객체 탐지를 위해 Ultralytics YOLO11을 사용하는 방법

컴퓨터 비전은 기계가 시각적 정보를 해석하고 이해하여 객체 감지와 같은 필수적인 작업을 수행할 수 있도록 지원하는 인공지능(AI)의 한 분야입니다. 이미지 분류와 달리, 객체 감지는 이미지에 어떤 객체가 있는지를 식별할 뿐만 아니라 그 정확한 위치까지 정확히 찾아냅니다. 이로 인해 자율주행차를 위한 비전 AI 애플리케이션, 실시간 보안 시스템, 그리고 창고 자동화 분야에서 핵심적인 도구가 됩니다.

시간이 지남에 따라 객체 감지 기술은 더욱 발전하고 사용하기 쉬워졌습니다. Ultralytics의 연례 하이브리드 이벤트인 YOLO Vision 2024 (YV24)에서 Ultralytics YOLO11 모델의 출시와 함께 주요한 도약이 발표되었습니다. YOLO11은 YOLOv8과 동일한 작업을 지원하면서 정확도와 성능을 향상시켜, 이전 모델 사용자도 원활하게 전환할 수 있도록 합니다.

그림 1. 객체 탐지를 위해 Ultralytics YOLO11 모델을 사용하는 예시.

본 문서에서는 객체 감지의 개념과 다른 컴퓨터 비전 작업과의 차이점을 살펴보고, 실제 활용 사례를 알아봅니다. 또한 Ultralytics Python 패키지와 Ultralytics HUB 플랫폼을 사용하여 YOLO11 모델을 활용하는 방법을 안내해 드리겠습니다. 시작하겠습니다!

객체 탐지란 무엇입니까?#

객체 감지는 이미지 내의 객체를 식별하는 것 이상의 역할을 수행하는 컴퓨터 비전의 핵심 작업입니다. 특정 객체의 존재 여부만을 판별하는 이미지 분류와 달리, 객체 감지는 바운딩 박스를 사용하여 여러 객체를 인식하고 그 정확한 위치를 찾아냅니다.

예를 들어, 단체 사진에서 얼굴을 식별하고 위치를 파악하거나, 번잡한 거리의 자동차, 매장 진열대의 제품을 감지할 수 있습니다. 객체 인식과 위치 파악을 결합함으로써 감시, 군중 모니터링, 자동화된 재고 관리 등의 애플리케이션에 특히 유용합니다.

그림 2. Ultralytics YOLO11을 사용한 얼굴 탐지.

시맨틱 분할이나 인스턴스 분할 같은 다른 작업과 객체 감지를 구별 짓는 요소는 초점과 효율성입니다.

시맨틱 분할은 이미지의 모든 픽셀에 레이블을 지정하지만 동일한 유형의 개별 객체(예: 사진 속 모든 얼굴이 "face"로 그룹화됨)를 구분하지는 않습니다. 인스턴스 분할은 한 단계 더 나아가 각 객체를 분리하고, 동일한 클래스의 객체라 할지라도 정확한 형태를 외곽선으로 표시합니다.

반면 객체 감지는 객체의 위치를 표시하면서 식별하고 분류하는 보다 간소화된 접근 방식을 제공합니다. 이로 인해 보안 영상에서 얼굴을 감지하거나 자율주행차의 장애물을 식별하는 등의 실시간 작업에 이상적입니다.

Ultralytics YOLO11 및 객체 탐지의 응용 분야#

Ultralytics YOLO11의 고급 객체 검출 기능은 다양한 산업 분야에서 유용하게 활용됩니다. 몇 가지 예를 살펴보겠습니다.

리테일 분석을 위한 Ultralytics YOLO11 사용법#

Ultralytics YOLO11과 객체 검출은 재고 관리 및 선반 모니터링을 더욱 효율적이고 정확하게 만들어 리테일 분석을 재정의하고 있습니다. 모델이 신뢰성 있게 객체를 빠르게 검출하는 기능은 리테일 기업이 재고 수준을 추적하고, 선반을 정리하며, 재고 조사 실수를 줄이는 데 도움을 줍니다.

