객체 감지에 Ultralytics YOLO11을 사용하는 방법

컴퓨터 비전은 기계가 시각 정보를 해석하고 이해하여 객체 감지와 같은 필수 작업을 수행하도록 지원하는 인공지능(AI) 분야입니다. 이미지 분류와 달리 객체 감지는 이미지에 어떤 객체가 있는지 식별할 뿐만 아니라 정확한 위치도 특정합니다. 따라서 자율주행차와 같은 비전 AI 애플리케이션, 실시간 보안 시스템, 창고 자동화에 필수적인 도구로 활용됩니다.

시간이 지나면서 객체 감지 기술은 더욱 발전하고 사용하기 쉬워졌습니다. Ultralytics의 연례 하이브리드 행사인 YOLO Vision 2024 (YV24)에서 Ultralytics YOLO11 모델이 출시되며 중요한 발전이 발표되었습니다. YOLO11은 YOLOv8과 동일한 작업을 지원하면서 정확도와 성능을 향상해, 이전 모델 사용자가 원활하게 전환할 수 있도록 합니다.

그림 1. 객체 감지에 Ultralytics YOLO11 모델을 사용하는 예시입니다.

이 문서에서는 객체 감지가 무엇인지, 다른 컴퓨터 비전 작업과 어떻게 다른지 살펴보고 실제 애플리케이션을 알아봅니다. 또한 Ultralytics Python 패키지와 Ultralytics HUB 플랫폼에서 YOLO11 모델을 사용하는 방법을 안내합니다. 지금 시작하겠습니다!

객체 감지란 무엇인가요?#

객체 감지는 이미지 속 객체를 단순히 식별하는 것을 넘어서는 컴퓨터 비전의 핵심 작업입니다. 특정 객체의 존재 여부만 판단하는 이미지 분류와 달리, 객체 감지는 여러 객체를 인식하고 바운딩 박스를 사용해 정확한 위치를 특정합니다.

예를 들어 단체 사진에서 얼굴을 식별하고 위치를 찾거나, 혼잡한 도로의 자동차 또는 매장 선반의 제품을 식별할 수 있습니다. 객체 인식과 위치 추정을 결합하므로 감시, 군중 모니터링, 자동 재고 관리와 같은 애플리케이션에 특히 유용합니다.

그림 2. 얼굴 감지에 Ultralytics YOLO11을 사용하는 모습입니다.

객체 감지가 시맨틱 또는 인스턴스 세그멘테이션과 같은 다른 작업과 차별화되는 요소는 그 초점과 효율성입니다.

시맨틱 세그멘테이션은 이미지의 모든 픽셀에 라벨을 지정하지만 동일한 유형의 개별 객체를 구분하지는 않습니다(예: 사진 속 모든 얼굴이 "face"로 그룹화됩니다). 인스턴스 세그멘테이션은 한 단계 더 나아가 각 객체를 분리하고 동일한 클래스에 속한 객체라도 정확한 형태의 윤곽을 표시합니다.

반면 객체 감지는 객체를 식별하고 분류하면서 위치를 표시하는 더욱 간소화된 접근 방식을 제공합니다. 따라서 보안 영상에서 얼굴을 감지하거나 자율주행 차량의 장애물을 식별하는 등 실시간 작업에 적합합니다.

Ultralytics YOLO11 및 객체 감지의 애플리케이션#

Ultralytics YOLO11의 고급 객체 감지 기능은 다양한 산업 분야에서 유용합니다. 몇 가지 예를 살펴보겠습니다.

소매 분석에 Ultralytics YOLO11 사용#

Ultralytics YOLO11과 객체 감지는 재고 관리와 선반 모니터링을 더욱 효율적이고 정확하게 만들어 소매 분석을 혁신하고 있습니다. 객체를 빠르고 안정적으로 감지하는 모델의 기능은 소매업체가 재고 수준을 추적하고 선반을 정리하며 재고 수량 집계 오류를 줄이는 데 도움을 줍니다.

예를 들어 YOLO11은 매장 선반 위의 선글라스와 같은 특정 품목을 감지할 수 있습니다. 그렇다면 소매업체는 왜 선반을 모니터링하려 할까요? 고객이 필요한 상품을 찾을 수 있도록 선반을 충분히 채우고 정리하는 것은 매출에 직접적인 영향을 미치므로 매우 중요합니다. 선반을 실시간으로 모니터링하면 상품이 부족하거나 잘못 배치되었거나 지나치게 많이 쌓인 상황을 신속하게 파악할 수 있어, 쇼핑 경험을 향상하는 정돈되고 매력적인 진열을 유지하는 데 도움이 됩니다.

