OBB 객체 감지를 위해 Ultralytics YOLO11을 사용하는 방법

Ultralytics의 연례 하이브리드 이벤트인 YOLO Vision 2024(YV24)는 AI와 컴퓨터 비전의 최신 혁신에 대해 논의하는 데 중점을 두었습니다. 이 행사는 최신 모델인 Ultralytics YOLO11을 소개할 수 있는 완벽한 기회였습니다. 이 모델은 Ultralytics YOLOv8과 동일한 컴퓨터 비전 작업을 지원하므로 사용자가 새로운 모델로 쉽게 전환할 수 있습니다.

다양한 각도에서 객체를 감지하기 위해 방향성 경계 상자(OBB) 객체 감지에 YOLOv8을 사용한다고 가정해 봅시다. 이제 코드를 약간만 변경하면 정확도 및 효율성 향상부터 처리 속도 향상에 이르기까지 YOLO11로 전환하여 YOLO11의 향상된 기능을 활용할 수 있습니다. 아직 YOLO11과 같은 모델을 사용해 보지 않으셨다면, OBB 감지는 다양한 산업 분야에서 YOLO11이 어떻게 적용되어 실질적인 영향을 미치는 실용적인 솔루션을 제공할 수 있는지 보여주는 좋은 예입니다.

이 글에서는 OBB 객체 감지가 무엇이고, 어디에 적용할 수 있는지, YOLO11을 사용해 OBB를 감지하는 방법을 살펴봅니다. 또한 YOLO11의 새로운 기능으로 이러한 프로세스를 개선하는 방법과 추론을 실행하고 사용자 지정 모델을 훈련하여 OBB 탐지 기능을 최대한 활용하는 방법도 살펴봅니다.

차세대 YOLO11 기능에는 OBB 개체 감지 등의 작업이 포함됩니다.

OBB 객체 감지는 다양한 각도에서 객체를 감지하여 기존의 객체 감지 기능을 한 단계 더 발전시켰습니다. 이미지의 축에 정렬된 상태로 유지되는 일반 바운딩 박스와 달리 OBB는 물체의 방향에 맞게 회전합니다. OBB 객체 감지는 객체가 항상 일직선이 아닌 항공 또는 위성 이미지를 분석하는 데 사용할 수 있습니다. 도시 계획, 에너지, 교통과 같은 산업에서 건물, 차량, 인프라처럼 각진 물체를 정확하게 감지하는 능력은 컴퓨터 비전 애플리케이션의 토대가 되어 실질적인 이점을 제공할 수 있습니다. 

‍

YOLO11은 OBB 감지를 지원하며, 비행기, 선박, 저장 탱크와 같은 물체를 다양한 관점에서 감지하도록 DOTA v1.0 데이터 세트에 대해 학습되었습니다. YOLO11은 다양한 요구사항에 따라 YOLO11n-obb(나노), YOLO11s-obb(소형), YOLO11m-obb(중형), YOLO11l-obb(대형), YOLO11x-obb(초대형) 등 여러 모델로 제공됩니다. 각 모델은 속도, 정확도, 연산 능력에 따라 크기가 다르며, 다양한 수준의 성능을 제공합니다. 사용자는 자신의 애플리케이션에 적합한 속도와 정확도의 균형을 제공하는 모델을 선택할 수 있습니다. 

탐지에 새로운 관점을 도입한 YOLO11 사용 사례

YOLO11의 물체 감지 기능, 특히 방향성 바운딩 박스에 대한 지원은 다양한 산업에 더 높은 정밀도를 제공합니다. 다음에는 실제 상황에서 YOLO11과 OBB 감지를 사용하여 다양한 분야에서 프로세스를 보다 효율적이고 정확하며 쉽게 관리할 수 있는 몇 가지 예를 살펴보겠습니다.

