컴퓨터 비전 모델을 사용하여 거리를 계산하는 방법은 무엇입니까?

길을 건널 때 다가오는 차를 보면, 대략 어느 정도 거리에 있는지 즉시 알 수 있습니다. 이러한 빠르고 본능에 가까운 판단은 주변 환경에 대한 공간적 이해 덕분에 가능합니다. 이러한 감각을 바탕으로 속도를 높일지, 멈출지, 아니면 계속 걸을지 결정할 수 있습니다.

이와 마찬가지로 컴퓨터 비전은 기계가 시각 데이터를 해석하여 주변 환경을 이해할 수 있도록 하는 인공지능(AI)의 한 분야입니다. 사람이 신속한 결정을 내리기 위해 차와의 거리를 가늠하는 것처럼, 컴퓨터 비전 모델은 이미지와 영상을 분석하여 기계가 주변 세상을 감지하고 반응하도록 돕습니다.

예를 들어, Ultralytics YOLO11은 이미지와 영상 속 객체를 실시간으로 감지하고 추적할 수 있는 컴퓨터 비전 모델입니다. 간단히 말해 YOLO11은 이미지를 부분적으로 보지 않고 전체를 한꺼번에 확인하는 방식으로 작동하므로 더 빠르고 효율적입니다. 또한 인스턴스 세그멘테이션(instance segmentation), 포즈 추정(pose estimation), 이미지 분류(image classification)와 같은 컴퓨터 비전 작업도 수행할 수 있습니다.

특히 YOLO11의 기능은 객체 간의 거리를 계산하는 데 활용될 수 있으며, 이는 제조, 소매, 군중 관리 등 여러 분야에서 안전성과 효율성을 높이는 데 유용합니다.

본 글에서는 YOLO11을 컴퓨터 비전 애플리케이션의 거리 계산에 어떻게 활용할 수 있는지, 왜 중요한지, 그리고 다양한 산업 전반에 미치는 영향에 대해 알아봅니다.

그림 1. 비행기 착륙 거리 계산에 YOLO를 사용하는 예시.

Link to this section컴퓨터 비전에서의 거리 계산 개요#

컴퓨터 비전에서의 거리 계산은 이미지 내 두 객체 사이의 픽셀을 감지, 위치 지정 및 측정하는 과정을 포함합니다. 픽셀은 디지털 이미지를 구성하는 개별 단위이며, 각 픽셀은 특정 색상이나 강도 값을 가진 단일 지점을 나타냅니다.

픽셀 측정값을 실제 거리로 변환하려면 캘리브레이션(calibration)이 중요합니다. 자를 사용하여 무언가를 측정하고 그 측정값을 바탕으로 다른 객체의 크기를 이해하는 것과 비슷하다고 생각하면 됩니다. 알려진 크기의 객체를 참조함으로써 캘리브레이션은 픽셀과 실제 물리적 거리 사이의 연결 고리를 만듭니다.

이 과정이 어떻게 작동하는지 예시를 통해 살펴보겠습니다. 아래 이미지에서 동전은 참조 객체이며, 그 크기(0.9인치 x 1.0인치)는 이미 알려져 있습니다. 다른 객체의 픽셀 측정값을 동전의 크기와 비교함으로써 실제 크기를 계산할 수 있습니다.

그림 2. 동전은 다른 객체의 실제 크기를 측정하는 참조로 사용할 수 있습니다.

하지만 거리 계산은 2차원(2D) 평면에서 수행되므로 객체 간의 수평 및 수직 거리만 측정합니다. 이는 카메라와의 거리를 포함하여 3차원 공간에서 객체까지의 거리를 측정하는 깊이 추정(depth estimation)과는 다릅니다.

깊이 카메라(depth camera)는 실제 깊이를 측정하여 더 상세한 공간 정보를 제공할 수 있지만, 많은 경우 간단한 캘리브레이션 거리만으로도 충분합니다. 예를 들어, 객체 추적이나 대기열 관리와 같은 작업에서는 2D 평면에서의 거리 파악만으로도 잘 작동하므로, 이러한 상황에서는 깊이 추정이 필요하지 않습니다.

