이미지 분류를 위해 Ultralytics YOLO11을 사용하는 방법

Let’s say a robot is looking at two cats, one black and one white, and it needs to figure out which is which. To do so, it can use image classification, a computer vision task that helps identify and categorize objects or scenes in an image. In fact, thanks to recent advancements in artificial intelligence (AI), image classification can be used in a wide variety of applications ranging from animal monitoring to manufacturing and agriculture with crop disease detection.

One of the latest advancements in image classification is the Ultralytics YOLO11 model. Launched at Ultralytics' annual hybrid event, YOLO Vision 2024 (YV24), YOLO11 is designed to tackle a wide variety of vision AI tasks, including image classification, with ease and precision.

In this article, we’ll explore the fundamentals of image classification, discuss real-world applications, and show you how you can use YOLO11 for image classification through the Ultralytics Python package. We’ll also take a look at how you can try out YOLO11’s capabilities on the Ultralytics HUB in a few easy steps. Let’s get started!

그림 1. Ultralytics YOLO11을 사용하여 페르시안 고양이를 분류하는 예시.

Link to this section이미지 분류란 무엇인가요?#

이미지 분류는 이전에 라벨이 지정된 이미지에서 학습한 패턴을 기반으로 이미지에 라벨이나 태그를 할당하는 방식으로 작동합니다. 컴퓨터 비전 모델은 이미지의 픽셀을 정밀하게 분석하여 해당 이미지와 가장 잘 일치하는 결과를 찾습니다. YOLO11과 같이 신뢰할 수 있는 모델은 이 과정을 원활하게 처리할 수 있습니다. YOLO11의 모델 아키텍처는 이미지나 비디오 프레임을 즉각적으로 처리할 수 있게 해주므로, 빠르고 정확한 이미지 분류가 필요한 애플리케이션에 이상적입니다.

이미지 분류의 범위를 제대로 이해하려면 객체 탐지와 같은 다른 작업과 구분하는 것이 도움이 됩니다. 이미지 분류는 전체 이미지에 라벨을 지정하는 반면, 객체 탐지는 이미지 내의 각 객체를 식별하고 위치를 지정합니다.

그림 2. 이미지 분류, 객체 탐지 및 이미지 세그멘테이션의 비교.

기린 이미지를 예로 들어보겠습니다. 이미지 분류에서 모델은 전체적인 내용을 바탕으로 전체 이미지를 단순히 기린이라고 라벨링할 수 있습니다. 그러나 객체 탐지를 사용하면 모델은 기린을 식별하는 데 그치지 않고, 기린 주위에 바운딩 박스를 배치하여 이미지 내 기린의 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.

Link to this sectionYOLO11 이미지 분류 애플리케이션#

이미지 분류를 위한 Ultralytics YOLO11 모델의 정확도와 성능은 광범위한 산업 분야에서 유용하게 사용됩니다. YOLO11의 이미지 분류 주요 적용 사례를 살펴보겠습니다.

Link to this section농업 분야의 YOLO11 이미지 분류#

이미지 분류는 농업 및 축산업의 많은 기능을 간소화하는 데 도움을 줄 수 있습니다. 특히 농부들은 YOLO11과 같은 이미지 분류 모델을 사용하여 작물 상태를 지속적으로 모니터링하고, 심각한 질병을 탐지하며, 해충 피해를 높은 정확도로 식별할 수 있습니다.

작동 방식은 다음과 같습니다:

• Image capture: Internet of Things (IoT) devices like cameras and drones can be deployed to capture real-time images of crops from various angles and locations across the fields.
• 처리: 가용 자원과 연결 상태에 따라, 이미지는 엣지 컴퓨팅을 통해 현장에서 처리되거나 더 심도 있는 분석을 위해 클라우드로 업로드될 수 있습니다.
• YOLO11을 이용한 이미지 분류: YOLO11 모델은 이러한 이미지를 분석하여 다양한 작물 상태를 분류할 수 있습니다. 일반적인 클래스로는 건강함, 질병 있음, 해충 피해, 영양 결핍 등이 포함될 수 있으며, 이를 통해 밭의 특정 구역에 영향을 미치는 문제를 정확하게 파악할 수 있습니다.
• 통찰 생성: 분류 결과를 바탕으로 YOLO11은 작물 건강 지표에 대한 통찰을 제공하여, 농부들이 질병의 초기 징후를 감지하거나 해충 발생 지점을 파악하고, 영양 결핍을 찾아내는 데 도움을 줍니다.
• 정보에 기반한 의사결정: 이러한 통찰을 통해 농부들은 관개, 시비, 해충 방제에 대한 표적화된 결정을 내릴 수 있으며, 필요한 곳에만 자원을 효율적으로 투입할 수 있습니다.

그림 3. 건강한 상태부터 감염된 상태까지 다양한 잎 클래스의 예시.

Link to this section소매업 분야의 YOLO11 이미지 분류#

이미지 분류는 소매 쇼핑 경험을 크게 향상시켜 더욱 개인화되고 사용자 친화적으로 만들 수 있습니다. 소매업체는 맞춤형으로 학습된 컴퓨터 비전 모델을 사용하여 재고를 인식하고 이 기능을 모바일 앱이나 웹사이트에 통합할 수 있습니다. 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.

우선 객체 탐지를 사용하여 이미지 속 주요 아이템(예: 의류나 가구 조각)을 찾아내고 배경과 분리합니다. 그 다음 이미지 분류를 사용하여 각 아이템을 재킷, 셔츠, 소파, 테이블 등으로 추가 분류합니다.

