OBB 객체 탐지를 위해 Ultralytics YOLO11을 사용하는 방법

Ultralytics의 연례 하이브리드 이벤트인 YOLO Vision 2024 (YV24)는 AI 및 컴퓨터 비전 분야의 최신 혁신에 대해 논의하는 데 초점을 맞추었습니다. 이번 행사는 최신 모델인 Ultralytics YOLO11을 소개하기 위한 완벽한 자리였습니다. 이 모델은 Ultralytics YOLOv8과 동일한 컴퓨터 비전 태스크를 지원하므로 사용자가 새로운 모델로 손쉽게 전환할 수 있습니다.

다양한 각도에서 객체를 감지하기 위해 지향성 바운딩 박스(OBB) 객체 감지에 YOLOv8을 사용하고 있었다고 가정해 보겠습니다. 이제 코드의 몇 가지 사소한 변경만으로 YOLO11로 전환할 수 있으며, 향상된 정확도와 효율성부터 처리 속도에 이르기까지 YOLO11의 개선 사항을 활용할 수 있습니다. 아직 YOLO11 같은 모델을 사용해 보지 않았다면, OBB 감지는 YOLO11이 적용될 수 있는 방법을 보여주는 좋은 예시로서 다양한 산업 분야에서 실질적인 영향을 미치는 실용적인 솔루션을 제공합니다.

본 글에서는 OBB 객체 검란이 무엇인지, 어디에 적용될 수 있는지, 그리고 Ultralytics YOLO11을 사용하여 OBB를 검출하는 방법에 대해 살펴보겠습니다. 또한 YOLO11의 새로운 기능이 이러한 프로세스를 어떻게 개선할 수 있는지, 그리고 OBB 검출 성능을 극대화하기 위해 추론을 실행하고 커스텀 모델을 학습하는 방법에 대해서도 단계별로 알아보겠습니다.

차세대 Ultralytics YOLO11 기능에는 OBB 객체 검출 같은 태스크가 포함됩니다.#

OBB 객체 감지는 다양한 각도에서 객체를 감지함으로써 기존 객체 감지를 한 차원 더 발전시킵니다. 이미지의 축에 정렬된 상태로 유지되는 일반적인 바운딩 박스와 달리, OBB는 객체의 방향에 맞게 회전합니다. OBB 객체 감지는 객체가 항상 반듯하지 않은 항공 또는 위성 이미지를 분석하는 데 사용할 수 있습니다. 도시 계획, 에너지, 교통 등의 산업에서는 건물, 차량 또는 인프라와 같이 각진 객체를 정확하게 감지하는 능력이 가시적인 이점을 제공하는 컴퓨터 비전 애플리케이션의 기반을 형성할 수 있습니다.

그림 1. 일반 바운딩 박스와 지향성 바운딩 박스 비교.

YOLO11은 OBB 감지를 지원하며, DOTA v1.0 데이터셋으로 학습되어 다양한 원근에서 비행기, 선박, 저장 탱크 등의 객체를 감지합니다. YOLO11은 다양한 요구 사항에 맞추기 위해 여러 모델 변형 버전으로 제공되며, 여기에는 YOLO11n-obb(Nano), YOLO11s-obb(Small), YOLO11m-obb(Medium), YOLO11l-obb(Large), YOLO11x-obb(Extra Large)가 포함됩니다. 각 모델은 다양한 크기를 제공하며 속도, 정확도, 연산 능력의 수준이 다릅니다. 사용자는 자신의 애플리케이션에 속도와 정확도의 올바른 균형을 제공하는 모델을 선택할 수 있습니다.

검출에 새로운 각도를 제시하는 Ultralytics YOLO11 사용 사례#

Ultralytics YOLO11의 객체 검출 기능, 특히 회전된 바오닝 박스(oriented bounding box)에 대한 지원은 다양한 산업 분야에 더욱 향상된 정밀도를 제공합니다. 다음으로, 다양한 분야에서 프로세스를 더욱 효율적이고 정확하며 관리하기 쉽게 만들기 위해 실제 상황에서 YOLO11과 OBB 검출이 어떻게 사용될 수 있는지 몇 가지 사례를 살펴보겠습니다.

Ultralytics YOLO11을 활용한 도시 계획 및 인프라 모니터링#

도시의 디자인과 레이아웃에 감탄한 적이 있다면, 이는 도시 계획 및 인프라 모니터링의 세심한 작업 덕분입니다. 인프라 모니터링의 여러 측면 중 하나는 저장 탱크, 파이프라인, 산업 현장과 같은 중요한 구조물을 식별하고 관리하는 것입니다. Ultralytics YOLO11은 도시 계획가가 항공 이미지를 분석하여 이러한 핵심 요소를 빠르고 정확하게 검출할 수 있도록 지원합니다.

