OBB 객체 탐지에 Ultralytics YOLO11을 사용하는 방법

Ultralytics의 연례 하이브리드 이벤트인 YOLO Vision 2024(YV24)는 AI 및 컴퓨터 비전의 최신 혁신을 논의하는 데 초점을 맞췄습니다. 이 행사는 최신 모델인 Ultralytics YOLO11을 소개하기에 완벽한 기회였습니다. 이 모델은 Ultralytics YOLOv8과 동일한 컴퓨터 비전 작업을 지원하므로 사용자가 새 모델로 손쉽게 전환할 수 있습니다.

다양한 각도에서 객체를 검출하기 위해 YOLOv8을 사용하여 방향성 바운딩 박스(OBB) 객체 검출을 수행하고 있다고 가정해 보겠습니다. 이제 코드에 몇 가지 사소한 변경만 적용하여 YOLO11로 전환하고, 정확도와 효율성 향상부터 처리 속도 개선에 이르는 YOLO11의 향상된 기능을 활용할 수 있습니다. 아직 YOLO11과 같은 모델을 사용해 보지 않았다면, OBB 검출은 다양한 산업 분야에 YOLO11을 적용하는 방법을 보여 주는 훌륭한 예이며, 실질적인 효과를 제공하는 실용적인 솔루션을 구현할 수 있습니다.

이 글에서는 OBB 객체 검출이 무엇인지, 어디에 적용할 수 있는지, 그리고 Ultralytics YOLO11을 사용하여 OBB를 검출하는 방법을 살펴봅니다. 또한 YOLO11의 새로운 기능이 이러한 프로세스를 어떻게 개선할 수 있는지, 그리고 YOLO11의 OBB 검출 기능을 최대한 활용하기 위해 추론을 실행하고 커스텀 모델을 학습하는 방법도 단계별로 알아봅니다.

차세대 Ultralytics YOLO11의 기능에는 OBB 객체 검출과 같은 작업이 포함됩니다#

OBB 객체 검출은 다양한 각도에서 객체를 검출하여 기존 객체 검출을 한 단계 발전시킵니다. 이미지의 축에 맞춰 고정되는 일반 바운딩 박스와 달리 OBB는 객체의 방향에 맞게 회전합니다. OBB 객체 검출은 객체가 항상 똑바로 배치되지 않는 항공 이미지나 위성 이미지를 분석하는 데 사용할 수 있습니다. 도시 계획, 에너지, 교통과 같은 산업 분야에서는 건물, 차량, 인프라와 같이 기울어진 객체를 정확하게 검출하는 기능이 실질적인 이점을 제공하는 컴퓨터 비전 애플리케이션의 기반이 될 수 있습니다.

그림 1. 일반 바운딩 박스와 방향성 바운딩 박스 비교.

YOLO11은 OBB 검출을 지원하며, DOTA v1.0 데이터셋으로 학습되어 비행기, 선박, 저장 탱크와 같은 객체를 다양한 관점에서 검출합니다. 다양한 요구 사항에 맞게 사용할 수 있도록 YOLO11은 여러 모델 변형으로 제공됩니다. 여기에는 YOLO11n-obb(Nano), YOLO11s-obb(Small), YOLO11m-obb(Medium), YOLO11l-obb(Large), YOLO11x-obb(Extra Large)가 포함됩니다. 각 모델은 크기가 다르며 속도, 정확도, 컴퓨팅 성능도 서로 다릅니다. 사용자는 자신의 애플리케이션에 적합한 속도와 정확도의 균형을 제공하는 모델을 선택할 수 있습니다.

검출에 새로운 관점을 더하는 Ultralytics YOLO11의 활용 사례#

Ultralytics YOLO11의 객체 검출 기능, 특히 방향성 바운딩 박스 지원은 다양한 산업 분야에서 더욱 높은 정밀도를 제공합니다. 이제 YOLO11과 OBB 검출을 실제 환경에서 활용하여 여러 분야의 프로세스를 더욱 효율적이고 정확하며 관리하기 쉽게 만드는 몇 가지 사례를 살펴보겠습니다.