Link to this sectionYOLO11을 사용한 거리 계산 원리 이해하기#

다음으로 YOLO11의 객체 감지(object detection) 및 추적 기능을 사용하여 두 객체 사이의 거리를 계산하는 방법을 단계별로 알아보겠습니다.

• 객체 감지 및 추적: YOLO11은 프레임 내 객체를 인식하여 감지하고, 영상의 여러 프레임에 걸쳐 해당 객체의 움직임을 추적하는 데 사용될 수 있습니다. 각 객체에 고유한 추적 ID를 할당하여 시스템이 영상 전체에서 객체의 위치와 움직임을 모니터링할 수 있게 합니다.
• 바운딩 박스(Bounding boxes): 바운딩 박스는 YOLO11의 객체 감지 결과에 따라 감지된 객체 주변에 그려지며, 이미지 내에서의 위치를 정의합니다.
• 객체 선택: 초점을 맞출 두 객체를 선택할 수 있으며, YOLO11은 객체가 움직임에 따라 실시간으로 바운딩 박스를 업데이트합니다.
• 중심점 계산(Centroid calculation): 중심점(두 객체 바운딩 박스의 중심점)은 바운딩 박스 모서리의 좌표를 기반으로 계산되며 객체의 위치를 나타냅니다.
• 거리 계산: 두 객체의 중심점을 사용하여 유클리드 거리(Euclidean distance)를 계산할 수 있습니다. 유클리드 거리는 2D 평면상 두 점 사이의 직선 거리로, 수평 및 수직 방향의 차이를 사용하여 계산됩니다. 이를 통해 두 객체 사이의 거리를 픽셀 단위로 알 수 있습니다.

이 방법으로 계산된 거리는 2D 픽셀 측정값을 기반으로 하므로 추정치일 뿐이라는 점을 유의해야 합니다.

그림 3. Ultralytics YOLO를 사용하여 사람을 감지하고 거리를 계산하는 모습.

Link to this sectionYOLO 거리 추정의 영향#

YOLO11을 사용한 거리 계산은 추정치라는 점을 고려할 때, 이것이 어디에 활용될 수 있고 어떤 변화를 가져올 수 있는지 궁금할 것입니다.

이러한 거리 추정을 위해 캘리브레이션이 사용되므로, 많은 실제 상황에 도움이 될 만큼 충분히 정확합니다. YOLO11의 거리 추정은 객체가 지속적으로 움직이고 원활한 운영을 위해 실시간 조정이 필요한 창고와 같은 동적 환경에서 특히 유용합니다.

흥미로운 예로 YOLO11을 사용하여 컨베이어 벨트 위의 패키지를 추적하고 실시간으로 객체 간 거리를 추정하는 사례가 있습니다. 이는 창고 관리자가 패키지 간격을 적절하게 유지하여 충돌을 방지하고 원활한 운영을 유지하도록 돕습니다.

이러한 경우 항상 정확한 거리가 필요한 것은 아닙니다. 일반적으로 최적 거리의 범위나 임계값을 설정하므로, 이러한 유형의 애플리케이션에는 추정치만으로도 충분합니다.

그림 4. YOLO11을 사용하여 패키지를 감지하고 객체 간 거리를 계산.

Link to this section컴퓨터 비전 애플리케이션에서의 거리 계산#

다양한 컴퓨터 비전 애플리케이션이 YOLO11을 사용한 객체 간 거리 계산을 통해 혜택을 얻을 수 있습니다. 예를 들어, 소매 분석 분야에서는 고객 위치를 실시간으로 추적하여 대기열 관리(queue management)를 개선합니다. 이를 통해 기업은 자원을 더 효율적으로 배분하고 대기 시간을 줄이며 더 원활한 쇼핑 경험을 제공할 수 있습니다. 매장에서는 직원 배치 수준을 동적으로 조정하고 고객 흐름을 관리함으로써 혼잡을 방지하고 공간 활용을 최적화할 수 있습니다.

마찬가지로 교통 관리(traffic management) 분야에서도 거리 추정은 차량 간격 모니터링과 교통 패턴 분석에 도움이 됩니다. 이는 앞차와의 간격을 너무 좁게 운전하는 위험 행동 등을 감지하고 교통 신호를 조정하여 흐름을 원활하게 유지하는 데 사용될 수 있습니다. 잠재적인 문제를 파악하고 실시간으로 전체적인 교통 관리를 개선함으로써 도로를 더 안전하게 만드는 데 기여할 수 있습니다.