그림 3. 선반 위 제품 감지에 Ultralytics YOLO11을 사용하는 예시입니다.

스마트 시티 애플리케이션에서의 Ultralytics YOLO11#

활기찬 도시가 효율적으로 기능하려면 원활한 교통 흐름과 안전한 도로가 필요하며, Ultralytics YOLO11은 이를 실현하는 데 도움을 줄 수 있습니다. 실제로 다양한 스마트 시티 애플리케이션을 YOLO11과 통합할 수 있습니다.

흥미로운 사례 중 하나는 객체 감지를 사용해 이동 중인 차량의 번호판을 식별하는 것입니다. 이를 통해 Ultralytics YOLO11은 더욱 신속한 통행료 징수, 향상된 교통 관리, 더욱 빠른 규정 집행을 지원할 수 있습니다.

그림 4. 객체 감지와 Ultralytics YOLO11을 사용해 번호판을 감지하는 모습입니다.

도로를 모니터링하는 비전 AI 시스템에서 얻은 인사이트는 교통 위반이나 혼잡이 더 큰 문제로 확대되기 전에 당국에 알릴 수 있습니다. YOLO11은 보행자와 자전거 이용자도 감지하여 모두에게 더 안전하고 효율적인 도로를 만드는 데 기여할 수 있습니다.

실제로 Ultralytics YOLO11은 시각 데이터를 처리하는 능력을 바탕으로 도시 인프라를 개선하는 강력한 도구입니다. 예를 들어 차량과 보행자의 움직임을 분석하여 신호등 작동 시간을 최적화하는 데 도움을 줄 수 있습니다. 또한 어린이를 감지하고 운전자에게 감속을 알림으로써 스쿨존의 안전성을 높일 수 있습니다. YOLO11을 활용하면 도시는 문제에 선제적으로 대응하고 모두를 위해 더욱 효율적인 환경을 조성할 수 있습니다.

Ultralytics YOLO11을 활용한 실시간 비디오 감지: 접근성 향상#

실시간 객체 감지는 시스템이 라이브 비디오 피드에 나타나는 객체를 식별하고 분류하는 기능을 의미합니다. Ultralytics YOLO11은 뛰어난 실시간 성능을 제공하도록 설계되었으며 이러한 기능을 효과적으로 지원합니다. 애플리케이션은 단순히 프로세스를 간소화하는 데 그치지 않고 더욱 포용적이고 접근성 높은 세상을 만드는 데도 도움을 줄 수 있습니다.

예를 들어 YOLO11은 시각 장애인이 실시간으로 객체를 식별하도록 지원할 수 있습니다. 감지 결과를 바탕으로 음성 설명을 제공하면 사용자가 주변 환경을 더욱 독립적으로 탐색하는 데 도움이 됩니다.

시각 장애가 있는 사람이 식료품을 구매하는 상황을 생각해 보겠습니다. 올바른 상품을 고르는 일은 어려울 수 있지만 Ultralytics YOLO11이 도움을 줄 수 있습니다. 상품을 카트에 담을 때 YOLO11과 통합된 시스템을 사용해 바나나, 아보카도 또는 우유 한 팩과 같은 각 상품을 식별하고 실시간 음성 설명을 제공할 수 있습니다. 이를 통해 사용자는 선택한 상품을 확인하고 필요한 모든 것을 구매했는지 점검할 수 있습니다. YOLO11은 일상적인 상품을 인식하여 쇼핑을 더욱 간편하게 만들 수 있습니다.

그림 5. 객체 감지는 시각 장애인의 세상에 대한 접근성을 높이는 데 도움을 줄 수 있습니다.

Ultralytics YOLO11을 활용한 객체 감지 단계별 가이드#

이제 객체 감지의 기본 개념과 다양한 애플리케이션을 살펴보았으므로, 객체 감지와 같은 작업에 Ultralytics YOLO11 모델을 사용하는 방법을 알아보겠습니다.

YOLO11을 사용하는 간단한 방법은 두 가지입니다. Ultralytics Python 패키지를 사용하거나 Ultralytics HUB를 사용하는 것입니다. 먼저 Python 패키지를 사용하는 방법부터 두 가지 방법을 모두 살펴보겠습니다.