이 정보를 통해 시스템은 구매 가능한 유사 상품을 불러올 수 있으며, 이는 말로 설명하기 어려운 독특하거나 트렌디한 아이템을 찾는 데 특히 유용합니다. 동일한 기술을 통해 재고 관리와 같은 다른 소매업 업무도 자동으로 아이템을 인식하고 분류하여 효율화할 수 있습니다.

그림 4. 작동 중인 이미지 분류 기반 비주얼 검색 플랫폼.

Link to this sectionYOLO11 이미지 분류를 이용한 야생 동물 모니터링#

Traditionally, monitoring animals in the wild is a tedious task involving many people manually sorting and analyzing thousands of photos. With computer vision modes like YOLO11, researchers can automatically monitor animals at a faster rate. Cameras can be placed in natural habitats to take photos. The vision AI model can then be used to analyze these photos and classify the animals within them (if any). Such a system can help researchers study and track animal populations, their migration patterns, etc.

YOLO11과 같은 AI 및 컴퓨터 비전 모델이 이 분야에서 도움을 줄 수 있는 또 다른 방법은 멸종 위기 종을 분류하는 과정을 간소화하는 것입니다. 동물이 속할 가능성이 있는 종이나 품종 범주를 식별함으로써, 이러한 모델은 연구원들에게 필수적인 데이터를 제공할 수 있습니다. 예를 들어, 태즈메이니아 대학교(UTAS)는 다양한 태즈메이니아 야생 동물을 모니터링하기 위해 이미지 분류 기반 시스템을 개발했습니다. 모델의 예측 결과는 과학자와 연구원들이 밀렵이나 서식지 손실과 같은 위협을 감지하고 동물의 활동과 행동을 주시하는 데 도움을 줄 수 있습니다.

그림 5. 개가 속할 수 있는 품종을 예측하는 YOLO11.

Link to this sectionYOLO11 모델을 통한 이미지 분류 체험하기#

이제 이미지 분류가 무엇인지, 어떤 애플리케이션에 활용되는지 알아보았으니 새로운 YOLO11 모델로 이미지 분류를 직접 체험하는 방법을 살펴보겠습니다. 시작하는 두 가지 쉬운 방법은 Ultralytics Python 패키지를 사용하는 방법과 Ultralytics HUB를 통하는 방법입니다. 두 가지 옵션을 모두 설명해 드리겠습니다.

Link to this sectionYOLO11을 사용한 추론(Inference) 실행#

To get started with the Ultralytics Python package, simply install it using pip, conda, or Docker. If you run into any issues, check out our Common Issues Guide for helpful troubleshooting tips.

패키지가 설치되면 다음 코드를 사용하여 YOLO11 이미지 분류 모델 변형을 로드하고 이미지에 대해 추론을 실행할 수 있습니다. 추론을 실행한다는 것은 학습된 모델을 사용하여 새롭고 본 적 없는 데이터에 대해 예측을 수행하는 것을 의미합니다. 원하는 이미지로 한번 시도해 보십시오!

그림 6. YOLO11 모델을 사용하여 추론을 실행하는 모습.

Link to this section맞춤형 YOLO11 분류 모델 학습하기#

You can also use the same Python package to train a custom YOLO11 classification model. Custom training makes it possible for you to fine-tune a YOLO11 model for your specific needs. For example, if you’re developing an app to classify different cat breeds, you can custom-train a YOLO11 model just for that purpose.

아래 코드는 YOLO11 이미지 분류 모델을 로드하고 학습시키는 방법을 보여줍니다. 기존 모델의 지식을 사용하여 자체 모델의 성능을 향상시키는 전이 학습 가중치를 활용할 수 있습니다. 의류 아이템(셔츠, 바지, 신발 등)의 흑백 이미지로 잘 알려진 'fashion-mnist'와 같은 데이터셋을 지정할 수 있습니다. 이 데이터셋으로 모델을 학습시키면 다양한 의류 카테고리를 인식하는 법을 배우게 됩니다. 'fashion-mnist' 대신 고양이 품종이나 식물 종류 등 프로젝트에 맞는 어떤 데이터셋으로든 교체할 수 있습니다.

그림 7. 이미지 분류를 위한 YOLO11 모델 맞춤 학습.

Link to this sectionUltralytics HUB에서 YOLO11 체험하기#

Ultralytics 패키지를 사용하는 것은 간단하지만, 약간의 Python 지식이 필요합니다. 더 초보자 친화적인 옵션을 찾고 있다면 다양한 YOLO 모델을 쉽게 학습하고 배포할 수 있도록 설계된 플랫폼인 Ultralytics HUB를 사용할 수 있습니다. 시작하려면 계정을 생성해야 합니다.

로그인 후 'Models' 섹션으로 이동하여 이미지 분류를 위한 YOLO11 모델을 선택합니다. nano, small, medium, large, extra-large와 같은 다양한 모델 크기를 볼 수 있습니다. 모델을 선택한 후 'Preview' 섹션에 이미지를 업로드하면, 이미지가 처리된 후 페이지 왼쪽에 예측 결과가 나타납니다.

그림 8. Ultralytics HUB를 사용하여 추론을 실행하는 모습.

Link to this section핵심 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 많은 정보를 보려면 GitHub 저장소를 방문하고 저희 커뮤니티에 참여하십시오. 자율 주행 자동차 및 헬스케어 분야의 AI 애플리케이션은 솔루션 페이지에서 확인할 수 있습니다. 🚀