OBB 객체 탐지를 위해 Ultralytics YOLO11을 사용하는 방법

Ultralytics의 연례 하이브리드 행사인 YOLO Vision 2024 (YV24)는 AI 및 컴퓨터 비전의 최신 혁신에 대한 논의에 초점을 맞췄습니다. 이 행사는 Ultralytics의 최신 모델인 Ultralytics YOLO11을 소개하는 완벽한 기회였습니다. 이 모델은 Ultralytics YOLOv8과 동일한 컴퓨터 비전 작업을 지원하므로 사용자는 새로운 모델로 쉽게 전환할 수 있습니다.

다양한 각도에서 객체를 감지하기 위해 OBB(Oriented Bounding Boxes) 객체 감지에 YOLOv8을 사용하고 있다고 가정해 보겠습니다. 이제 코드를 약간만 변경하여 YOLO11로 전환하고 정확도 및 효율성 향상부터 처리 속도에 이르기까지 YOLO11의 개선 사항을 활용할 수 있습니다. YOLO11과 같은 모델을 아직 사용하지 않은 경우 OBB 감지는 YOLO11이 다양한 산업 분야에서 어떻게 적용될 수 있는지 보여주는 훌륭한 예이며, 실제적인 영향을 미치는 실용적인 솔루션을 제공합니다.

본 문서에서는 OBB 객체 감지가 무엇인지, 어디에 적용할 수 있는지, YOLO11을 사용하여 OBB를 감지하는 방법에 대해 살펴보겠습니다. 또한 YOLO11의 새로운 기능이 이러한 프로세스를 어떻게 개선하는지, 그리고 추론을 실행하고 사용자 정의 모델을 훈련하여 OBB 감지 기능을 최대한 활용하는 방법에 대해서도 살펴보겠습니다.

차세대 YOLO11 기능에는 OBB 객체 감지와 같은 작업이 포함됩니다.

OBB 객체 감지는 다양한 각도에서 객체를 감지하여 기존 객체 감지를 한 단계 더 발전시킵니다. 이미지 축에 맞춰 정렬된 일반 경계 상자와 달리 OBB는 객체의 방향에 맞게 회전합니다. OBB 객체 감지는 객체가 항상 똑바르지 않은 항공 또는 위성 이미지를 분석하는 데 사용할 수 있습니다. 도시 계획, 에너지 및 운송과 같은 산업에서 건물, 차량 또는 인프라와 같이 각진 객체를 정확하게 감지하는 기능은 실질적인 이점을 제공하는 컴퓨터 비전 애플리케이션의 기반을 형성할 수 있습니다. 

‍

YOLO11은 OBB(Oriented Bounding Box) 탐지를 지원하며, 다양한 관점에서 비행기, 선박, 저장 탱크와 같은 객체를 탐지하기 위해 DOTA v1.0 데이터 세트로 훈련되었습니다. YOLO11은 다양한 모델 변형으로 제공되며, YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) 및 YOLO11x-obb (Extra Large)가 있습니다. 각 모델은 크기가 다르며 속도, 정확도 및 컴퓨팅 성능 수준이 다양합니다. 사용자는 자신의 애플리케이션에 적합한 속도와 정확도의 균형을 제공하는 모델을 선택할 수 있습니다. 

탐지에 새로운 관점을 제시하는 YOLO11 활용 사례

YOLO11의 객체 탐지 기능, 특히 OBB(Oriented Bounding Box) 지원은 다양한 산업 분야에 더 큰 정밀도를 제공합니다. 다음으로 YOLO11과 OBB 탐지를 실제 상황에서 사용하여 다양한 분야에서 프로세스를 보다 효율적이고 정확하며 관리하기 쉽게 만드는 방법에 대한 몇 가지 예를 살펴보겠습니다.

