새로운 Ultralytics YOLO11 모델이 이미지 분류를 어떻게 개선하여 농업, 소매 및 야생 동물 모니터링 작업에서 더 나은 정확도를 제공하는지 알아보세요.
새로운 Ultralytics YOLO11 모델이 이미지 분류를 어떻게 개선하여 농업, 소매 및 야생 동물 모니터링 작업에서 더 나은 정확도를 제공하는지 알아보세요.
로봇이 검은색 고양이와 흰색 고양이 두 마리를 보고 어느 것이 어느 것인지 알아내야 한다고 가정해 보겠습니다. 이를 위해 이미지 내의 객체 또는 장면을 식별하고 분류하는 데 도움이 되는 컴퓨터 비전 작업인 이미지 분류를 사용할 수 있습니다. 실제로 인공 지능(AI)의 최근 발전 덕분에 이미지 분류는 동물 모니터링에서부터 작물 질병 탐지를 통한 제조 및 농업에 이르기까지 광범위한 응용 분야에서 사용될 수 있습니다.
이미지 분류의 최신 발전 중 하나는 Ultralytics YOLO11 모델입니다. Ultralytics의 연례 하이브리드 행사인 YOLO Vision 2024(YV24)에서 출시된 YOLO11은 이미지 분류를 포함한 광범위한 Vision AI 작업을 쉽고 정확하게 처리하도록 설계되었습니다.
이번 글에서는 이미지 분류의 기본 사항을 살펴보고, 실제 애플리케이션에 대해 논의하고, Ultralytics Python 패키지를 통해 YOLO11을 이미지 분류에 사용하는 방법을 보여드리겠습니다. 또한 몇 가지 쉬운 단계를 통해 YOLO11의 기능을 Ultralytics HUB에서 사용해 볼 수 있는 방법도 살펴보겠습니다. 그럼 시작해 볼까요!
이미지 분류는 이전에 레이블이 지정된 이미지에서 학습한 패턴을 기반으로 이미지에 레이블을 할당하거나 태그를 지정하는 방식으로 작동합니다. 컴퓨터 비전 모델은 이미지의 픽셀을 주의 깊게 분석하여 이미지에 가장 적합한 일치 항목을 찾을 수 있습니다. YOLO11과 같은 신뢰할 수 있는 모델은 이 프로세스를 원활하게 처리할 수 있습니다. YOLO11의 모델 아키텍처는 이미지 또는 비디오 프레임을 거의 즉시 처리할 수 있게 해주므로 빠르고 정확한 이미지 분류가 필요한 애플리케이션에 이상적입니다.
이미지 분류의 범위를 진정으로 이해하려면 객체 감지와 같은 다른 작업과 구별하는 것이 도움이 됩니다. 이미지 분류는 전체 이미지에 레이블을 지정하는 반면, 객체 감지는 이미지 내의 각 객체를 식별하고 찾습니다.
기린 이미지를 예로 들어보겠습니다. 이미지 분류에서 모델은 전체 이미지를 단순히 기린으로 레이블링할 수 있습니다. 그러나 객체 탐지를 사용하면 모델은 기린을 식별하는 데 그치지 않고 기린 주위에 경계 상자를 배치하여 이미지 내에서 정확한 위치를 정확히 찾아냅니다.
이제 기린이 다른 동물들과 함께 사바나의 나무 근처에 서 있다고 상상해 보십시오. 이미지 분류 모델은 전체 장면을 사바나 또는 야생 동물로만 레이블을 지정할 수 있습니다. 그러나 객체 탐지를 사용하면 모델이 기린, 나무 및 기타 동물을 각각 고유한 경계 상자로 인식하여 각 요소를 개별적으로 식별합니다.
이미지 분류를 위한 Ultralytics YOLO11 모델의 정확성과 성능은 광범위한 산업 분야에서 유용하게 활용될 수 있습니다. YOLO11이 이미지 분류에서 어떻게 활용되는지 주요 사례를 살펴보겠습니다.
이미지 분류는 농업 및 농장 산업의 많은 기능을 간소화하는 데 도움이 될 수 있습니다. 특히 YOLO11과 같은 이미지 분류 모델을 사용하여 농부들은 작물의 건강 상태를 지속적으로 모니터링하고, 심각한 질병을 감지하며, 해충 침입을 높은 정확도로 식별할 수 있습니다.
다음은 작동 방식에 대한 설명입니다.
이미지 분류는 소매 쇼핑 경험을 크게 향상시켜 더욱 개인화되고 사용자 친화적으로 만들 수 있습니다. 소매업체는 맞춤형으로 훈련된 컴퓨터 비전 모델을 사용하여 재고 상품을 인식하고 이 기능을 모바일 앱이나 웹사이트에 통합할 수 있습니다. 그러면 고객은 사진을 업로드하는 것만으로 제품을 검색하여 쇼핑을 더 빠르고 편리하게 할 수 있습니다.
고객이 시각적 검색 시스템에 이미지를 업로드하면 검색 결과가 표시되기 전에 여러 가지 일이 백그라운드에서 발생합니다.
먼저 객체 감지를 사용하여 이미지의 주요 항목을 선택할 수 있습니다. 예를 들어 의류나 가구 조각을 식별하고 배경에서 분리하는 것입니다. 다음으로 이미지 분류를 사용하여 각 항목을 추가로 분류하여 재킷, 셔츠, 소파 또는 테이블인지 인식할 수 있습니다.
이 정보를 통해 시스템은 구매 가능한 유사한 제품을 불러올 수 있으며, 이는 특히 말로 설명하기 어려운 독특하거나 트렌디한 아이템을 찾는 데 유용합니다. 동일한 기술은 아이템을 자동으로 인식하고 분류하여 재고 관리와 같은 다른 소매 작업도 간소화하는 데 도움이 될 수 있습니다.