YOLO11을 통한 도시 계획 및 인프라 모니터링

도시의 디자인과 레이아웃에 감탄한 적이 있다면 도시 계획과 인프라 모니터링의 세부적인 작업 덕분입니다. 인프라 모니터링의 여러 측면 중 하나는 저장 탱크, 파이프라인, 산업 현장과 같은 중요한 구조물을 식별하고 관리하는 것입니다. YOLO11은 도시 계획가가 항공 이미지를 분석하여 이러한 중요한 구성 요소를 빠르고 정확하게 감지할 수 있도록 도와줍니다. 

방향성 바운딩 박스 물체 감지는 다양한 각도에서 본 물체를 감지할 수 있기 때문에 특히 유용합니다(항공 이미지에서 흔히 볼 수 있는 경우). 산업 지역을 추적하고 환경 영향을 관리하며 인프라를 적절하게 유지 관리하려면 정밀도가 필수적입니다. OBB는 감지 프로세스의 신뢰성을 높여 계획자가 도시의 성장, 안전 및 지속 가능성에 대해 정보에 입각한 결정을 내릴 수 있도록 지원합니다. YOLO11을 사용하면 계획자가 도시를 원활하게 운영하는 인프라를 모니터링하고 관리하는 데 도움을 줄 수 있습니다.

‍

드론, YOLO11, 엣지 AI로 태양광 패널 검사하기

태양광 발전소와 같은 재생 에너지와 혁신 기술이 대중화됨에 따라 정기적인 점검이 더욱 중요해지고 있습니다. 태양광 패널은 효율적으로 작동하는지 확인하기 위해 점검이 필요합니다. 시간이 지남에 따라 균열, 먼지 쌓임, 정렬 불량 등의 문제로 인해 성능이 저하될 수 있습니다. 정기적인 점검을 통해 이러한 문제를 조기에 발견하면 유지보수를 통해 원활하게 작동하도록 유지할 수 있습니다.

예를 들어, 엣지 AI 및 YOLO11와 통합된 드론을 사용하여 태양광 패널의 손상 여부를 검사할 수 있습니다. 엣지에서 이미지를 분석하면 검사 프로세스의 정확성과 효율성을 높일 수 있습니다. 드론의 움직임과 원근감으로 인해 감시 영상에는 다양한 각도에서 태양광 패널이 포착되는 경우가 많습니다. 이러한 경우 YOLO11의 OBB 감지 기능은 드론이 태양광 패널을 정확하게 식별하는 데 도움이 될 수 있습니다. 

YOLO11은 차량 관리를 위한 인사이트를 제공합니다.

항구와 항구는 매주 수백 척의 선박을 처리하며, 이렇게 많은 선박을 관리하는 것은 쉽지 않은 일입니다. 항공 이미지에서 선박을 분석할 때는 선박이 다양한 각도에서 나타나는 경우가 많기 때문에 어려움이 가중됩니다. 바로 이 부분에서 YOLO11의 OBB 감지 기능이 유용하게 사용됩니다. 

OBB 감지 기능을 사용하면 표준 직사각형 박스보다 다양한 각도에서 선박을 더 정확하게 감지할 수 있습니다. 해운 회사는 OBB와 함께 YOLO11을 사용하면 선박의 위치와 상태를 보다 쉽게 파악하여 선박의 이동 및 공급망 물류와 같은 중요한 세부 정보를 추적할 수 있습니다. 이러한 비전 지원 솔루션은 경로를 최적화하고 지연을 줄이며 운송 경로 전반에 걸쳐 전반적인 차량 관리를 개선하는 데 도움이 됩니다.

‍

AI 개발자를 위한 YOLO11: 방향이 지정된 바운딩 박스 감지

OBB 감지를 위해 YOLO11을 사용하려는 AI 개발자라면, 두 가지 쉬운 옵션으로 시작할 수 있습니다. 코드 작업에 익숙하다면, Ultralytics Python 패키지를 선택하는 것이 좋습니다. 클라우드 교육 기능을 갖춘 사용자 친화적이고 코드가 필요 없는 솔루션을 선호한다면, 이를 위해 설계된 사내 플랫폼인 Ultralytics HUB를 사용하세요. 자세한 내용은 Ultralytics HUB를 사용한 Ultralytics YOLO11 교육 및 배포에 대한 가이드를 참조하세요.