Ultralytics YOLO11을 사용한 추론 실행#

추론은 AI 모델이 새롭고 학습에 사용되지 않은 데이터를 분석하여 예측을 수행하고, 정보를 분류하거나 학습 중 습득한 내용을 바탕으로 인사이트를 제공하는 과정입니다. 객체 감지에서 이는 이미지 또는 비디오 내의 특정 객체를 식별하고 위치를 찾은 뒤, 해당 객체 주위에 바운딩 박스를 그리고 모델의 학습 결과에 따라 라벨을 지정하는 것을 의미합니다.

YOLO11 객체 감지 모델로 추론하려면 먼저 pip, conda 또는 Docker를 통해 Ultralytics Python 패키지를 설치해야 합니다. 설치 문제가 발생하면 문제 해결에 도움이 되는 팁과 방법을 제공하는 문제 해결 가이드를 확인하세요. 설치가 완료되면 다음 코드를 사용해 YOLO11 객체 감지 모델을 로드하고 이미지에 대해 예측을 수행할 수 있습니다.

그림 6. YOLO11n을 사용해 이미지에 대한 추론을 실행하는 모습입니다.

사용자 지정 Ultralytics YOLO11 모델 학습#

Ultralytics YOLO11은 특정 사용 사례에 더 적합하도록 사용자 지정 학습도 지원합니다. 모델을 파인튜닝하면 프로젝트와 관련된 객체를 감지하도록 모델을 조정할 수 있습니다. 예를 들어 헬스케어에서 컴퓨터 비전 사용 시 사용자 지정 학습된 YOLO11 모델을 사용해 MRI 스캔의 종양이나 X선의 골절과 같은 의료 이미지의 특정 이상을 감지하여 의사가 더 빠르고 정확하게 진단하도록 지원할 수 있습니다.

아래 코드 스니펫은 객체 감지를 위해 Ultralytics YOLO11 모델을 로드하고 학습하는 방법을 보여줍니다. YAML 구성 파일 또는 사전 학습된 모델에서 시작해 가중치를 전이하고, 더욱 정교한 객체 감지 기능을 위해 COCO와 같은 데이터셋으로 학습할 수 있습니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

모델을 학습한 후에는 다양한 환경에 배포할 수 있도록 학습된 모델을 여러 형식으로 내보낼 수도 있습니다.

Ultralytics HUB에서의 YOLO11 객체 감지#

코드 없이 사용할 수 있는 대안을 찾는 경우 Ultralytics HUB는 YOLO11을 포함한 YOLO 모델을 학습하고 배포할 수 있는 사용하기 쉬운 비전 AI 플랫폼을 제공합니다.

이미지에서 객체 감지를 실행하려면 계정을 만들고 ‘Models’ 섹션으로 이동한 다음 Ultralytics YOLO11 객체 감지 모델 변형을 선택하면 됩니다. 이미지를 업로드하면 플랫폼이 미리보기 섹션에 감지된 객체를 표시합니다.

그림 7. Ultralytics HUB에서 추론을 실행하는 모습입니다.

Python 패키지의 유연성과 HUB의 편의성을 결합한 Ultralytics YOLO11을 사용하면 개발자와 기업 모두가 고급 객체 감지 기술의 강력한 기능을 쉽게 활용할 수 있습니다.

핵심 요점#

Ultralytics YOLO11은 높은 정확도와 다용도성을 결합하여 다양한 산업의 요구를 충족하는 객체 감지의 새로운 기준을 제시합니다. 소매 분석 개선부터 스마트 시티 인프라 관리까지, YOLO11은 수많은 애플리케이션에서 실시간으로 안정적인 성능을 제공하도록 설계되었습니다.

사용자 지정 학습 옵션과 Ultralytics HUB를 통한 사용하기 쉬운 인터페이스를 활용하면 워크플로에 YOLO11을 그 어느 때보다 간편하게 통합할 수 있습니다. 컴퓨터 비전을 탐구하는 개발자든 AI를 활용해 혁신하려는 기업이든, YOLO11은 성공에 필요한 도구를 제공합니다.

자세한 내용은 GitHub 리포지토리를 확인하고 커뮤니티에 참여해 보세요. 솔루션 페이지에서 자율주행차와 농업을 위한 컴퓨터 비전의 AI 애플리케이션을 살펴보세요. 🚀