그림 5. 비전 기반 거리 계산은 교통 모니터링에 사용될 수 있습니다.

이 기술의 또 다른 독특한 사례는 COVID-19 팬데믹 당시 사회적 거리 두기를 장려하는 데 도움이 된 것입니다. 공공장소, 매장, 병원에서 사람들이 안전한 거리를 유지하도록 하여 바이러스 확산 위험을 줄였습니다.

실시간으로 거리를 추적함으로써 개인 간 거리가 너무 가까울 때 경고를 보낼 수 있었고, 기업과 의료 서비스 제공자가 신속하게 대응하여 모든 사람을 위해 더 안전한 환경을 유지하는 것을 더 쉽게 만들었습니다.

Link to this section컴퓨터 비전 거리 계산의 장단점#

이제 컴퓨터 비전을 이용한 거리 계산의 몇 가지 애플리케이션을 논의했으므로, 이를 통해 얻을 수 있는 이점을 자세히 살펴보겠습니다.

• 자동화: 비전 AI는 수동 추적이 필요한 거리 계산 작업을 자동화하여 인적 오류와 노동 비용을 줄이고 생산성을 높일 수 있습니다.
• 자원 최적화: 객체의 대략적인 간격과 근접성을 파악함으로써 직원이나 기계와 같은 자원을 최적화하여 낭비를 줄이고 워크플로우를 개선할 수 있습니다.
• 최소한의 설정 복잡성: 일단 설정되면 비전 기반 거리 계산 시스템은 유지 관리가 비교적 쉬우며, 수동 입력이나 복잡한 기계에 의존하는 다른 시스템에 비해 사람의 개입이 덜 필요합니다.

이러한 장점에도 불구하고 이러한 시스템을 구현할 때 유의해야 할 몇 가지 제한 사항이 있습니다. 컴퓨터 비전을 사용한 거리 계산 시 고려해야 할 핵심 요소들을 간략히 살펴보겠습니다.

• 환경 요인에 대한 민감도: 거리 계산의 정확도는 조명 조건, 그림자, 반사 또는 장애물에 의해 영향을 받을 수 있으며, 이는 잠재적인 오류나 불일치로 이어질 수 있습니다.
• 개인정보 보호 문제: 컴퓨터 비전을 사용하여 객체나 사람을 추적하는 것은 특히 공공장소나 개인 데이터가 포함될 수 있는 민감한 환경에서 프라이버시 문제를 야기할 수 있습니다.
• 다중 객체 시나리오의 복잡성: 움직이는 객체가 많은 환경에서는 여러 객체 사이의 거리를 동시에 정확하게 계산하는 것이 어려울 수 있으며, 특히 객체들이 서로 가깝거나 겹칠 경우 혼동을 일으킬 수 있습니다.

Link to this section핵심 요약#

YOLO11을 사용하여 객체 간 거리를 계산하는 것은 의사 결정을 지원할 수 있는 신뢰할 수 있는 솔루션입니다. 특히 창고, 소매업, 교통 관리와 같은 동적 환경에서 객체 근접성을 추적하여 효율성과 안전성을 높이는 데 매우 유용합니다.

YOLO11을 사용하면 일반적으로 수동 작업이 필요한 작업을 자동화할 수 있습니다. 환경 요인에 대한 민감도나 개인정보 보호 문제와 같은 과제가 있지만, 자동화, 확장성, 간편한 통합과 같은 장점은 큰 영향력을 발휘합니다. 특히 거리 계산과 같은 분야에서 컴퓨터 비전이 계속 발전함에 따라, 기계가 주변 환경과 상호 작용하고 이해하는 방식에 실질적인 변화가 올 것입니다.

저희 커뮤니티에 참여하세요! 비전 AI에 대해 더 자세히 알아보려면 GitHub 저장소를 살펴보세요. 컴퓨터 비전 활용에 관심이 있다면 라이선스 옵션을 확인해 보시기 바랍니다. 의료 분야의 컴퓨터 비전이 효율성을 어떻게 개선하는지 알아보고, 솔루션 페이지를 방문하여 농업 분야의 AI가 미치는 영향을 확인하세요!