니다.

이 과정이 어떻게 작동하는지 예시를 통해 살펴보겠습니다. 아래 이미지에서 동전은 기준 객체이며, 크기(0.9in x 1.0in)가 알려져 있습니다. 다른 객체의 픽셀 측정값을 동전의 크기와 비교하면 실제 크기를 계산할 수 있습니다.

그림 2. 동전을 기준으로 사용하여 다른 객체의 실제 크기를 측정할 수 있습니다.

그러나 거리 계산은 2차원(2D) 평면에서 수행되므로 객체 사이의 수평 및 수직 거리만 측정합니다. 이는 카메라와의 거리를 포함하여 3차원 공간에서 객체의 거리를 측정하는 깊이 추정과는 다릅니다.

깊이 카메라는 실제 깊이를 측정하고 더 자세한 공간 정보를 제공할 수 있지만, 많은 경우 간단히 캘리브레이션된 거리만으로 충분합니다. 예를 들어 2D 평면에서 객체 사이의 거리를 파악하는 것은 객체 추적이나 대기열 관리와 같은 작업에 효과적이므로, 이러한 상황에서는 깊이 추정이 필요하지 않습니다.

Ultralytics YOLO11을 사용한 거리 계산 방식 이해하기#

다음으로 Ultralytics YOLO11의 객체 탐지 및 추적 기능을 사용하여 두 객체 사이의 거리를 계산하는 방법을 단계별로 살펴보겠습니다. 다음과 같이 정리할 수 있습니다.

• 객체 탐지 및 추적: Ultralytics YOLO11은 프레임에서 객체를 식별하고 동영상의 여러 프레임에 걸쳐 객체의 움직임을 추적하여 객체를 탐지하는 데 사용할 수 있습니다. 각 객체에 고유한 트랙 ID를 할당하므로 시스템이 동영상 전체에서 객체의 위치와 움직임을 모니터링할 수 있습니다.
• 바운딩 박스: Ultralytics YOLO11의 객체 탐지 결과를 바탕으로 탐지된 객체 주위에 바운딩 박스를 그려 이미지에서 객체의 위치를 정의합니다.
• 객체 선택: 두 객체를 선택하여 집중적으로 관찰할 수 있으며, Ultralytics YOLO11은 객체가 실시간으로 움직일 때 바운딩 박스를 업데이트합니다.
• 중심점 계산: 두 객체의 바운딩 박스 중심점인 중심점은 바운딩 박스 모서리의 좌표를 바탕으로 계산되며, 객체의 위치를 나타냅니다.
• 거리 계산: 그런 다음 두 객체의 중심점을 사용하여 두 객체 사이의 유클리드 거리를 계산할 수 있습니다. 유클리드 거리는 2D 평면에서 두 점 사이의 직선 거리로, 수평 및 수직 방향의 차이를 사용하여 계산합니다. 이를 통해 두 객체 사이의 거리를 픽셀 단위로 확인할 수 있습니다.

이 방법으로 계산한 거리는 2D 픽셀 측정값을 기반으로 하므로 추정값에 불과하다는 점을 기억해야 합니다.

그림 3. Ultralytics YOLO를 사용하여 사람을 탐지하고 거리를 계산하는 모습입니다.

YOLO 거리 추정의 영향#

Ultralytics YOLO11을 사용한 거리 계산이 추정값이라는 점을 고려하면, 이를 어디에 사용할 수 있고 어떤 차이를 만들 수 있는지 궁금할 수 있습니다.

이러한 거리 추정값은 캘리브레이션을 통해 산출되므로 다양한 실제 상황을 지원할 만큼 충분히 정확합니다. Ultralytics YOLO11의 거리 추정은 객체가 끊임없이 움직이고 원활한 운영을 위해 실시간 조정이 필요한 창고와 같은 동적 환경에서 특히 유용합니다.

흥미로운 예로 컨베이어 벨트 위의 패키지를 추적하고 패키지 사이의 거리를 실시간으로 추정하는 데 YOLO11을 사용하는 방법이 있습니다. 이를 통해 창고 관리자는 패키지 간격이 적절하게 유지되도록 하여 충돌을 방지하고 작업을 원활하게 운영할 수 있습니다.

이러한 경우에는 항상 정확한 거리가 필요한 것은 아닙니다. 일반적으로 최적 거리에 대한 범위 또는 임계값을 설정하므로, 이러한 유형의 애플리케이션에서는 추정값만으로도 충분히 효과적입니다.

그림 4. Ultralytics YOLO11을 사용하여 패키지를 탐지하고 패키지 사이의 거리를 계산하는 모습입니다.

컴퓨터 비전 애플리케이션에서의 거리 계산#

다양한 컴퓨터 비전 애플리케이션은 Ultralytics YOLO11을 사용하여 객체 사이의 거리를 계산함으로써 이점을 얻을 수 있습니다. 예를 들어 소매 분석에서는 고객의 위치를 실시간으로 추적하여 대기열 관리를 개선할 수 있습니다. 이를 통해 기업은 리소스를 더 효율적으로 배분하고 대기 시간을 줄이며 더욱 원활한 쇼핑 경험을 제공할 수 있습니다. 매장에서는 인력 수준을 동적으로 조정하고 고객 흐름을 관리하여 혼잡을 방지하고 공간을 최적으로 활용할 수 있습니다.

