컴퓨터 비전 모델을 사용해 거리를 계산하는 방법은 무엇인가요?

길을 건너다가 다가오는 자동차를 보면 자동차까지의 대략적인 거리를 즉시 알 수 있습니다. 이처럼 빠르고 거의 본능적인 판단은 주변 환경에 대한 공간적 이해 덕분입니다. 이러한 감각을 바탕으로 속도를 높일지, 멈출지, 계속 걸을지 결정할 수 있습니다.

마찬가지로 컴퓨터 비전은 시각 데이터를 해석해 기계가 주변 환경을 이해하도록 하는 인공지능(AI)의 한 분야입니다. 자동차와의 거리를 파악해 빠르게 판단하는 것처럼, 컴퓨터 비전 모델은 이미지와 동영상을 분석해 기계가 주변 세계를 인식하고 이에 반응하도록 지원합니다.

예를 들어 Ultralytics YOLO11은 이미지와 동영상에서 객체를 실시간으로 감지하고 추적할 수 있는 컴퓨터 비전 모델입니다. 간단히 말해 YOLO11은 이미지를 부분별로 나누지 않고 전체를 한 번에 살펴보기 때문에 더 빠르고 효율적으로 작동합니다. 인스턴스 분할, 자세 추정, 이미지 분류와 같은 컴퓨터 비전 작업도 수행할 수 있습니다.

특히 Ultralytics YOLO11의 기능을 활용하면 객체 간 거리를 계산할 수 있습니다. 이는 제조, 소매, 군중 관리 등 다양한 분야에서 유용하며, 안전성과 효율성을 높이는 데 도움이 됩니다.

이 문서에서는 컴퓨터 비전 애플리케이션에서 Ultralytics YOLO11을 거리 계산에 활용하는 방법과 그 중요성, 다양한 산업에 미치는 영향을 살펴보겠습니다.

그림 1. YOLO를 사용해 항공기의 착륙 거리를 계산하는 예시입니다.

컴퓨터 비전에서 거리 계산 개요#

컴퓨터 비전에서 거리 계산은 이미지 내 두 객체를 감지하고 위치를 파악한 뒤, 두 객체 사이의 픽셀을 측정하는 과정입니다. 픽셀은 디지털 이미지를 구성하는 개별 단위로, 각 픽셀은 특정 색상이나 밝기 값을 가진 단일 지점을 나타냅니다.

픽셀 측정값을 실제 거리로 변환하려면 보정이 중요합니다. 어떤 물체를 자로 재고 그 측정값을 사용해 다른 물체의 크기를 파악하는 것과 비슷합니다. 크기를 알고 있는 물체를 기준으로 삼으면 보정을 통해 픽셀과 실제 물리적 거리 사이의 관계를 설정할 수 있습니다.

이 과정이 어떻게 작동하는지 예시를 살펴보겠습니다. 아래 이미지에서 동전은 기준 물체이며, 크기는 0.9in x 1.0in으로 알려져 있습니다. 다른 물체의 픽셀 측정값을 동전의 크기와 비교하면 해당 물체의 실제 크기를 계산할 수 있습니다.

그림 2. 동전을 기준으로 사용해 다른 물체의 실제 크기를 측정할 수 있습니다.

하지만 거리 계산은 2차원(2D) 평면에서 이루어지므로 객체 간 수평 및 수직 거리만 측정합니다. 이는 카메라와 객체 사이의 거리를 포함해 3차원 공간에서 객체의 거리를 측정하는 깊이 추정과는 다릅니다.

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

Ultralytics YOLO11을 사용한 거리 계산 방식 이해하기#

이제 Ultralytics YOLO11의 객체 감지 및 추적 기능을 사용해 두 객체 간 거리를 계산하는 방법을 살펴보겠습니다. 주요 단계는 다음과 같습니다.

