Ultralytics YOLO11을 사용한 컴퓨터 비전 애플리케이션에서 거리 계산이 실시간으로 객체의 근접성을 측정하는 데 어떻게 도움이 되는지 알아보세요.
Ultralytics YOLO11을 사용한 컴퓨터 비전 애플리케이션에서 거리 계산이 실시간으로 객체의 근접성을 측정하는 데 어떻게 도움이 되는지 알아보세요.
길을 건너다 차가 다가오는 것을 보면 대략 얼마나 떨어져 있는지 즉시 알 수 있습니다. 이 빠르고 거의 본능적인 판단은 주변 환경에 대한 공간적 이해 덕분입니다. 이러한 감각을 바탕으로 속도를 높일지, 멈출지, 계속 걸을지 결정할 수 있습니다.
마찬가지로 컴퓨터 비전은 기계가 시각 데이터를 해석하여 주변 환경을 이해할 수 있도록 하는 인공 지능(AI)의 한 분야입니다. 자동차의 근접성을 평가하여 빠른 결정을 내릴 수 있는 것처럼 컴퓨터 비전 모델은 이미지와 비디오를 분석하여 기계가 주변 세계를 감지하고 반응하도록 돕습니다.
예를 들어, Ultralytics YOLO11은 이미지와 비디오에서 객체를 실시간으로 감지하고 추적할 수 있는 컴퓨터 비전 모델입니다. 간단히 말해서, YOLO11은 이미지를 부분적으로 보는 것이 아니라 전체 이미지를 한 번에 봄으로써 더 빠르고 효율적입니다. 또한 인스턴스 분할, 자세 추정 및 이미지 분류와 같은 컴퓨터 비전 작업도 처리할 수 있습니다.
특히 YOLO11의 기능은 객체가 서로 얼마나 떨어져 있는지 계산하는 데 사용할 수 있으며, 이는 제조, 소매 및 군중 관리와 같은 여러 영역에서 유용하여 안전과 효율성을 개선하는 데 도움이 됩니다.
이번 글에서는 컴퓨터 비전 애플리케이션에서 거리 계산에 YOLO11을 어떻게 사용할 수 있는지, 그 중요성은 무엇인지, 그리고 다양한 산업에 미치는 영향에 대해 살펴보겠습니다.
컴퓨터 비전에서 거리 계산은 이미지 내 두 객체 사이의 픽셀을 감지, 위치 파악 및 측정하는 것을 포함합니다. 픽셀은 디지털 이미지를 구성하는 개별 단위이며, 각각 특정 색상 또는 강도 값을 갖는 단일 점을 나타냅니다.
픽셀 측정을 실제 거리로 변환하려면 캘리브레이션이 중요합니다. 캘리브레이션은 자를 사용하여 무언가를 측정한 다음 해당 측정을 사용하여 다른 객체의 크기를 이해하는 것과 같다고 생각할 수 있습니다. 캘리브레이션은 알려진 크기의 객체를 참조하여 픽셀과 실제 물리적 거리 간의 연결을 만듭니다.
이것이 어떻게 작동하는지 예를 들어 살펴보겠습니다. 아래 이미지에서 동전은 기준 객체이며 크기(0.9인치 x 1.0인치)를 알고 있습니다. 다른 객체의 픽셀 측정값을 동전 크기와 비교하여 실제 크기를 계산할 수 있습니다.
그러나 거리 계산은 2차원(2D) 평면에서 수행되므로 객체 간의 수평 및 수직 거리만 측정합니다. 이는 카메라로부터의 거리를 포함하여 3차원 공간에서 객체의 거리를 측정하는 깊이 추정과 다릅니다.
깊이 카메라는 실제 깊이를 측정하고 더 자세한 공간 정보를 제공할 수 있지만, 많은 경우 간단한 보정 거리만으로도 충분합니다. 예를 들어, 2D 평면에서 객체 간의 거리를 아는 것은 객체 추적이나 대기열 관리와 같은 작업에 효과적이므로 이러한 경우에는 깊이 추정이 필요하지 않습니다.
다음으로 객체 감지 및 추적에 대한 YOLO11의 지원을 사용하여 두 객체 간의 거리를 계산하는 방법을 살펴보겠습니다. 다음은 분석입니다.
이 방법을 사용하여 계산된 거리는 2D 픽셀 측정값을 기반으로 하므로 추정치일 뿐이라는 점을 명심하는 것이 중요합니다.
YOLO11을 사용하여 거리를 계산하는 것은 추정치라는 점을 고려할 때, 어디에 사용될 수 있으며 어떻게 차이를 만들 수 있는지 궁금할 수 있습니다.