Ultralytics YOLO11을 활용한 도시 계획 및 인프라 모니터링#

도시의 설계와 배치에 감탄해 본 적이 있다면, 이는 도시 계획과 인프라 모니터링의 세밀한 작업 덕분입니다. 인프라 모니터링의 여러 측면 중 하나는 저장 탱크, 파이프라인, 산업 현장과 같은 중요 구조물을 식별하고 관리하는 것입니다. Ultralytics YOLO11은 도시 계획 담당자가 항공 이미지를 분석하여 이러한 핵심 요소를 빠르고 정확하게 검출하도록 지원할 수 있습니다.

방향성 바운딩 박스 객체 검출은 다양한 각도에서 보이는 객체를 검출할 수 있게 하므로 이 분야에서 특히 유용합니다. 이는 항공 이미지에서 흔히 발생하는 상황입니다. 산업 구역을 추적하고 환경 영향을 관리하며 인프라가 적절히 유지 관리되도록 하려면 정밀도가 매우 중요합니다. OBB는 검출 프로세스의 신뢰성을 높여 계획 담당자가 도시의 성장, 안전, 지속 가능성에 대해 정보에 기반한 결정을 내릴 수 있도록 지원합니다. Ultralytics YOLO11을 사용하면 도시가 원활하게 운영되도록 하는 인프라를 모니터링하고 관리할 수 있습니다.

그림 2. 항공 영상에서 저장 탱크를 검출하는 Ultralytics YOLO11.

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

재생 에너지와 태양광 발전소와 같은 혁신 기술이 더욱 널리 보급되면서 정기 검사의 중요성도 커지고 있습니다. 태양광 패널이 효율적으로 작동하는지 확인하려면 점검이 필요합니다. 시간이 지나면서 균열, 먼지 축적, 정렬 불량 등이 패널의 성능을 저하시킬 수 있습니다. 정기 검사를 통해 이러한 문제를 조기에 발견하면 원활한 작동을 유지하기 위한 유지 보수를 수행할 수 있습니다.

예를 들어 엣지 AI가 통합된 드론과 Ultralytics YOLO11을 사용하여 태양광 패널의 손상 여부를 검사할 수 있습니다. 엣지에서 이미지를 분석하면 검사 프로세스의 정밀도와 효율성이 향상됩니다. 드론의 움직임과 시점으로 인해 감시 영상에는 다양한 각도에서 촬영된 태양광 패널이 자주 포착될 수 있습니다. 이러한 경우 YOLO11의 OBB 검출을 통해 드론이 태양광 패널을 정확하게 식별할 수 있습니다.

Ultralytics YOLO11은 차량 및 선박 플릿 관리에 필요한 인사이트를 제공합니다#

항구와 부두에서는 매주 수백 척의 선박을 처리하므로 이러한 대규모 플릿을 관리하는 일은 어려울 수 있습니다. 항공 이미지에서 선박을 분석할 때 선박이 서로 다른 각도로 나타나는 경우가 많아 어려움이 더해집니다. 이러한 상황에서 Ultralytics YOLO11의 OBB 검출 지원이 유용하게 활용됩니다.

OBB 검출을 사용하면 모델이 표준 직사각형 박스보다 다양한 각도의 선박을 더 정확하게 검출할 수 있습니다. 해운 기업은 Ultralytics YOLO11을 OBB와 함께 사용하여 플릿의 위치와 상태를 더욱 쉽게 파악하고, 플릿 이동 및 공급망 물류와 같은 중요 세부 정보를 추적할 수 있습니다. 이러한 비전 기반 솔루션은 항로 전반에서 경로를 최적화하고 지연을 줄이며 전반적인 플릿 관리를 개선하는 데 도움이 됩니다.

그림 3. 기울어진 각도에서 선박과 항구를 검출하는 Ultralytics YOLO11.

AI 개발자를 위한 Ultralytics YOLO11: 방향성 바운딩 박스 검출#

YOLO11을 OBB 검출에 사용하려는 AI 개발자라면 시작할 수 있는 간단한 방법이 두 가지 있습니다. 코드 작업에 익숙하다면 Ultralytics Python 패키지를 사용하는 것이 좋습니다. 클라우드 학습 기능을 갖춘 사용자 친화적인 노코드 솔루션을 선호한다면 Ultralytics HUB가 이에 적합한 사내 플랫폼입니다. 자세한 내용은 Ultralytics HUB를 사용하여 Ultralytics YOLO11을 학습하고 배포하는 방법을 안내하는 가이드를 참조하시기 바랍니다.