• 객체 감지 및 추적: Ultralytics YOLO11은 프레임에서 객체를 인식해 감지하고 동영상의 프레임 간 움직임을 추적하는 데 사용할 수 있습니다. 각 객체에 고유한 추적 ID를 할당하므로 시스템이 동영상 전체에서 객체의 위치와 움직임을 모니터링할 수 있습니다.
• 바운딩 박스: Ultralytics YOLO11의 객체 감지 결과를 바탕으로 감지된 객체 주위에 바운딩 박스를 그려 이미지에서 객체의 위치를 나타냅니다.
• 객체 선택: 두 객체를 선택해 집중적으로 살펴볼 수 있으며, 객체가 실시간으로 움직이면 Ultralytics YOLO11이 바운딩 박스를 업데이트합니다.
• 중심점 계산: 바운딩 박스 모서리의 좌표를 바탕으로 두 객체의 바운딩 박스 중심점인 중심 좌표를 계산해 객체의 위치를 나타냅니다.
• 거리 계산: 두 객체의 중심점을 사용해 두 객체 간 유클리드 거리를 계산할 수 있습니다. 유클리드 거리는 2D 평면의 두 점 사이를 직선으로 이은 거리로, 수평 및 수직 방향의 차이를 사용해 계산합니다. 그 결과 두 객체 사이의 거리를 픽셀 단위로 구할 수 있습니다.

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

그림 3. Ultralytics YOLO를 사용해 사람을 감지하고 거리를 계산하는 모습입니다.

YOLO 거리 추정의 영향#

Ultralytics YOLO11을 사용한 거리 계산은 추정값이므로, 어디에 활용할 수 있고 어떤 차이를 만들 수 있는지 궁금할 수 있습니다.

이러한 거리 추정은 보정을 통해 산출되므로 여러 실용적인 상황에서 사용할 수 있을 만큼 정확합니다. Ultralytics YOLO11의 거리 추정은 물체가 끊임없이 움직이고 원활한 운영을 위해 실시간 조정이 필요한 창고와 같은 동적 환경에서 특히 유용합니다.

예를 들어 YOLO11을 사용해 컨베이어 벨트 위의 소포를 추적하고 소포 간 거리를 실시간으로 추정할 수 있습니다. 이를 통해 창고 관리자는 소포 간 간격이 적절하게 유지되는지 확인하여 충돌을 방지하고 작업을 원활하게 진행할 수 있습니다.

이러한 경우에는 항상 정확한 거리가 필요한 것은 아닙니다. 일반적으로 최적 거리에 대한 범위나 임곗값을 설정하므로 이러한 애플리케이션에는 추정값만으로도 충분합니다.

그림 4. Ultralytics YOLO11을 사용해 소포를 감지하고 소포 간 거리를 계산하는 모습입니다.

컴퓨터 비전 애플리케이션에서의 거리 계산#

Ultralytics YOLO11을 사용해 객체 간 거리를 계산하면 다양한 컴퓨터 비전 애플리케이션에 도움이 됩니다. 예를 들어 소매 분석에서는 고객의 위치를 실시간으로 추적해 대기열 관리를 개선할 수 있습니다. 이를 통해 기업은 자원을 더 효율적으로 배분하고 대기 시간을 줄이며 더 쾌적한 쇼핑 경험을 제공할 수 있습니다. 직원 수를 동적으로 조정하고 고객 흐름을 관리하면 매장 내 과밀을 방지하고 공간 활용을 최적화할 수 있습니다.

마찬가지로 교통 관리에서는 거리 추정을 통해 차량 간 간격을 모니터링하고 교통 패턴을 분석할 수 있습니다. 이를 활용해 안전거리를 지키지 않는 행위와 같은 위험한 행동을 감지하고 교통 흐름이 원활하도록 신호를 조정할 수 있습니다. 잠재적인 문제를 식별하고 전반적인 교통 관리를 실시간으로 개선해 도로 안전을 높일 수 있습니다.