지향성 바운딩 박스(OBB) 객체 검출은 다양한 각도에서 촬영된 객체(항공 이미지에서 흔히 발생함)를 검출할 수 있게 해주기 때문에 이 과정에서 특히 유용합니다. 산업 단지 추적, 환경 영향 관리, 인프라의 적절한 유지보수를 보장하기 위해서는 정밀도가 매우 중요합니다. OBB는 검출 과정을 더욱 신뢰할 수 있게 만들어 주어, 계획가들이 도시의 성장, 안전, 지속가능성에 대해 정보에 입각한 결정을 내릴 수 있도록 돕습니다. Ultralytics YOLO11을 사용하면 계획가가 도시를 원활하게 운영하는 인프라를 모니터링하고 관리하는 데 도움을 받을 수 있습니다.

그림 2. 항공 영상에서 저장 탱크를 검출하기 위해 Ultralytics YOLO11 사용하기.

드론, Ultralytics YOLO11, 그리고 엣지 AI를 활용한 태양광 패널 검사#

재생에너지와 태양광 발전소 같은 혁신이 대중화됨에 따라 정기적인 점검의 중요성이 커지고 있습니다. 태양광 패널이 효율적으로 작동하는지 확인하기 위해 점검을 거쳐야 합니다. 시간이 지남에 따라 균열, 먼지 축적 또는 정렬 불량과 같은 요인으로 인해 성능이 저하될 수 있습니다. 정기적인 점검은 이러한 문제를 조기에 발견하여 원활한 운영을 유지하도록 유지보수를 수행하는 데 도움이 됩니다.

에지 AI가 통합된 드론과 Ultralytics YOLO11을 사용하면 예를 들어 태양광 패널의 손상 여부를 검사할 수 있습니다. 에지에서 이미지를 분석하면 검사 프로세스의 정밀도와 효율성이 더욱 높아집니다. 드론의 움직임과 원근감 때문에 감시 영상은 종종 다양한 각도에서 태양광 패널을 포착할 수 있습니다. 이러한 경우 YOLO11의 OBB 검출은 드론이 태양광 패널을 정확하게 식별하는 데 도움을 줍니다.

Ultralytics YOLO11은 함대 및 선단 관리를 위한 인사이트를 제공할 수 있습니다.#

항만과 항구는 매주 수백 척의 선박을 처리하며, 이처럼 대규모 선단을 관리하는 것은 어려울 수 있습니다. 항공 이미지 속 선박을 분석할 때 선박들이 종종 다양한 각도로 나타나기 때문에 추가적인 어려움이 수반됩니다. 바로 이때 Ultralytics YOLO11의 OBB 검출 지원 기능이 유용하게 활용됩니다.

OBB 검출 덕분에 모델은 표준 사각형 박스보다 더 정확하게 다양한 각도의 선박을 검출할 수 있습니다. OBB가 적용된 Ultralytics YOLO11을 사용함으로써 해운 기업은 선단의 위치와 상태를 더욱 쉽게 파악하고, 선단 이동 및 공급망 물류와 같은 중요 세부 사항을 추적할 수 있습니다. 이러한 비전 기반 솔루션은 경로 최적화, 지연 감소, 그리고 해운 경로 전반의 전반적인 선단 관리 개선에 도움을 줍니다.

그림 3. 각도를 가진 선박과 항구를 검출하기 위해 Ultralytics YOLO11 사용하기.

AI 개발자를 위한 Ultralytics YOLO11: 지향성 바운딩 박스 검출하기#

OBB 감지에 YOLO11을 사용하고자 하는 AI 개발자라면 시작하기 위한 두 가지 손쉬운 옵션이 있습니다. 코드로 작업하는 것이 편하다면 Ultralytics Python 패키지가 훌륭한 선택입니다. 클라우드 학습 기능을 갖춘 사용자 친화적인 노코드 솔루션을 선호한다면, Ultralytics HUB가 바로 그러한 용도로 설계된 자체 플랫폼입니다. 자세한 내용은 Ultralytics HUB를 사용한 Ultralytics YOLO11 학습 및 배포 가이드를 참조하세요.