예를 들어, YOLO11은 매장 진열대의 선글라스와 같은 특정 품목을 감지할 수 있습니다. 그렇다면 소매업체가 진열대를 모니터링하려는 이유는 무엇일까요? 진열대에 상품이 잘 채워져 있고 정돈되어 있는지는 고객이 필요한 물품을 찾을 수 있도록 보장하는 데 필수적이며, 이는 매출에 직접적인 영향을 미칩니다. 진열대를 실시간으로 모니터링함으로써 소매업체는 상품이 부족하거나, 잘못 배치되었거나, 혼잡한 상태를 빠르게 파악하여 쇼핑 경험을 향상시키는 정돈되고 매력적인 진열 상태를 유지할 수 있습니다.

그림 3. 선반의 제품을 탐지하기 위해 Ultralytics YOLO11을 사용하는 예시.

스마트 시티 애플리케이션에서의 Ultralytics YOLO11#

번잡한 도시는 효율적으로 기능하기 위해 원활한 교통 흐름과 안전한 거리에 의존하며, Ultralytics YOLO11은 이를 실현하는 데 도움을 줄 수 있습니다. 실제로 많은 스마트 시티 애플리케이션을 YOLO11과 통합할 수 있습니다.

흥미로운 사례 중 하나는 객체 검출을 사용하여 주행 중인 차량의 번호판을 식별하는 것입니다. 이를 통해 Ultralytics YOLO11은 더 빠른 통행료 징수, 향상된 교통 관리, 그리고 신속한 규제 집행을 지원할 수 있습니다.

그림 4. 객체 검출과 Ultralytics YOLO11을 사용한 번호판 검출.

도로를 모니터링하는 비전 AI 시스템의 통찰력은 당국에 교통 위반이나 정체가 더 큰 문제로 번지기 전에 경고할 수 있습니다. 또한 YOLO11은 보행자와 자전거 이용자를 감지할 수 있어 모든 사람에게 더 안전하고 효율적인 도로를 만듭니다.

실제로 Ultralytics YOLO11의 시각 데이터 처리 능력은 도시 인프라를 개선하는 강력한 도구로 만듭니다. 예를 들어, 차량 및 보행자의 이동을 분석하여 신호등 타이밍을 최적화하는 데 도움을 줄 수 있습니다. 또한 어린이들을 감지하고 운전자에게 속도를 줄이도록 경고함으로써 스쿨 존의 안전을 강화할 수 있습니다. YOLO11을 통해 도시는 과제에 선제적으로 대응하고 모든 사람을 위해 더 효율적인 환경을 조성할 수 있습니다.

Ultralytics YOLO11을 이용한 실시간 비디오 검출: 접근성 향상#

실시간 객체 검출은 시스템이 라이브 비디오 피드에서 객체가 나타나는 대로 이를 식별하고 분류하는 능력을 말합니다. Ultralytics YOLO11은 뛰어난 실시간 성능을 발휘하도록 설계되었으며 이 기능을 지원하는 데 탁월합니다. 그 응용 분야는 단순히 프로세스를 간소화하는 것을 넘어, 더욱 포용적이고 접근성 있는 세상을 만드는 데 기여할 수 있습니다.

예를 들어, YOLO11은 실시간으로 객체를 식별하여 시각 장애인이 주변 환경을 탐색할 수 있도록 지원할 수 있습니다. 감지된 결과를 바탕으로 오디오 설명을 제공함으로써 사용자가 더 큰 독립성을 가지고 주변을 탐색할 수 있도록 돕습니다.

장애가 있는 사람이 식료품을 쇼핑하는 상황을 생각해 보십시오. 올바른 물건을 고르는 것은 어려울 수 있지만, Ultralytics YOLO11이 도움을 줄 수 있습니다. 카트에 물건을 담을 때, YOLO11과 통합된 시스템을 사용하여 바나나, 아보카도, 우유 팩과 같은 각 항목을 식별하고 실시간 오디오 설명을 제공할 수 있습니다. 이를 통해 선택을 확인하고 필요한 모든 것을 챙겼는지 확인할 수 있습니다. 일상적인 물품을 인식함으로써 YOLO11은 쇼핑을 더 단순하게 만들어 줍니다.

그림 5. 객체 탐지는 시각 장애인을 위해 세상을 더 접근하기 쉽게 만드는 데 도움을 줄 수 있습니다.

Ultralytics YOLO11을 이용한 객체 검출 단계별 가이드#

이제 객체 탐지의 기본 개념과 다양한 응용 분야를 살펴보았으니, 객체 탐지와 같은 작업을 위해 Ultralytics YOLO11 모델을 시작하는 방법을 알아보겠습니다.

YOLO11을 사용하는 방법은 Ultralytics Python 패키지를 통하거나 Ultralytics HUB를 이용하는 두 가지 간단한 방법이 있습니다. Python 패키지부터 시작하여 두 가지 방법을 모두 살펴보겠습니다.