보정은 이러한 거리 추정에 도달하는 데 사용되므로 많은 실제 상황에서 도움이 될 만큼 정확합니다. YOLO11의 거리 추정은 객체가 끊임없이 움직이고 원활한 운영을 유지하기 위해 실시간 조정이 필요한 창고와 같은 역동적인 환경에서 특히 유용합니다.
흥미로운 예는 YOLO11을 사용하여 컨베이어 벨트에서 택배를 추적하고 실시간으로 택배 간 거리를 추정하는 것입니다. 이는 창고 관리자가 택배 간 간격을 적절하게 유지하여 충돌을 방지하고 원활하게 운영되도록 하는 데 도움이 됩니다.
이러한 경우 정확한 거리가 항상 필요한 것은 아닙니다. 일반적으로 최적 거리에 대한 범위 또는 임계값이 설정되므로 이러한 유형의 애플리케이션에는 추정치가 적합합니다.
다양한 컴퓨터 비전 애플리케이션은 YOLO11을 사용하여 객체 간 거리를 계산함으로써 이점을 얻을 수 있습니다. 예를 들어, 리테일 분석에서는 고객의 위치를 실시간으로 추적하여 대기열 관리를 개선하는 데 도움이 됩니다. 이를 통해 기업은 리소스를 더 효율적으로 할당하고, 대기 시간을 줄이며, 더 원활한 쇼핑 경험을 만들 수 있습니다. 매장은 인력 수준을 동적으로 조정하고 고객 흐름을 관리함으로써 혼잡을 방지하고 공간 활용도를 최적화할 수 있습니다.
마찬가지로 교통 관리에서 거리 추정은 차량 간 간격을 모니터링하고 교통 패턴을 분석하는 데 도움이 됩니다. 이는 꼬리 물기와 같은 위험한 행동을 감지하고 교통 신호를 조정하여 교통 흐름을 원활하게 유지하는 데 사용될 수 있습니다. 잠재적인 문제를 식별하고 전반적인 교통 관리를 실시간으로 개선하여 도로를 더 안전하게 만드는 데 도움이 될 수 있습니다.
이 기술의 또 다른 독특한 사용은 COVID-19 팬데믹 기간 동안 사회적 거리두기를 장려하는 데 도움이 되었을 때였습니다. 사람들이 공공 장소, 상점 및 병원에서 안전 거리를 유지하도록 하여 바이러스 확산 위험을 줄였습니다.
실시간으로 거리를 추적함으로써 개인 간 거리가 너무 가까워지면 경고를 보내 기업과 의료 서비스 제공자가 신속하게 대응하고 모든 사람에게 더 안전한 환경을 유지할 수 있도록 지원합니다.
이제 컴퓨터 비전을 사용한 거리 계산의 몇 가지 응용 분야에 대해 논의했으므로, 이를 수행함으로써 얻을 수 있는 관련 이점을 자세히 살펴보겠습니다.
이러한 장점에도 불구하고 이러한 시스템을 구현할 때 염두에 두어야 할 몇 가지 제한 사항도 있습니다. 컴퓨터 비전을 사용한 거리 계산과 관련하여 고려해야 할 주요 요소에 대한 간략한 개요는 다음과 같습니다.
YOLO11을 사용하여 객체 간 거리를 계산하는 것은 의사 결정을 지원할 수 있는 신뢰할 수 있는 솔루션입니다. 객체 근접성을 추적하여 효율성과 안전성을 향상시킬 수 있는 창고, 소매 및 교통 관리와 같은 역동적인 환경에서 특히 유용합니다.
YOLO11을 사용하면 일반적으로 수동 작업이 필요한 작업을 자동화할 수 있습니다. 환경 요인에 대한 민감도 및 개인 정보 보호 문제와 같은 몇 가지 과제가 있지만 자동화, 확장성 및 쉬운 통합과 같은 이점으로 인해 영향력이 큽니다. 특히 거리 계산과 같은 영역에서 컴퓨터 비전이 계속 개선됨에 따라 기계가 주변 환경과 상호 작용하고 이해하는 방식에 실질적인 변화가 있을 것으로 예상됩니다.
커뮤니티에 가입하세요! GitHub 저장소를 탐색하여 Vision AI에 대해 자세히 알아보세요. 컴퓨터 비전 활용에 관심이 있다면 라이선스 옵션을 확인해 보세요. 솔루션 페이지를 방문하여 헬스케어 분야의 컴퓨터 비전이 어떻게 효율성을 개선하고 있는지, 그리고 농업 분야의 AI가 미치는 영향에 대해 알아보세요!