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

이 기술은 COVID-19 팬데믹 당시 사회적 거리두기를 장려하는 데 활용된 독특한 사례도 있습니다. 공공장소, 매장, 병원에서 사람들이 안전거리를 유지하도록 해 바이러스 확산 위험을 줄였습니다.

거리를 실시간으로 추적하면 사람들이 너무 가까이 있을 때 알림을 보낼 수 있어 기업과 의료 서비스 제공자가 신속하게 대응하고 모두에게 더 안전한 환경을 유지하는 데 도움이 됩니다.

컴퓨터 비전에서 거리 계산의 장단점#

컴퓨터 비전을 사용한 거리 계산의 몇 가지 활용 사례를 살펴보았으니, 이제 그에 따른 이점을 자세히 알아보겠습니다.

• 자동화: Vision AI는 수동 추적이 필요한 거리 계산 작업을 자동화하여 인적 오류와 인건비를 줄이고 생산성을 높일 수 있습니다.
• 리소스 최적화: 객체 간 대략적인 간격과 거리를 파악하면 직원이나 기계와 같은 리소스를 최적화하여 낭비를 줄이고 작업 흐름을 개선할 수 있습니다.
• 간편한 설정: 한 번 설정하면 비전 기반 거리 계산 시스템은 유지 관리가 비교적 쉽고, 수동 입력이나 복잡한 기계에 의존하는 다른 시스템보다 사람의 개입이 적게 필요합니다.

이러한 장점에도 불구하고 시스템을 구현할 때 유념해야 할 몇 가지 제한 사항이 있습니다. 컴퓨터 비전을 사용한 거리 계산에서 고려할 주요 요소를 간단히 살펴보겠습니다.

• 환경 요인에 대한 민감성: 조명 조건, 그림자, 반사 또는 장애물은 거리 계산의 정확도에 영향을 줄 수 있으며, 잠재적인 오류나 일관성 저하를 유발할 수 있습니다.
• 개인정보 보호 우려: 컴퓨터 비전을 사용해 객체나 사람을 추적하면 개인정보 보호 문제가 발생할 수 있습니다. 특히 개인 데이터가 관련될 수 있는 공공장소나 민감한 환경에서 우려가 큽니다.
• 다중 객체 상황의 복잡성: 움직이는 객체가 많은 환경에서는 여러 객체 간 거리를 동시에 정확하게 계산하기 어려울 수 있습니다. 특히 객체들이 서로 가까이 있거나 교차하면 혼란이 발생할 수 있습니다.

핵심 요점#

Ultralytics YOLO11을 사용해 객체 간 거리를 계산하면 의사결정을 지원하는 신뢰할 수 있는 솔루션을 구현할 수 있습니다. 객체 간 거리를 파악하면 효율성과 안전성을 높일 수 있는 창고, 소매, 교통 관리와 같은 동적 환경에서 특히 유용합니다.

Ultralytics YOLO11을 사용하면 일반적으로 수작업이 필요한 작업을 자동화할 수 있습니다. 환경 요인에 대한 민감성과 개인정보 보호 우려 등의 과제가 있지만, 자동화, 확장성, 간편한 통합과 같은 이점이 큰 효과를 제공합니다. 컴퓨터 비전이 계속 발전하고 특히 거리 계산과 같은 분야가 개선되면서, 기계가 주변 환경과 상호작용하고 환경을 이해하는 방식에 실질적인 변화가 나타날 가능성이 큽니다.

커뮤니티에 참여해 보세요! GitHub 저장소에서 Vision AI에 대해 자세히 알아보세요. 컴퓨터 비전을 활용하는 데 관심이 있다면 라이선스 옵션을 확인해 보세요. 솔루션 페이지에서 의료 분야의 컴퓨터 비전이 효율성을 개선하는 방법을 알아보고 농업 분야의 AI가 미치는 영향을 살펴보세요!