마찬가지로 교통 관리에서는 거리 추정을 통해 차량 간격을 모니터링하고 교통 패턴을 분석할 수 있습니다. 이를 활용하여 바짝 뒤따르기와 같은 위험한 행동을 탐지하고 교통 신호를 조정하여 교통 흐름을 원활하게 유지할 수 있습니다. 또한 잠재적인 문제를 식별하고 전반적인 교통 관리를 실시간으로 개선하여 도로를 더 안전하게 만드는 데 도움을 줄 수 있습니다.

그림 5. 비전 기반 거리 계산을 교통 모니터링에 사용할 수 있습니다.

이 기술의 또 다른 독특한 활용 사례는 COVID-19 팬데믹 기간에 사회적 거리 두기를 장려하는 데 사용된 것입니다. 이를 통해 공공장소, 매장, 병원에서 사람들이 안전 거리를 유지하도록 하여 바이러스 확산 위험을 줄일 수 있었습니다.

거리를 실시간으로 추적하면 사람 간 거리가 지나치게 가까워졌을 때 알림을 전송할 수 있으므로, 기업과 의료 서비스 제공자가 신속하게 대응하고 모두에게 더 안전한 환경을 유지하기 쉬워집니다.

컴퓨터 비전에서 거리 계산의 장단점#

지금까지 컴퓨터 비전을 사용한 거리 계산의 일부 애플리케이션을 살펴보았으므로, 이제 이를 통해 얻을 수 있는 관련 이점을 자세히 살펴보겠습니다.

• 자동화: 비전 AI는 수동 추적이 필요한 거리 계산 작업을 자동화하여 인적 오류와 인건비를 줄이는 동시에 생산성을 높일 수 있습니다.
• 리소스 최적화: 객체의 대략적인 간격과 근접도를 파악하면 인력이나 기계와 같은 리소스를 최적화하여 낭비를 줄이고 워크플로를 개선할 수 있습니다.
• 간단한 설정: 한 번 설정하면 비전 기반 거리 계산 시스템은 비교적 유지 관리가 간단하며, 수동 입력이나 복잡한 기계 장치에 의존하는 다른 시스템에 비해 사람의 개입이 적게 필요합니다.

이러한 장점에도 불구하고 이러한 시스템을 구현할 때 염두에 두어야 할 몇 가지 한계도 있습니다. 다음은 컴퓨터 비전을 사용한 거리 계산과 관련하여 고려해야 할 주요 요소를 간략히 살펴본 내용입니다.

• 환경 요인에 대한 민감성: 조명 조건, 그림자, 반사 또는 장애물의 영향을 받아 거리 계산의 정확도가 저하될 수 있으며, 이로 인해 오류나 불일치가 발생할 수 있습니다.
• 개인정보 보호 문제: 컴퓨터 비전을 사용하여 객체나 사람을 추적하면 개인정보 보호 문제가 발생할 수 있으며, 특히 개인정보가 관련될 수 있는 공공장소나 민감한 환경에서 그러합니다.
• 다중 객체 상황의 복잡성: 움직이는 객체가 많은 환경에서는 여러 객체 사이의 거리를 동시에 정확하게 계산하기 어려울 수 있으며, 특히 객체가 서로 가까이 있거나 교차하는 경우 혼동이 발생할 수 있습니다.

핵심 요점#

Ultralytics YOLO11을 사용하여 객체 사이의 거리를 계산하는 것은 의사 결정을 지원할 수 있는 신뢰할 만한 솔루션입니다. 객체 간 근접도를 추적하면 효율성과 안전성을 향상할 수 있는 창고, 소매, 교통 관리와 같은 동적 환경에서 특히 유용합니다.

Ultralytics YOLO11을 사용하면 일반적으로 수작업이 필요한 작업을 자동화할 수 있습니다. 환경 요인에 대한 민감성 및 개인정보 보호 문제와 같은 과제가 있지만, 자동화, 확장성, 간편한 통합과 같은 이점은 큰 효과를 제공합니다. 특히 거리 계산과 같은 분야에서 컴퓨터 비전이 계속 발전함에 따라 기계가 주변 환경과 상호작용하고 이를 이해하는 방식에 큰 변화가 나타날 가능성이 높습니다.

커뮤니티에 참여해 보세요! GitHub 리포지토리를 살펴보고 비전 AI에 대해 자세히 알아보세요. 컴퓨터 비전 활용에 관심이 있다면 라이선스 옵션을 확인해 보세요. 솔루션 페이지를 방문하여 의료 분야의 컴퓨터 비전이 효율성을 어떻게 향상하는지 알아보고 농업 분야의 AI가 미치는 영향을 확인해 보세요!