이미지 분류에 Ultralytics YOLO11을 사용하는 방법

로봇이 검은 고양이 한 마리와 흰 고양이 한 마리를 바라보며 어느 고양이가 어느 고양이인지 알아내야 한다고 가정해 보겠습니다. 이를 위해 이미지 속 객체나 장면을 식별하고 분류하는 데 도움이 되는 컴퓨터 비전 작업인 이미지 분류를 사용할 수 있습니다. 실제로 최근 인공지능 (AI)의 발전 덕분에 이미지 분류는 동물 모니터링부터 제조, 작물 질병 감지를 포함한 농업까지 매우 다양한 애플리케이션에 활용할 수 있습니다.

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

이 글에서는 이미지 분류의 기본 개념을 살펴보고 실제 애플리케이션을 알아보며, Ultralytics Python 패키지를 통해 YOLO11을 이미지 분류에 사용하는 방법을 보여드립니다. 또한 몇 가지 간단한 단계만으로 Ultralytics HUB에서 YOLO11의 기능을 시험해 보는 방법도 살펴보겠습니다. 시작해 보겠습니다!

그림 1. Ultralytics YOLO11을 사용하여 페르시안 고양이를 분류하는 예시입니다.

이미지 분류란 무엇인가요?#

이미지 분류는 이전에 라벨이 지정된 이미지에서 학습한 패턴을 바탕으로 이미지에 라벨을 할당하거나 태그를 지정하는 방식으로 작동합니다. 컴퓨터 비전 모델은 이미지의 픽셀을 세밀하게 분석하여 해당 이미지와 가장 잘 일치하는 대상을 찾을 수 있습니다. Ultralytics YOLO11과 같은 신뢰할 수 있는 모델은 이 과정을 원활하게 처리할 수 있습니다. YOLO11의 모델 아키텍처는 이미지나 비디오 프레임을 거의 즉시 처리할 수 있도록 하므로, 빠르고 정확한 이미지 분류가 필요한 애플리케이션에 적합합니다.

이미지 분류의 범위를 제대로 이해하려면 객체 감지와 같은 다른 작업과 구분하는 것이 도움이 됩니다. 이미지 분류가 이미지 전체에 라벨을 지정하는 반면, 객체 감지는 이미지 내 각 객체를 식별하고 위치를 찾습니다.

그림 2. 이미지 분류, 객체 감지 및 이미지 세그멘테이션 비교입니다.

기린이 있는 이미지를 생각해 보겠습니다. 이미지 분류에서는 모델이 이미지의 전반적인 내용을 바탕으로 이미지 전체에 간단히 기린이라는 라벨을 지정할 수 있습니다. 그러나 객체 감지를 사용하면 모델은 기린을 식별하는 데 그치지 않고 기린 주위에 바운딩 박스를 표시하여 이미지 내 정확한 위치를 특정합니다.

이제 기린이 사바나에서 다른 동물들과 함께 나무 근처에 서 있다고 상상해 보겠습니다. 이미지 분류 모델은 전체 장면에 사바나 또는 단순히 야생 동물이라는 라벨을 지정할 수 있습니다. 그러나 객체 감지를 사용하면 모델은 각 요소를 개별적으로 식별하여 기린, 나무 및 다른 동물을 인식하고 각각에 고유한 바운딩 박스를 표시합니다.

Ultralytics YOLO11 이미지 분류 애플리케이션#

이미지 분류를 위한 Ultralytics YOLO11 모델의 정확도와 성능은 다양한 산업 분야에서 유용하게 활용될 수 있도록 합니다. 이미지 분류에서 YOLO11의 주요 애플리케이션을 몇 가지 살펴보겠습니다.

농업 분야의 Ultralytics YOLO11 이미지 분류#

이미지 분류는 농업 및 영농 산업의 다양한 업무를 간소화하는 데 도움이 될 수 있습니다. 특히 농부들은 YOLO11과 같은 이미지 분류 모델을 사용하여 작물의 건강 상태를 지속적으로 모니터링하고, 심각한 질병을 감지하며, 해충 발생을 높은 정확도로 식별할 수 있습니다.

