이미지 분류에 Ultralytics YOLO11을 사용하는 방법

로봇이 검은 고양이와 흰 고양이 두 마리를 보고 어느 쪽이 어느 고양이인지 알아내야 한다고 가정해 보겠습니다. 이를 위해 이미지 속 객체나 장면을 식별하고 분류하는 컴퓨터 비전 작업인 이미지 분류를 사용할 수 있습니다. 실제로 인공지능(AI)의 최근 발전 덕분에 이미지 분류는 동물 모니터링부터 제조, 작물 질병 감지를 포함한 농업까지 다양한 애플리케이션에 활용될 수 있습니다.

이미지 분류의 주목할 만한 발전 중 하나는 Ultralytics YOLO11 모델입니다. Ultralytics 연례 하이브리드 행사인 YOLO Vision 2024 (YV24)에서 공개된 YOLO11은 이미지 분류를 비롯한 다양한 비전 AI 작업을 쉽고 정밀하게 처리하도록 설계되었습니다. (이후 YOLO11의 후속 모델로, 동일한 작업을 지원하는 Ultralytics YOLO26이 출시되었습니다.)

이 문서에서는 이미지 분류의 기본 원리와 실제 애플리케이션을 살펴보고, Ultralytics Python 패키지를 통해 YOLO11을 이미지 분류에 사용하는 방법을 소개합니다. 또한 몇 가지 간단한 단계를 거쳐 Ultralytics HUB(현재 Ultralytics Platform)에서 YOLO11의 기능을 사용해 보는 방법도 살펴보겠습니다. 시작해 보겠습니다!

그림 1. Ultralytics YOLO11을 사용해 페르시안 고양이를 분류하는 예시.

이미지 분류란 무엇인가요?#

이미지 분류는 이전에 라벨링된 이미지에서 학습한 패턴을 바탕으로 이미지에 라벨이나 태그를 지정하는 방식으로 작동합니다. 컴퓨터 비전 모델은 이미지의 픽셀을 세심하게 분석해 가장 적합한 이미지를 찾을 수 있습니다. Ultralytics YOLO11과 같은 신뢰할 수 있는 모델은 이 과정을 효율적으로 처리합니다. YOLO11의 모델 아키텍처는 이미지나 동영상 프레임을 거의 즉시 처리할 수 있어 빠르고 정확한 이미지 분류가 필요한 애플리케이션에 적합합니다.

이미지 분류의 범위를 제대로 이해하려면 객체 탐지와 같은 다른 작업과 구별하는 것이 좋습니다. 이미지 분류는 이미지 전체에 레이블을 지정하는 반면, 객체 탐지는 이미지 안의 각 객체를 식별하고 위치를 찾습니다.

그림 2. 이미지 분류, 객체 탐지, 이미지 분할 비교.

기린 이미지의 예를 생각해 보겠습니다. 이미지 분류에서는 모델이 전체 내용을 바탕으로 이미지 전체에 단순히 기린이라는 라벨을 지정할 수 있습니다. 그러나 객체 감지에서는 기린을 식별하는 데 그치지 않고 기린 주위에 바운딩 박스를 그려 이미지 속 정확한 위치도 표시합니다.

이제 다른 동물들과 함께 사바나의 나무 근처에 서 있는 기린을 상상해 보세요. 이미지 분류 모델은 장면 전체에 사바나 또는 야생 동물이라는 레이블을 지정할 수 있습니다. 하지만 객체 탐지에서는 기린, 나무, 다른 동물 등 각 요소를 개별적으로 식별하고 각각에 바운딩 박스를 표시합니다.

Ultralytics YOLO11 이미지 분류 애플리케이션#

이미지 분류를 위한 Ultralytics YOLO11 모델의 정확도와 성능은 다양한 산업에서 유용하게 활용할 수 있도록 합니다. 이미지 분류 분야에서 YOLO11의 주요 애플리케이션을 살펴보겠습니다.

농업 분야의 Ultralytics YOLO11 이미지 분류#

이미지 분류는 농업 및 농업 산업의 여러 기능을 간소화하는 데 도움이 됩니다. 특히 YOLO11과 같은 이미지 분류 모델을 사용하면 농부가 작물의 건강 상태를 지속적으로 모니터링하고 심각한 질병과 해충 발생을 높은 정확도로 감지할 수 있습니다.

작동 방식은 다음과 같습니다.