YOLO11을 이용한 도시 계획 및 인프라 모니터링

도시의 디자인과 레이아웃에 감탄한 적이 있다면 이는 도시 계획 및 인프라 모니터링의 세부적인 작업 덕분입니다. 인프라 모니터링의 여러 측면 중 하나는 저장 탱크, 파이프라인 및 산업 현장과 같은 중요한 구조물을 식별하고 관리하는 것입니다. YOLO11은 도시 계획가가 항공 이미지를 분석하여 이러한 중요한 구성 요소를 빠르고 정확하게 감지하는 데 도움이 될 수 있습니다. 

경사 바운딩 박스 객체 감지는 다양한 각도에서 본 객체를 감지할 수 있기 때문에 특히 유용합니다(항공 이미지의 경우 종종 해당됨). 산업 구역을 추적하고, 환경 영향을 관리하고, 인프라가 적절하게 유지 관리되도록 하려면 정확성이 중요합니다. OBB는 감지 프로세스를 더욱 안정적으로 만들어 계획 담당자가 도시 성장, 안전 및 지속 가능성에 대한 정보에 입각한 결정을 내리는 데 도움이 됩니다. YOLO11을 사용하면 계획 담당자가 도시를 원활하게 운영하는 데 필요한 인프라를 모니터링하고 관리하는 데 도움이 될 수 있습니다.

‍

드론, YOLO11 및 엣지 AI를 사용한 태양광 패널 검사

재생 에너지와 태양광 발전소와 같은 혁신이 더욱 보편화됨에 따라 정기적인 검사가 더욱 중요해지고 있습니다. 태양광 패널이 효율적으로 작동하는지 확인하기 위해 점검해야 합니다. 시간이 지남에 따라 균열, 먼지 축적 또는 정렬 불량과 같은 요소로 인해 성능이 저하될 수 있습니다. 정기적인 검사를 통해 이러한 문제를 조기에 발견하여 유지 관리를 수행하여 원활하게 작동하도록 할 수 있습니다.

예를 들어, 태양광 패널은 에지 AI와 통합된 드론 및 YOLO11을 사용하여 손상 여부를 검사할 수 있습니다. 에지에서 이미지를 분석하면 검사 프로세스의 정확성과 효율성이 향상됩니다. 드론의 움직임과 시야로 인해 감시 영상은 종종 다양한 각도에서 태양광 패널을 캡처할 수 있습니다. 이러한 경우 YOLO11의 OBB 감지는 드론이 태양광 패널을 정확하게 식별하는 데 도움이 될 수 있습니다. 

YOLO11은 차량 관리(fleet management)에 대한 통찰력을 제공할 수 있습니다.

항구는 매주 수백 척의 선박을 처리하며, 그렇게 큰 함대를 관리하는 것은 어려울 수 있습니다. 항공 이미지에서 선박을 분석할 때 어려움이 더해집니다. 선박이 종종 다른 각도로 나타나기 때문입니다. 이것이 바로 YOLO11의 OBB 탐지 지원이 유용한 이유입니다. 

OBB 감지를 통해 모델은 표준 직사각형 상자보다 다양한 각도에서 선박을 더 정확하게 감지할 수 있습니다. OBB와 함께 YOLO11을 사용하면 해운 회사는 선박의 위치와 상태를 보다 쉽게 식별하여 선박 이동 및 공급망 물류와 같은 중요한 세부 정보를 추적할 수 있습니다. 이러한 비전 지원 솔루션은 항로 전반에서 경로를 최적화하고 지연을 줄이며 전반적인 선단 관리를 개선하는 데 도움이 됩니다.

‍

AI 개발자를 위한 YOLO11: 경계 상자 방향 감지

OBB 감지를 위해 YOLO11을 사용하려는 AI 개발자라면 시작하기 쉬운 두 가지 옵션이 있습니다. 코드 작업에 익숙하다면 Ultralytics Python 패키지가 좋은 선택입니다. 클라우드 훈련 기능이 있는 사용자 친화적인 노코드 솔루션을 선호한다면 Ultralytics HUB가 바로 그러한 용도로 설계된 사내 플랫폼입니다. 자세한 내용은 Ultralytics HUB를 사용하여 Ultralytics YOLO11 훈련 및 배포에 대한 가이드를 참조하십시오.