이제 YOLO11의 OBB 지원을 적용할 수 있는 예시를 살펴보았으니, 이제 Ultralytics Python 패키지를 살펴보고 이를 사용하여 추론을 실행하고 사용자 지정 모델을 훈련하는 방법을 알아보겠습니다. 

YOLO11을 사용하여 추론 실행

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

Ultralytics 패키지를 설치한 후에는 YOLO11로 작업하는 것이 매우 간단합니다. 추론 실행은 훈련된 모델을 사용하여 새로운 이미지에 대한 예측을 하는 프로세스(예: OBB가 있는 물체를 실시간으로 감지하는 것)를 말합니다. 모델에 새로운 물체를 인식하거나 특정 작업에서 성능을 개선하도록 모델을 학습시키는 모델 트레이닝과는 다릅니다. 추론은 보이지 않는 데이터에 모델을 적용하려는 경우에 사용됩니다.

아래 예제에서는 모델을 로드하고 이를 사용하여 이미지에서 방향이 지정된 바운딩 박스를 예측하는 방법을 안내합니다. 더 자세한 예제와 고급 사용 팁은 공식 Ultralytics 문서에서 모범 사례와 추가 지침을 확인하세요.

‍

맞춤형 YOLO11 모델 교육

YOLO11 모델을 훈련하면 방향이 지정된 바운딩 박스 개체 감지와 같은 특정 데이터 세트 및 작업에서 성능을 미세 조정할 수 있습니다. 일반적인 객체 감지에는 YOLO11과 같은 사전 학습된 모델을 사용할 수 있지만, 고유한 객체를 감지하거나 특정 데이터 세트에서 성능을 최적화하기 위해 모델이 필요한 경우 사용자 지정 모델을 학습하는 것이 필수적입니다.

아래 코드 스니펫에서는 OBB 감지를 위해 YOLO11 모델을 훈련하는 단계를 다룹니다. 

먼저, 사전 학습된 YOLO11 OBB 전용 가중치(yolo11n-obb.pt)를 사용하여 모델을 초기화합니다. 그런 다음 훈련 함수를 사용하여 데이터 세트 구성 파일, 훈련 주기 수, 훈련 이미지 크기, 훈련을 실행할 하드웨어 (예: CPU 또는 GPU)와 같은 매개 변수를 사용하여 사용자 지정 데이터 세트에서 모델을 훈련합니다. 학습 후에는 모델의 성능을 검증하여 정확도 및 손실과 같은 메트릭을 확인합니다. 

학습된 모델을 사용하여 새 이미지에 대해 추론을 실행하여 OBB가 있는 개체를 감지하고 시각화할 수 있습니다. 또한 학습된 모델은 내보내기 기능을 사용하여 배포를 위해 ONNX와 같은 형식으로 변환할 수 있습니다.

‍

YOLO11 AI의 발전 방향

Ultralytics YOLO11은 방향성 바운딩 박스를 지원하여 물체 감지를 한 차원 더 발전시켰습니다. 다양한 각도에서 물체를 감지할 수 있기 때문에 YOLO11은 여러 산업 분야에서 다양한 애플리케이션에 사용할 수 있습니다. 예를 들어 태양광 패널 검사나 차량 모니터링과 같은 작업에서 정밀도가 중요한 도시 계획, 에너지, 운송과 같은 산업에 적합합니다. 더 빠른 성능과 향상된 정확도를 갖춘 YOLO11은 AI 개발자가 현실의 문제를 해결하는 데 도움을 줄 수 있습니다. 

AI가 일상 생활에 더욱 널리 채택되고 통합됨에 따라 YOLO11과 같은 모델이 AI 솔루션의 미래를 형성할 것입니다.

Vision AI의 잠재력에 대해 알아보려면 성장하는 커뮤니티에 가입하고 GitHub 리포지토리를 살펴보세요. 유니티는 의료부터 자율 주행 자동차까지 다양한 분야를 재창조하며 혁신을 주도하고 있습니다.