전통적으로 야생 동물을 모니터링하는 것은 많은 사람들이 수동으로 수천 장의 사진을 분류하고 분석하는 지루한 작업입니다. YOLO11과 같은 컴퓨터 비전 모드를 사용하면 연구원은 더 빠른 속도로 동물을 자동으로 모니터링할 수 있습니다. 카메라를 자연 서식지에 배치하여 사진을 찍을 수 있습니다. 그런 다음 비전 AI 모델을 사용하여 이러한 사진을 분석하고 그 안에 있는 동물을 분류할 수 있습니다(있는 경우). 이러한 시스템은 연구원이 동물 개체수, 이동 패턴 등을 연구하고 추적하는 데 도움이 될 수 있습니다.
YOLO11과 같은 AI 및 컴퓨터 비전 모델이 이 분야에서 도움을 줄 수 있는 또 다른 방법은 멸종 위기에 처한 종을 분류하는 프로세스를 간소화하는 것입니다. 동물이 속할 수 있는 잠재적인 종 또는 품종 범주를 식별함으로써 이러한 모델은 연구원에게 필수 데이터를 제공할 수 있습니다. 예를 들어, 태즈매니아 대학교(UTAS)는 다양한 태즈매니아 야생 동물을 모니터링하기 위해 이미지 분류 기반 시스템을 개발했습니다. 모델의 예측은 과학자와 연구자가 동물 활동 및 행동을 감시하는 데 도움이 될 수 있으며, 이는 밀렵 또는 서식지 손실과 같은 위협을 나타낼 수 있습니다.
이제 이미지 분류가 무엇인지 논의하고 몇 가지 응용 분야를 살펴보았습니다. 새로운 YOLO11 모델로 이미지 분류를 시도해 볼 수 있는 방법을 살펴보겠습니다. Ultralytics Python 패키지를 사용하거나 Ultralytics HUB를 통해 시작하는 두 가지 쉬운 방법이 있습니다. 두 가지 옵션을 모두 살펴보겠습니다.
Ultralytics Python 패키지를 시작하려면 pip, conda 또는 Docker를 사용하여 간단히 설치하십시오. 문제가 발생하면 일반적인 문제 해결 가이드에서 유용한 문제 해결 팁을 확인하십시오.
패키지가 설치되면 다음 코드를 사용하여 YOLO11 이미지 분류 모델의 변형을 로드하고 이미지에 대한 추론을 실행할 수 있습니다. 추론을 실행한다는 것은 훈련된 모델을 사용하여 새로운 미지의 데이터에 대한 예측을 수행하는 것을 의미합니다. 원하는 이미지로 시도해 볼 수 있습니다!
동일한 Python 패키지를 사용하여 사용자 정의 YOLO11 분류 모델을 훈련할 수도 있습니다. 사용자 정의 훈련을 통해 특정 요구 사항에 맞게 YOLO11 모델을 미세 조정할 수 있습니다. 예를 들어, 다양한 고양이 품종을 분류하는 앱을 개발하는 경우 해당 목적에 맞게 YOLO11 모델을 사용자 정의 훈련할 수 있습니다.
아래 코드는 YOLO11 이미지 분류 모델을 로드하고 학습하는 방법을 보여줍니다. 기존 모델의 지식을 사용하여 자체 모델의 성능을 향상시키는 사전 훈련된 가중치를 전송할 수 있습니다. 의류 품목(셔츠, 바지, 신발 등)의 잘 알려진 회색조 이미지 세트인 "fashion-mnist" 데이터 세트와 같은 데이터 세트를 지정할 수 있습니다. 이 데이터 세트에서 모델을 학습하면 다양한 의류 카테고리를 인식하도록 가르칩니다. "fashion-mnist"를 고양이 품종 또는 식물 유형과 같이 프로젝트에 적합한 데이터 세트로 바꿀 수 있습니다.
Ultralytics 패키지를 사용하는 것은 간단하지만, 어느 정도의 Python 지식이 필요합니다. 더 초보자 친화적인 옵션을 찾고 있다면 다양한 YOLO 모델의 학습 및 배포를 간단하고 접근성 있게 만들어주는 플랫폼인 Ultralytics HUB를 사용할 수 있습니다. 시작하려면 계정을 만들어야 합니다.
로그인한 후 '모델' 섹션으로 이동하여 이미지 분류를 위한 YOLO11 모델을 선택합니다. 나노, 스몰, 미디엄, 라지, 엑스트라 라지와 같은 다양한 모델 크기를 볼 수 있습니다. 모델을 선택한 후 '미리보기' 섹션에서 이미지를 업로드할 수 있으며, 이미지가 처리되면 페이지 왼쪽에 예측이 나타납니다.
YOLO11은 다양한 산업 분야에서 새로운 가능성을 열어주는 강력한 이미지 분류 기능을 제공합니다. 농업 분야의 작물 모니터링 개선, 소매업 분야의 제품 검색 개선에서 야생 동물 보호 지원에 이르기까지 YOLO11의 속도와 정확성은 다양한 애플리케이션에 이상적입니다. Ultralytics Python 패키지를 통한 사용자 정의 학습 옵션 또는 Ultralytics HUB의 사용자 친화적인 노코드 설정을 통해 사용자는 YOLO11을 워크플로에 쉽게 통합할 수 있습니다. 더 많은 산업에서 AI 솔루션을 채택함에 따라 YOLO11은 혁신과 실질적인 발전을 지원하는 유연하고 고성능 도구를 제공합니다.
자세한 내용은 GitHub 저장소를 방문하여 커뮤니티에 참여하세요. 솔루션 페이지에서 자율 주행 자동차 및 의료 분야의 AI 애플리케이션을 살펴보세요. 🚀
.webp)