이제 YOLO11의 OBB 지원이 적용될 수 있는 사례를 살펴보았으니, Ultralytics Python 패키지를 통해 추론을 실행하고 사용자 정의 모델을 훈련하는 방법을 알아보겠습니다. 

YOLO11을 사용하여 추론 실행

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

Ultralytics 패키지를 설치하고 나면 YOLO11을 사용하는 것은 매우 간단합니다. 추론을 실행한다는 것은 훈련된 모델을 사용하여 새로운 이미지에 대한 예측을 수행하는 과정을 의미하며, 실시간으로 OBB를 사용하여 객체를 감지하는 것과 같습니다. 이는 새로운 객체를 인식하도록 모델을 가르치거나 특정 작업에서 성능을 향상시키는 모델 훈련과는 다릅니다. 추론은 모델을 보이지 않는 데이터에 적용하려는 경우에 사용됩니다.

아래 예제는 모델을 로드하고 이를 사용하여 이미지에서 방향이 지정된 경계 상자를 예측하는 방법을 안내합니다. 더 자세한 예제와 고급 사용 팁은 공식 Ultralytics 문서에서 모범 사례와 추가 지침을 확인하십시오.

‍

맞춤형 YOLO11 모델 훈련

YOLO11 모델 훈련은 특정 데이터 세트 및 작업(예: 경계 상자 객체 탐지)에서 성능을 미세 조정할 수 있음을 의미합니다. YOLO11과 같은 사전 훈련된 모델을 일반적인 객체 탐지에 사용할 수 있지만, 모델이 고유한 객체를 탐지하거나 특정 데이터 세트에서 성능을 최적화해야 하는 경우 맞춤형 모델 훈련이 필수적입니다.

아래 코드 스니펫에서는 OBB 탐지를 위한 YOLO11 모델 학습 단계를 다룹니다. 

먼저, 사전 훈련된 YOLO11 OBB 전용 가중치(yolo11n-obb.pt)를 사용하여 모델을 초기화합니다. 다음으로, 데이터세트 구성 파일, 훈련 주기 수, 훈련 이미지 크기, 훈련 실행 하드웨어(예: CPU 또는 GPU)와 같은 파라미터를 사용하여 사용자 지정 데이터세트에서 모델을 훈련하는 훈련 함수가 사용됩니다. 훈련 후에는 정확도 및 손실과 같은 지표를 확인하기 위해 모델 성능을 검증합니다. 

훈련된 모델을 사용하여 새로운 이미지에 대한 추론을 실행하여 OBB로 객체를 감지하고 시각화할 수 있습니다. 또한 훈련된 모델은 내보내기 기능을 사용하여 배포를 위해 ONNX와 같은 형식으로 변환할 수 있습니다.

‍

YOLO11 AI 발전을 위한 길

Ultralytics YOLO11은 경계 상자 방향을 지원하여 객체 감지 수준을 한 단계 끌어올립니다. 다양한 각도에서 객체를 감지할 수 있으므로 YOLO11은 여러 산업 분야에서 다양한 애플리케이션에 활용될 수 있습니다. 예를 들어, 태양광 패널 검사나 차량 관리와 같이 정밀성이 중요한 도시 계획, 에너지 및 운송 산업에 적합합니다. YOLO11은 더 빠른 성능과 향상된 정확도로 AI 개발자가 실제 문제를 해결하는 데 도움을 줄 수 있습니다. 

AI가 널리 채택되어 우리 일상 생활에 통합됨에 따라 YOLO11과 같은 모델은 AI 솔루션의 미래를 형성할 것입니다.

Vision AI의 잠재력에 대해 알아보려면 성장하는 커뮤니티에 가입하고 GitHub 리포지토리를 탐색하십시오. 의료에서 자율 주행 자동차에 이르기까지 여러 분야를 재창조하여 혁신을 주도하고 있습니다.