• 이미지 캡처: 카메라와 드론 같은 사물 인터넷(IoT) 장치를 배치해 들판의 여러 위치와 각도에서 작물 이미지를 실시간으로 촬영할 수 있습니다.
• 처리: 사용 가능한 리소스와 연결 상태에 따라 이미지는 엣지 컴퓨팅을 통해 현장에서 처리하거나, 더 심층적인 분석을 위해 클라우드에 업로드할 수 있습니다.
• YOLO11을 사용한 이미지 분류: YOLO11 모델은 이러한 이미지를 분석하여 다양한 작물 상태를 분류할 수 있습니다. 일반적인 클래스에는 건강한 작물, 병든 작물, 해충 피해 작물, 영양 결핍 작물이 포함되며, 이를 통해 밭의 여러 구역에 영향을 미치는 구체적인 문제를 파악할 수 있습니다.
• 인사이트 생성: 분류 결과를 바탕으로 Ultralytics YOLO11은 작물 건강 지표에 관한 인사이트를 제공하여 농부가 질병의 초기 징후를 감지하고, 해충이 집중된 구역을 파악하거나, 영양 결핍을 발견하도록 지원합니다.
• 정보에 기반한 의사 결정: 이러한 인사이트를 바탕으로 농부는 관개, 시비, 해충 방제에 관한 구체적인 결정을 내리고, 가장 필요한 곳에만 자원을 투입할 수 있습니다.

그림 3. 건강한 잎부터 감염된 잎까지 다양한 클래스를 보여주는 예시.

소매업 분야의 Ultralytics YOLO11 이미지 분류#

이미지 분류는 소매 쇼핑 경험을 크게 개선하여 더욱 개인화되고 사용자 친화적인 서비스를 제공할 수 있습니다. 소매업체는 맞춤 학습된 컴퓨터 비전 모델을 사용해 재고 상품을 인식하고, 이 기능을 모바일 앱이나 웹사이트에 통합할 수 있습니다. 그러면 고객은 사진을 업로드하는 것만으로 상품을 검색할 수 있어 쇼핑이 더 빠르고 편리해집니다.

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

먼저 객체 감지를 사용해 이미지의 주요 항목을 찾아낼 수 있습니다. 예를 들어 의류나 가구를 식별하고 배경과 분리할 수 있습니다. 다음으로 이미지 분류를 사용해 각 항목을 더욱 세분화하여 재킷, 셔츠, 소파, 탁자 중 무엇인지 인식할 수 있습니다.

이 정보를 바탕으로 시스템은 구매할 수 있는 유사 상품을 찾아 표시할 수 있습니다. 이는 말로만 설명하기 어려운 독특하거나 유행하는 상품을 찾는 데 특히 유용합니다. 동일한 기술은 상품을 자동으로 인식하고 분류하여 재고 관리와 같은 다른 소매 업무를 간소화하는 데도 도움이 됩니다.

그림 4. 이미지 분류 기반 시각 검색 플랫폼의 작동 모습.

Ultralytics YOLO11 이미지 분류를 활용한 야생 동물 모니터링#

전통적으로 야생 동물을 모니터링하는 작업은 많은 사람이 수천 장의 사진을 수동으로 분류하고 분석해야 하는 번거로운 일이었습니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 사용하면 연구자는 동물을 더 빠르게 자동 모니터링할 수 있습니다. 자연 서식지에 카메라를 설치해 사진을 촬영할 수 있습니다. 그런 다음 비전 AI 모델을 사용해 이 사진을 분석하고 사진에 동물이 있는 경우 동물을 분류할 수 있습니다. 이러한 시스템은 연구자가 동물 개체군과 이동 패턴을 연구하고 추적하는 데 도움이 됩니다.

AI와 Ultralytics YOLO11과 같은 컴퓨터 비전 모델이 이 분야에 기여할 수 있는 또 다른 방법은 멸종 위기종 분류 절차를 간소화하는 것입니다. 이러한 모델은 동물이 속할 가능성이 있는 종이나 품종 범주를 식별하여 연구자에게 필수 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 연구자가 동물의 활동과 행동을 살펴보고 밀렵이나 서식지 손실과 같은 위협을 시사하는 징후를 파악하는 데 도움이 됩니다.

그림 5. Ultralytics YOLO11이 개가 속할 수 있는 품종을 예측하는 모습.

