이미지 분류를 위해 Ultralytics YOLO11을 사용하는 방법

예를 들어 로봇이 검은색 고양이와 흰색 고양이 두 마리를 보고 어느 쪽이 어느 쪽인지 파악해야 한다고 가정해 보겠습니다. 이를 위해 이미지 속 객체나 장소를 식별하고 분류하는 데 도움이 되는 컴퓨터 비전 태스크인 이미지 분류를 사용할 수 있습니다. 실제로 최근 인공지능(AI)의 발전 덕분에 이미지 분류는 동물 모니터링부터 작물 질병 감지를 활용한 제조업 및 농업에 이르기까지 다양한 분야에서 활용될 수 있습니다.

이미지 분류 분야의 최신 발전 중 하나는 Ultralytics YOLO11 모델입니다. Ultralytics의 연례 하이브리드 이벤트인 YOLO Vision 2024(YV24)에서 발표된 YOLO11은 이미지 분류를 포함한 다양한 비전 AI 태스크를 쉽고 정밀하게 처리하도록 설계되었습니다.

이 글에서는 이미지 분류의 기초를 살펴보고, 실제 활용 사례를 논의하며, Ultralytics Python 패키지를 통해 이미지 분류에 YOLO11을 사용하는 방법을 보여드리겠습니다. 또한 몇 가지 간단한 단계를 통해 Ultralytics HUB에서 YOLO11의 기능을 직접 체험해 보는 방법도 살펴보겠습니다. 그럼 시작하겠습니다!

그림 1. Ultralytics YOLO11을 사용하여 페르시안 고양이를 분류하는 예시.

이미지 분류란 무엇인가요?#

이미지 분류는 이전에 레이블이 지정된 이미지에서 학습된 패턴을 기반으로 이미지에 레이블 또는 태그를 할당하여 작동합니다. 이미지의 픽셀을 신중하게 분석함으로써 컴퓨터 비전 모델은 이미지에 가장 적합한 항목을 찾을 수 있습니다. Ultralytics YOLO11과 같은 신뢰할 수 있는 모델은 이 프로세스를 원활하게 처리할 수 있습니다. YOLO11의 모델 아키텍처를 사용하면 이미지나 비디오 프레임을 거의 즉시 처리할 수 있으므로 빠르고 정확한 이미지 분류가 필요한 애플리케이션에 이상적입니다.

이미지 분류의 범위를 진정으로 이해하려면 객체 감지와 같은 다른 태스크와 구분하는 것이 도움이 됩니다. 이미지 분류가 전체 이미지에 레이블을 지정하는 반면, 객체 감지는 이미지 내의 각 객체를 식별하고 찾아냅니다.

Fig 2. 이미지 분류, 객체 감지, 이미지 세그멘테이션 비교.

기린이 찍힌 이미지를 생각해 보겠습니다. 이미지 분류에서는 전체적인 내용을 바탕으로 모델이 전체 이미지에 단순히 기린이라는 레이블을 지정할 수 있습니다. 하지만 객체 감지를 사용하면 모델은 기린을 식별하는 데 그치지 않고 기린 주위에 바운딩 박스를 배치하여 이미지 내의 정확한 위치를 찾아냅니다.

이제 기린이 사바나에서 다른 동물들과 함께 나무 근처에 서 있는 상황을 상상해 보십시오. 이미지 분류 모델은 전체 장면을 사바나 또는 야생 동물로 라벨링할 것입니다. 하지만 객체 탐지를 사용하면 모델은 각 요소를 개별적으로 식별하여 기린, 나무, 그리고 다른 동물들을 인식하고 각각의 바운딩 박스를 지정합니다.

Ultralytics YOLO11 이미지 분류 애플리케이션#

이미지 분류를 위한 Ultralytics YOLO11 모델의 정확도와 성능 덕분에 이 모델은 다양한 산업 분야에서 유용하게 사용됩니다. 이미지 분류에서 YOLO11의 주요 응용 분야 몇 가지를 살펴보겠습니다.

농업 분야에서의 Ultralytics YOLO11 이미지 분류#

이미지 분류는 농업 및 축산업의 많은 기능을 간소화하는 데 도움이 될 수 있습니다. 구체적으로 농부들은 YOLO11과 같은 이미지 분류 모델을 사용하여 작물의 건강 상태를 지속적으로 모니터링하고, 심각한 질병을 감지하며, 병해충 감염을 높은 정확도로 식별할 수 있습니다.