이 과정이 어떻게 작동하는지 살펴보겠습니다:

• 이미지 캡처: 카메라와 드론 같은 사물 인터넷 (IoT) 기기를 배치하여 농지 곳곳에서 다양한 각도와 위치의 작물 실시간 이미지를 캡처할 수 있습니다.
• 처리: 사용 가능한 리소스와 연결 상태에 따라 이미지를 엣지 컴퓨팅을 통해 현장에서 처리하거나 더 심층적인 분석을 위해 클라우드에 업로드할 수 있습니다.
• YOLO11을 사용한 이미지 분류: YOLO11 모델은 이러한 이미지를 분석하여 다양한 작물 상태로 분류할 수 있습니다. 일반적인 클래스에는 건강함, 질병 발생, 해충 피해 또는 영양 결핍이 포함될 수 있으며, 이를 통해 밭의 여러 영역에 영향을 미치는 구체적인 문제를 파악할 수 있습니다.
• 인사이트 생성: 분류 결과를 바탕으로 Ultralytics YOLO11은 작물 건강 지표에 대한 인사이트를 제공하여 농부들이 질병의 초기 징후를 감지하고, 해충 집중 발생 지역을 식별하거나 영양 결핍을 발견할 수 있도록 지원합니다.
• 정보에 기반한 의사 결정: 이러한 인사이트를 바탕으로 농부들은 관개, 시비 및 해충 방제에 대해 목표를 명확히 한 결정을 내리고, 가장 필요한 곳에만 리소스를 투입할 수 있습니다.

그림 3. 건강한 잎부터 감염된 잎까지 다양한 클래스의 예시입니다.

소매업 분야의 Ultralytics YOLO11 이미지 분류#

이미지 분류는 소매 쇼핑 경험을 크게 개선하여 더욱 개인화되고 사용자 친화적으로 만들 수 있습니다. 소매업체는 맞춤 학습된 컴퓨터 비전 모델을 사용하여 재고 상품을 인식하고 이 기능을 모바일 앱이나 웹사이트에 통합할 수 있습니다. 그러면 고객은 사진을 업로드하는 것만으로 상품을 검색할 수 있어 더 빠르고 편리하게 쇼핑할 수 있습니다.

고객이 시각 검색 시스템에 이미지를 업로드하면 검색 결과가 표시되기 전에 백그라운드에서 여러 과정이 진행됩니다.

먼저 객체 감지를 사용하여 이미지에서 주요 항목을 추출할 수 있습니다. 예를 들어 의류나 가구를 식별하고 배경과 분리합니다. 다음으로 이미지 분류를 사용하여 각 항목을 추가로 분류하고 재킷, 셔츠, 소파 또는 테이블인지 인식할 수 있습니다.

이 정보를 사용하면 시스템이 구매 가능한 유사 상품을 불러올 수 있습니다. 이는 말로만 설명하기 어려운 독특하거나 유행하는 상품을 찾을 때 특히 유용합니다. 또한 같은 기술을 사용하여 항목을 자동으로 인식하고 분류함으로써 재고 관리와 같은 다른 소매 업무도 간소화할 수 있습니다.

그림 4. 이미지 분류 기반 시각 검색 플랫폼의 작동 모습입니다.

Ultralytics YOLO11 이미지 분류를 활용한 야생 동물 모니터링#

기존에는 야생 동물을 모니터링하려면 많은 사람이 수천 장의 사진을 수동으로 분류하고 분석해야 하는 번거로운 작업이 필요했습니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 사용하면 연구자가 더 빠른 속도로 동물을 자동 모니터링할 수 있습니다. 카메라를 자연 서식지에 설치하여 사진을 촬영할 수 있습니다. 그런 다음 비전 AI 모델을 사용하여 이러한 사진을 분석하고 사진 속 동물이 있는 경우 이를 분류할 수 있습니다. 이러한 시스템은 연구자들이 동물 개체군과 이동 패턴 등을 연구하고 추적하는 데 도움이 될 수 있습니다.

AI와 Ultralytics YOLO11과 같은 컴퓨터 비전 모델이 이 분야에 기여할 수 있는 또 다른 방법은 멸종 위기 종을 분류하는 과정을 간소화하는 것입니다. 동물이 속할 가능성이 있는 종 또는 품종 카테고리를 식별함으로써 이러한 모델은 연구자에게 필수적인 데이터를 제공할 수 있습니다. 예를 들어 태즈메이니아 대학교 (UTAS)는 다양한 태즈메이니아 야생 동물을 모니터링하기 위한 이미지 분류 기반 시스템을 개발했습니다. 그런 다음 모델의 예측을 통해 과학자와 연구자는 동물의 활동과 행동을 지속적으로 관찰할 수 있으며, 이는 밀렵이나 서식지 손실과 같은 위협을 나타낼 수 있습니다.

그림 5. Ultralytics YOLO11이 개가 속할 가능성이 있는 품종을 예측하는 모습입니다.

Ultralytics YOLO11 모델로 이미지 분류 사용해 보기#

이제 이미지 분류가 무엇인지 논의하고 몇 가지 애플리케이션을 살펴보았으므로, 새로운 YOLO11 모델로 이미지 분류를 사용해 보는 방법을 알아보겠습니다. 시작하는 방법은 두 가지로 간단합니다. Ultralytics Python 패키지를 사용하거나 Ultralytics HUB를 이용하면 됩니다. 두 가지 방법을 모두 살펴보겠습니다.