Ultralytics YOLO11을 사용한 추론 실행#

추론(Inferencing)은 AI 모델이 학습 중에 배운 내용을 바탕으로 새롭고 본 적 없는 데이터를 분석하여 예측을 수행하거나, 정보를 분류하거나, 인사이트를 제공하는 과정입니다. 객체 감지와 관련하여 이는 이미지나 비디오 내에서 특정 객체를 식별 및 위치 파악하고, 그 주위에 바운딩 박스를 그리며, 모델의 학습을 기반으로 라벨을 지정하는 것을 의미합니다.

YOLO11 객체 감지 모델을 사용하여 추론을 수행하려면, 먼저 pip, conda 또는 Docker를 통해 Ultralytics Python 패키지를 설치해야 합니다. 설치 중 문제가 발생하는 경우 문제 해결 가이드를 참조하여 해결을 위한 팁과 요령을 확인하세요. 설치가 완료되면 다음 코드를 사용하여 YOLO11 객체 감지 모델을 로드하고 이미지에 대한 예측을 수행할 수 있습니다.

그림 6. YOLO11n을 사용하여 이미지에 추론을 실행하는 모습.

커스텀 Ultralytics YOLO11 모델 학습#

Ultralytics YOLO11은 특정 사용 사례에 더 잘 맞추기 위해 custom training도 지원합니다. 모델을 파인튜닝하여 프로젝트와 관련된 객체를 감지하도록 맞춤화할 수 있습니다. 예를 들어 의료 분야에서 컴퓨터 비전 사용 시, 커스텀 학습된 YOLO11 모델을 사용하여 MRI 스캔의 종양이나 X선의 골절과 같은 의료 이미지의 특정 이상 징후를 감지함으로써 의사가 더 빠르고 정확한 진단을 내릴 수 있도록 도울 수 있습니다.

아래의 코드 스니펫은 객체 검출을 위해 Ultralytics YOLO11 모델을 로드하고 학습하는 방법을 보여줍니다. YAML 설정 파일이나 사전 학습된 모델에서 시작하여, 가중치를 전송하고 COCO와 같은 데이터셋으로 학습하여 더욱 정교한 객체 검출 기능을 구현할 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 훈련한 후에는 다양한 환경에 배포할 수 있도록 여러 형식으로 내보낼 수도 있습니다.

Ultralytics HUB에서의 YOLO11 객체 탐지#

코딩이 필요 없는 대안을 찾는 분들을 위해, Ultralytics HUB는 YOLO11을 포함한 YOLO 모델을 학습하고 배포하기 위한 사용하기 쉬운 비전 AI 플랫폼을 제공합니다.

이미지에서 객체 검출을 실행하려면 계정을 만들고 'Models' 섹션으로 이동하여 Ultralytics YOLO11 객체 검출 모델 변형을 선택하세요. 이미지를 업로드하면 플랫폼의 미리보기 섹션에서 검출된 객체가 표시됩니다.

그림 7. Ultralytics HUB에서 추론을 실행하는 모습.

Python 패키지의 유연성과 HUB의 편리함을 결합하여, Ultralytics YOLO11은 개발자와 기업 모두가 고급 객체 검출 기술의 강력한 성능을 쉽게 활용할 수 있도록 합니다.

핵심 요약#

Ultralytics YOLO11은 높은 정확도와 다재다능함을 결합하여 다양한 산업의 요구를 충족하며 객체 detection의 새로운 표준을 제시합니다. 리테일 분석 향상부터 스마트 시티 인프라 관리까지, YOLO11은 수많은 애플리케이션에서 실시간으로 신뢰할 수 있는 성능을 발휘하도록 구축되었습니다.

사용자 지정 훈련 옵션과 Ultralytics HUB를 통한 사용하기 쉬운 인터페이스를 갖춘 YOLO11을 사용하면 워크플로우 통합이 그 어느 때보다 간단해졌습니다. 컴퓨터 비전을 탐구하는 개발자든 AI를 통해 혁신을 꾀하는 기업이든, YOLO11은 성공에 필요한 도구를 제공합니다.

자세한 내용을 알아보려면 GitHub 저장소를 확인하고 커뮤니티에 참여해 보세요. 당사의 솔루션 페이지에서 자율주행차 및 농업용 컴퓨터 비전의 AI 애플리케이션을 살펴보세요. 🚀