작동 방식은 다음과 같습니다:

• 이미지 캡처: 카메라 및 드론과 같은 사물인터넷(IoT) 장치를 배포하여 들판의 다양한 각도와 위치에서 작물의 실시간 이미지를 캡처할 수 있습니다.
• 처리: 가용한 리소스와 연결 상태에 따라 이미지는 엣지 컴퓨팅을 통해 현장에서 처리되거나 보다 집중적인 분석을 위해 클라우드로 업로드될 수 있습니다.
• YOLO11을 이용한 이미지 분류: YOLO11 모델은 이러한 이미지를 분석하여 다양한 작물 상태를 분류할 수 있습니다. 일반적인 클래스에는 건강함, 질병 감염, 해충 피해, 영양 부족 등이 포함될 수 있어 들판의 각 구역에 영향을 미치는 특정 문제를 정확히 찾아내는 데 도움이 됩니다.
• 인사이트 생성: Ultralytics YOLO11은 분류 결과를 바탕으로 작물 건강 지표에 대한 인사이트를 제공하여, 농부들이 질병의 초기 징후를 감지하고, 해충 핫스팟을 식별하거나, 영양 부족을 파악할 수 있도록 돕습니다.
• 정보에 입입각한 의사결정: 농부들은 이러한 인사이트를 바탕으로 관수, 시비, 병해충 방제에 대한 표적화된 결정을 내릴 수 있으며, 가장 필요한 곳에만 자원을 투입할 수 있습니다.

Fig 3. 건강한 잎부터 감염된 잎까지 다양한 잎 클래스의 예.

소매업 분야에서의 Ultralytics YOLO11 이미지 분류#

이미지 분류는 소매 쇼핑 경험을 크게 향상시켜 더욱 개인화되고 사용자 친화적으로 만들어 줍니다. 소매업체는 사용자 맞춤형 컴퓨터 비전 모델을 사용하여 재고 속의 상품을 인식하고 이 기능을 모바일 앱이나 웹사이트에 통합할 수 있습니다. 이를 통해 고객은 사진을 업로드하는 것만으로 상품을 검색할 수 있어 쇼핑이 더욱 빠르고 편리해집니다.

고객이 비주얼 검색 시스템에 이미지를 업로드하면 검색 결과가 표시되기 전까지 백엔드에서 여러 단계의 작업이 수행됩니다.

먼저 객체 감지를 사용하여 의류나 가구 조각을 식별하고 배경과 분리하는 등 이미지에서 주요 항목을 골라낼 수 있습니다. 다음으로 이미지 분류를 사용하여 각 항목을 더 세분화하여 재킷, 셔츠, 소파 또는 테이블인지 인식할 수 있습니다.

이 정보를 바탕으로 시스템은 구매 가능한 유사한 제품을 불러올 수 있으며, 이는 말로만 설명하기 어려운 독특하거나 트렌디한 아이템을 찾는 데 특히 유용합니다. 동일한 기술을 통해 품목을 자동으로 인식하고 분류함으로써 재고 관리와 같은 다른 소매 업무를 간소화할 수 있습니다.

Fig 4. 작동 중인 이미지 분류 기반 시각적 검색 플랫폼.

Ultralytics YOLO11 이미지 분류를 활용한 야생동물 모니터링#

전통적으로 야생 동물 모니터링은 수많은 사람들이 수천 장의 사진을 수동으로 분류하고 분석해야 하는 지루한 작업입니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모드를 사용하면 연구원들이 더 빠른 속도로 동물들을 자동으로 모니터링할 수 있습니다. 자연 서식지에 카메라를 설치하여 사진을 촬영할 수 있습니다. 그런 다음 비전 AI 모델을 사용하여 이 사진들을 분석하고 그 안에 있는 동물(있는 경우)을 분류할 수 있습니다. 이러한 시스템은 연구원들이 동물 개체수, 이동 패턴 등을 연구하고 추적하는 데 도움을 줄 수 있습니다.

AI 및 컴퓨터 비전 모델인 Ultralytics YOLO11이 이 분야에서 도움을 줄 수 있는 또 다른 방법은 멸종 위기종 분류 과정을 간소화하는 것입니다. 이러한 모델은 동물이 속할 수 있는 잠재적인 종이나 품종 범주를 식별함으로써 연구원들에게 필수적인 데이터를 제공할 수 있습니다. 예를 들어, 태즈메이니아대학교(UTAS)는 다양한 태즈메이니아 야생 동물을 모니터링하기 위한 이미지 분류 기반 시스템을 개발했습니다. 모델의 예측 결과는 과학자와 연구원들이 동물 활동과 행동을 주시하는 데 도움을 주며, 이는 밀렵이나 서식지 손실 같은 위협을 신호할 수 있습니다.

그림 5. 강아지가 속할 수 있는 품종을 예측하는 Ultralytics YOLO11.