Ultralytics YOLO11을 사용한 추론 실행#

Ultralytics Python 패키지를 시작하려면 pip, conda 또는 Docker를 사용하여 간단히 설치하면 됩니다. 문제가 발생하면 유용한 문제 해결 팁이 포함된 일반적인 문제 가이드를 확인해 보세요.

패키지를 설치한 후 다음 코드를 사용하여 Ultralytics YOLO11 이미지 분류 모델의 변형을 불러오고 이미지에 대해 추론을 실행할 수 있습니다. 추론을 실행한다는 것은 학습된 모델을 사용하여 새로운 미지의 데이터에 대한 예측을 수행하는 것을 의미합니다. 원하는 이미지를 사용하여 직접 시험해 볼 수 있습니다!

그림 6. Ultralytics YOLO11 모델을 사용한 추론 실행입니다.

사용자 지정 Ultralytics YOLO11 분류 모델 학습#

같은 Python 패키지를 사용하여 사용자 지정 Ultralytics YOLO11 분류 모델을 학습할 수도 있습니다. 사용자 지정 학습을 통해 YOLO11 모델을 특정 요구 사항에 맞게 파인튜닝할 수 있습니다. 예를 들어 다양한 고양이 품종을 분류하는 앱을 개발하는 경우 해당 목적에 맞게 YOLO11 모델을 사용자 지정 학습할 수 있습니다.

아래 코드는 Ultralytics YOLO11 이미지 분류 모델을 불러오고 학습하는 방법을 보여줍니다. 기존 모델의 지식을 활용하여 자체 모델의 성능을 향상시키는 사전 학습된 가중치 전이가 가능합니다. "fashion-mnist"와 같은 데이터셋을 지정할 수 있습니다. 이 데이터셋은 의류 품목(셔츠, 바지, 신발 등)의 잘 알려진 그레이스케일 이미지 모음입니다. 이 데이터셋으로 모델을 학습하면 다양한 의류 카테고리를 인식하도록 가르칠 수 있습니다. 프로젝트에 적합한 모든 데이터셋으로 "fashion-mnist"를 바꿀 수 있으며, 예를 들어 고양이 품종이나 식물 유형을 사용할 수 있습니다.

그림 7. 이미지 분류를 위한 Ultralytics YOLO11 모델 사용자 지정 학습입니다.

Ultralytics HUB에서 YOLO11 체험하기#

Ultralytics 패키지는 사용하기 간편하지만 Python에 대한 어느 정도의 지식이 필요합니다. 더 초보자 친화적인 옵션을 찾고 있다면 다양한 YOLO 모델의 학습과 배포를 간단하고 쉽게 이용할 수 있도록 설계된 플랫폼인 Ultralytics HUB를 사용할 수 있습니다. 시작하려면 계정을 생성해야 합니다.

로그인한 후 ‘Models’ 섹션으로 이동하여 이미지 분류를 위한 Ultralytics YOLO11 모델을 선택합니다. nano, small, medium, large 및 extra-large 등 다양한 모델 크기를 사용할 수 있습니다. 모델을 선택한 다음 ‘Preview’ 섹션에서 이미지를 업로드하면 이미지 처리가 완료된 후 페이지 왼쪽에 예측 결과가 표시됩니다.

그림 8. Ultralytics HUB를 사용한 추론 실행입니다.

핵심 요점#

YOLO11은 강력한 이미지 분류 기능을 제공하여 다양한 산업 분야에서 새로운 가능성을 열어 줍니다. 농업에서 작물 모니터링을 개선하고 소매업에서 상품 검색을 향상시키는 것부터 야생 동물 보호를 지원하는 것까지, YOLO11의 속도와 정확도는 다양한 애플리케이션에 적합합니다. Ultralytics Python 패키지를 통한 사용자 지정 학습이나 Ultralytics HUB에서의 사용자 친화적인 노코드 설정을 활용하면 사용자는 YOLO11을 워크플로에 쉽게 통합할 수 있습니다. 더 많은 산업 분야에서 AI 솔루션을 도입함에 따라 YOLO11은 혁신과 실질적인 발전을 지원하는 유연한 고성능 도구를 제공합니다.

더 자세히 알아보려면 GitHub 리포지토리를 방문하고 커뮤니티에 참여해 보세요. 솔루션 페이지에서 자율주행 자동차와 헬스케어 분야의 AI 애플리케이션을 살펴보세요. 🚀