YOLO11의 OBB 지원이 적용될 수 있는 사례들을 살펴보았으므로, 이제 Ultralytics Python 패키지를 살펴보고 이를 사용하여 추론을 실행하고 커스텀 모델을 학습하는 방법을 알아보겠습니다.

Ultralytics YOLO11을 사용한 추론 실행#

먼저 Python에서 YOLO11을 사용하려면 Ultralytics 패키지를 설치해야 합니다. 선호도에 따라 pip, conda 또는 Docker를 사용하여 설치를 선택할 수 있습니다. 단계별 지침은 Ultralytics 설치 가이드를 참조하세요. 설치 중에 문제가 발생하는 경우, 일반적인 문제 가이드에서 유용한 문제 해결 팁을 제공합니다.

Ultralytics 패키지를 설치하고 나면 YOLO11 작업이 매우 간단해집니다. 추론 실행이란 실시간으로 OBB를 통해 객체를 감지하는 등 학습된 모델을 사용하여 새 이미지에 대한 예측을 수행하는 프로세스를 말합니다. 이는 모델에게 새로운 객체를 인식시키거나 특정 태스크에서의 성능을 향상시키는 모델 학습과는 다릅니다. 추론은 모델을 본 적 없는 데이터에 적용하고자 할 때 사용됩니다.

아래 예시는 모델을 로드하고 이를 사용하여 이미지에서 지향성 바운딩 박스를 예측하는 방법을 안내합니다. 더 자세한 예시와 고급 사용 팁을 원하시면 모범 사례와 추가 지침을 위해 공식 Ultralytics 문서를 꼭 확인하세요.

그림 4. Ultralytics YOLO11을 사용하여 추론을 실행하는 것을 보여주는 코드 스니펫.

커스텀 Ultralytics YOLO11 모델 학습#

Ultralytics YOLO11 모델을 학습한다는 것은 회전된 바오닝 박스 객체 검출과 같은 특정 데이터셋 및 작업에 맞춰 성능을 미세 조정할 수 있음을 의미합니다. YOLO11과 같은 사전 학습된 모델은 일반적인 객체 검출에 사용할 수 있지만, 모델이 고유한 객체를 검출하거나 특정 데이터셋에서 성능을 최적화해야 할 때는 커스텀 모델 학습이 필수적입니다.

아래의 코드 스니펫에서는 OBB 검출을 위해 Ultralytics YOLO11 모델을 학습시키는 단계를 다룹니다.

먼저, 사전 학습된 YOLO11 OBB 전용 가중치(yolo11n-obb.pt)를 사용하여 모델을 초기화합니다. 그 후, 데이터셋 구성 파일, 학습 주기 횟수, 학습 이미지 크기, 학습을 실행할 하드웨어(예: CPU 또는 GPU) 등의 파라미터를 사용하여 커스텀 데이터셋에서 모델을 학습하는 데 학습 함수가 사용됩니다. 학습 후에는 정확도 및 손실과 같은 지표를 확인하기 위해 모델 성능이 검증됩니다.

학습된 모델을 사용하여 새 이미지에 대해 추론을 실행함으로써 OBB로 객체를 감지하고 시각화할 수 있습니다. 또한, 학습된 모델은 내보내기 기능을 사용하여 배포를 위해 ONNX 같은 형식으로 변환할 수 있습니다.

그림 5. OBB 객체 검출을 위해 Ultralytics YOLO11을 학습시키는 예시.

Ultralytics YOLO11 AI 발전의 향후 방향#

Ultralytics YOLO11은 회전된 경계 상자 지원을 통해 객체 탐지를 한 단계 더 끌어올렸습니다. 다양한 각도에서 객체를 탐지할 수 있게 됨으로써 YOLO11은 다양한 산업 전반에서 여러 애플리케이션에 사용될 수 있습니다. 예를 들어, 태양광 패널 검사나 선단 모니터링과 같은 태스크에 정밀도가 매우 중요한 도시 계획, 에너지, 해운과 같은 산업에 완벽하게 적합합니다. 더 빠른 성능과 향상된 정확도를 통해 YOLO11은 AI 개발자가 실제 당면한 문제를 해결하도록 도울 수 있습니다.

AI가 더욱 널리 채택되고 일상생활에 통합됨에 따라, Ultralytics YOLO11 같은 모델이 AI 솔루션의 미래를 형성할 것입니다.

비전 AI의 잠재력에 대해 알아보려면, 성장하는 커뮤니티에 참여하고 GitHub 저장소를 살펴보세요. 우리는 헬스케어에서 자율주행차에 이르기까지 분야를 혁신함으로써 혁신을 주도하고 있습니다.