Ultralytics YOLO11 모델로 이미지 분류 시도하기#

이제 이미지 분류가 무엇인지 살펴보고 몇 가지 활용 사례를 알아보았으므로, 새로운 YOLO11 모델로 이미지 분류를 직접 체험해 보는 방법을 살펴보겠습니다. 시작하는 방법은 Ultralytics Python 패키지를 사용하거나 Ultralytics HUB를 통해 시작하는 두 가지 쉬운 방법이 있습니다. 두 가지 옵션을 모두 살펴보겠습니다.

Ultralytics YOLO11을 사용한 추론 실행#

Ultralytics Python 패키지를 시작하려면 pip, conda 또는 Docker를 사용하여 설치하기만 하면 됩니다. 문제가 발생하면 유용한 문제 해결 팁이 담긴 공통 문제 가이드를 확인하세요.

패키지가 설치되면, 다음 코드를 사용하여 Ultralytics YOLO11 이미지 분류 모델의 변형을 로드하고 이미지에 대해 추론을 실행할 수 있습니다. 추론을 실행한다는 것은 학습된 모델을 사용하여 새롭고 보지 못한 데이터에 대해 예측을 수행하는 것을 의미합니다. 원하는 이미지로 직접 시도해 보세요!

그림 6. Ultralytics YOLO11 모델을 사용한 추론 실행.

사용자 정의 Ultralytics YOLO11 분류 모델 학습하기#

또한 동일한 Python 패키지를 사용하여 사용자 지정 Ultralytics YOLO11 분류 모델을 학습시킬 수도 있습니다. 사용자 지정 학습을 통해 특정 요구 사항에 맞게 YOLO11 모델을 미세 조정할 수 있습니다. 예를 들어, 다양한 고양이 품종을 분류하는 앱을 개발하는 경우 그 목적에 맞게 YOLO11 모델을 사용자 지정 학습시킬 수 있습니다.

아래 코드는 Ultralytics YOLO11 이미지 분류 모델을 로드하고 학습하는 방법을 보여줍니다. 이를 통해 사전 학습된 가중치를 전파하여 기존 모델의 지식을 활용해 자체 모델의 성능을 향상시킬 수 있습니다. 의류 아이템(셔츠, 바지, 신발 등)의 흑백 이미지로 구성된 잘 알려진 세트인 "fashion-mnist" 같은 데이터셋을 지정할 수 있습니다. 이 데이터셋으로 모델을 학습시키면 다양한 의류 범주를 인식하는 법을 배우게 됩니다. "fashion-mnist"를 고양이 품종이나 식물 종류 등 프로젝트에 맞는 다른 데이터셋으로 교체할 수 있습니다.

그림 7. 이미지 분류를 위한 Ultralytics YOLO11 모델 사용자 정의 학습.

Ultralytics HUB에서 YOLO11 체험하기#

Ultralytics 패키지를 사용하는 것은 간단하지만 Python에 대한 약간의 지식이 필요합니다. 초보자에게 더 친숙한 옵션을 찾고 계신다면 다양한 YOLO 모델의 학습과 배포를 간단하고 쉽게 할 수 있도록 설계된 플랫폼인 Ultralytics HUB를 사용할 수 있습니다. 시작하려면 계정을 만들어야 합니다.

로그인한 후 'Models' 섹션으로 이동하여 이미지 분류용 Ultralytics YOLO11 모델을 선택합니다. nano, small, medium, large, extra-large 등 다양한 모델 크기를 확인할 수 있습니다. 모델을 선택한 후 'Preview' 섹션에서 이미지를 업로드할 수 있으며, 이미지 처리가 완료되면 페이지 왼쪽에 예측 결과가 표시됩니다.

그림 8. Ultralytics HUB를 사용하여 추론을 실행하는 모습.

핵심 요약#

YOLO11은 다양한 산업 분야에서 새로운 가능성을 여는 강력한 이미지 분류 기능을 제공합니다. 농업의 작물 모니터링 개선과 소매업의 상품 검색 강화부터 야생 동물 보호 지원에 이르기까지, YOLO11의 속도와 정확도는 다양한 애플리케이션에 이상적입니다. Ultralytics Python 패키지를 통한 맞춤형 학습이나 Ultralytics HUB에서의 사용자 친화적인 노코드 설정 옵션을 통해 사용자들은 YOLO11을 자신의 워크플로우에 쉽게 통합할 수 있습니다. 더 많은 산업 분야가 AI 솔루션을 도입함에 따라, YOLO11은 혁신과 실질적인 발전을 지원하는 유연하고 고성능인 도구를 제공합니다.

더 자세히 알아보려면 GitHub 저장소를 방문하고 커뮤니티에 참여하세요. 솔루션 페이지에서 자율주행 자동차와 헬스케어 분야의 AI 애플리케이션을 살펴보세요. 🚀