Ultralytics YOLO11 모델로 이미지 분류 체험하기#

이미지 분류가 무엇인지 살펴보고 몇 가지 적용 사례를 알아보았으니, 이제 YOLO11으로 이미지 분류를 시도하는 방법을 살펴보겠습니다. 시작하는 방법은 두 가지로 간단합니다. Ultralytics Python 패키지를 사용하거나 Ultralytics HUB를 이용하면 됩니다. 두 가지 방법을 모두 안내해 드리겠습니다.

Ultralytics YOLO11을 사용한 추론 실행#

Ultralytics Python 패키지를 시작하려면 pip, conda 또는 Docker를 사용해 간단히 설치하면 됩니다. 문제가 발생하면 유용한 문제 해결 팁이 담긴 일반적인 문제 가이드를 확인하세요.

패키지를 설치한 후에는 다음 코드를 사용하여 Ultralytics YOLO11 이미지 분류 모델의 변형을 불러오고 이미지에 대해 추론을 실행할 수 있습니다. 추론 실행이란 학습된 모델을 사용하여 새롭고 학습 과정에서 보지 못한 데이터에 대한 예측을 수행하는 것을 의미합니다. 원하는 이미지로 직접 시도해 보세요!

그림 6. Ultralytics YOLO11 모델을 사용한 추론 실행.

맞춤형 Ultralytics YOLO11 분류 모델 학습#

동일한 Python 패키지를 사용해 맞춤형 Ultralytics YOLO11 분류 모델을 학습할 수도 있습니다. 맞춤 학습을 통해 특정 요구 사항에 맞게 YOLO11 모델을 미세 조정할 수 있습니다. 예를 들어 다양한 고양이 품종을 분류하는 앱을 개발하는 경우, 그 목적에 맞춰 YOLO11 분류기를 맞춤 학습할 수 있습니다.

아래 코드는 Ultralytics YOLO11 이미지 분류 모델을 불러와 학습하는 방법을 보여줍니다. 기존 모델의 지식을 활용해 자체 모델의 성능을 높이는 사전 학습된 가중치 전이를 지원합니다. 잘 알려진 의류 품목(셔츠, 바지, 신발 등)의 흑백 이미지 모음인 "fashion-mnist" 데이터 세트와 같은 데이터 세트를 지정할 수 있습니다. 이 데이터 세트로 모델을 학습하면 모델이 다양한 의류 카테고리를 인식하도록 학습됩니다. "fashion-mnist" 대신 고양이 품종이나 식물 종류 등 프로젝트에 적합한 데이터 세트를 사용할 수 있습니다.

그림 7. 이미지 분류를 위한 Ultralytics YOLO11 모델 맞춤 학습.

Ultralytics HUB에서 YOLO11 사용해 보기#

Ultralytics 패키지는 사용하기 쉽지만 Python에 관한 지식이 어느 정도 필요합니다. 초보자에게 더 적합한 방법을 찾고 있다면 다양한 YOLO 모델의 학습과 배포를 간단하고 쉽게 이용할 수 있도록 설계된 플랫폼인 Ultralytics HUB를 사용할 수 있습니다. 시작하려면 계정을 만들어야 합니다.

로그인한 후 ‘Models’ 섹션으로 이동해 이미지 분류용 Ultralytics YOLO11 모델을 선택합니다. nano, small, medium, large, extra-large 등 다양한 모델 크기를 확인할 수 있습니다. 모델을 선택한 다음 ‘Preview’ 섹션에서 이미지를 업로드하면, 이미지 처리 후 페이지 왼쪽에 예측 결과가 표시됩니다.

그림 8. Ultralytics HUB를 사용한 추론 실행.

핵심 요점#

YOLO11은 강력한 이미지 분류 기능을 제공하여 다양한 산업 분야에 새로운 가능성을 열어 줍니다. 농업의 작물 모니터링을 개선하고 소매업의 상품 검색을 강화하는 데서부터 야생 동물 보호를 지원하는 데 이르기까지, YOLO11은 속도와 정확성을 바탕으로 다양한 응용 분야에 적합합니다. Ultralytics Python 패키지를 통한 맞춤 학습이나 사용하기 쉬운 Ultralytics HUB의 노코드 설정을 활용하면 사용자는 YOLO11을 워크플로에 쉽게 통합할 수 있습니다. 더 많은 산업 분야에서 AI를 도입함에 따라 YOLO11은 이미지 분류를 위한 유연하고 빠른 선택지를 제공합니다.

더 자세히 알아보려면 GitHub 저장소를 방문하고 커뮤니티에 참여해 주세요. 솔루션 페이지에서 자율 주행 자동차와 의료 분야의 AI 응용 사례를 살펴보세요.