지금까지 YOLO11의 OBB 지원을 적용할 수 있는 사례를 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. 원하는 방식에 따라 pip, conda 또는 Docker를 사용하여 설치할 수 있습니다. 단계별 지침은 Ultralytics 설치 가이드를 참조하시기 바랍니다. 설치 중 문제가 발생하면 일반적인 문제 가이드에서 유용한 문제 해결 방법을 확인할 수 있습니다.

Ultralytics 패키지를 설치하고 나면 YOLO11을 매우 간단하게 사용할 수 있습니다. 추론 실행은 학습된 모델을 사용하여 새로운 이미지에 대한 예측을 수행하는 프로세스를 의미하며, 실시간으로 OBB를 사용해 객체를 검출하는 작업이 그 예입니다. 이는 모델에 새로운 객체를 인식하도록 가르치거나 특정 작업의 성능을 개선하는 모델 학습과는 다릅니다. 추론은 모델을 학습 과정에서 보지 못한 데이터에 적용할 때 사용합니다.

아래 예제에서는 모델을 로드하고 이미지에서 방향성 바운딩 박스를 예측하는 방법을 단계별로 안내합니다. 더욱 자세한 예제와 고급 사용 팁은 공식 Ultralytics 문서에서 모범 사례와 추가 지침을 확인하시기 바랍니다.

그림 4. Ultralytics YOLO11을 사용한 추론 실행을 보여 주는 코드 스니펫.

사용자 지정 Ultralytics YOLO11 모델 학습#

Ultralytics YOLO11 모델을 학습하면 방향성 바운딩 박스 객체 검출과 같은 특정 데이터셋 및 작업에 맞게 성능을 미세 조정할 수 있습니다. YOLO11과 같은 사전 학습 모델은 일반적인 객체 검출에 사용할 수 있지만, 고유한 객체를 검출하거나 특정 데이터셋에서 성능을 최적화해야 하는 경우에는 커스텀 모델 학습이 필수적입니다.

아래 코드 스니펫에서는 OBB 검출을 위한 Ultralytics YOLO11 모델 학습 단계를 다룹니다.

먼저 사전 학습된 YOLO11 OBB 전용 가중치(yolo11n-obb.pt)를 사용하여 모델을 초기화합니다. 그런 다음 학습 함수를 사용하여 커스텀 데이터셋으로 모델을 학습하며, 여기에는 데이터셋 구성 파일, 학습 사이클 수, 학습 이미지 크기, 학습을 실행할 하드웨어(예: CPU 또는 GPU)와 같은 파라미터가 포함됩니다. 학습 후에는 모델 성능을 검증하여 정확도와 손실 등의 메트릭을 확인합니다.

학습된 모델을 사용하면 새로운 이미지에서 추론을 실행하여 OBB가 있는 객체를 검출하고 시각화할 수 있습니다. 또한 export 기능을 사용하여 배포에 활용할 수 있도록 학습된 모델을 ONNX와 같은 형식으로 변환할 수 있습니다.

그림 5. OBB 객체 검출을 위한 Ultralytics YOLO11 학습 예제.

Ultralytics YOLO11 AI 발전의 향후 방향#

Ultralytics YOLO11은 방향성 바운딩 박스 지원을 통해 객체 검출을 한 단계 발전시킵니다. 다양한 각도에서 객체를 검출할 수 있는 YOLO11은 여러 산업 분야의 다양한 애플리케이션에 활용할 수 있습니다. 예를 들어 태양광 패널 검사나 플릿 모니터링처럼 정밀도가 중요한 도시 계획, 에너지, 해운과 같은 산업 분야에 적합합니다. 더 빠른 성능과 향상된 정확도를 갖춘 YOLO11은 AI 개발자가 실제 문제를 해결하는 데 도움을 줄 수 있습니다.

AI가 더욱 폭넓게 도입되고 일상생활에 통합됨에 따라 Ultralytics YOLO11과 같은 모델이 AI 솔루션의 미래를 만들어 갈 것입니다.

비전 AI의 잠재력에 대해 알아보려면 성장하고 있는 커뮤니티에 참여하고 GitHub 저장소를 살펴보시기 바랍니다. Ultralytics는 의료부터 자율주행 자동차에 이르는 분야를 혁신하여 발전을 이끌고 있습니다.