객체 탐지를 위해 Ultralytics YOLO11을 사용하는 방법

컴퓨터 비전은 기계가 시각적 정보를 해석하고 이해하도록 도와 객체 탐지와 같은 필수적인 작업을 수행할 수 있게 하는 인공지능(AI) 분야입니다. 이미지 분류와 달리, 객체 탐지는 이미지에 어떤 객체가 있는지 식별할 뿐만 아니라 그 정확한 위치까지 찾아냅니다. 이로 인해 자율주행 자동차를 위한 비전 AI 애플리케이션, 실시간 보안 시스템, 창고 자동화와 같은 분야에서 매우 중요한 도구가 됩니다.

시간이 지남에 따라 객체 탐지 기술은 더욱 발전하고 사용하기 쉬워졌습니다. 주요한 발전 단계는 Ultralytics의 연례 하이브리드 이벤트인 YOLO Vision 2024 (YV24)에서 Ultralytics YOLO11 모델을 출시하며 발표되었습니다. YOLO11은 YOLOv8과 동일한 작업을 지원하면서 정확도와 성능을 개선하여, 이전 모델 사용자들도 원활하게 전환할 수 있도록 했습니다.

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

이 글에서는 객체 탐지가 무엇인지, 다른 컴퓨터 비전 작업과 어떻게 다른지, 그리고 실제 사례에는 어떤 것이 있는지 살펴봅니다. 또한 Ultralytics Python 패키지와 Ultralytics HUB 플랫폼을 사용하여 YOLO11 모델을 사용하는 방법을 안내해 드립니다. 그럼 시작해 보겠습니다!

Link to this section객체 탐지란 무엇입니까?#

객체 탐지는 이미지 내의 객체를 식별하는 것 이상의 기능을 수행하는 컴퓨터 비전의 핵심 작업입니다. 특정 객체의 존재 여부만을 판단하는 이미지 분류와 달리, 객체 탐지는 여러 객체를 인식하고 BBox(bounding box)를 사용하여 정확한 위치를 찾아냅니다.

예를 들어, 단체 사진에서 얼굴을 식별하고 위치를 찾거나, 혼잡한 거리의 자동차, 상점 선반의 제품 등을 찾아낼 수 있습니다. 객체 인식과 위치 파악을 결합하면 감시, 군중 모니터링, 자동화된 재고 관리와 같은 애플리케이션에 특히 유용합니다.

그림 2. YOLO11을 사용하여 얼굴을 탐지하는 모습.

객체 탐지가 시맨틱 세그멘테이션이나 인스턴스 세그멘테이션과 같은 다른 작업과 차별화되는 점은 그 초점과 효율성에 있습니다.

시맨틱 세그멘테이션은 이미지의 모든 픽셀에 레이블을 지정하지만 같은 유형의 개별 객체를 구분하지는 않습니다(예: 사진 속 모든 얼굴이 "얼굴"로 그룹화됨). 인스턴스 세그멘테이션은 한 단계 더 나아가 각 객체를 분리하고, 같은 클래스의 객체라 하더라도 정확한 모양을 윤곽선으로 표시합니다.

반면 객체 탐지는 객체의 위치를 표시하면서 식별 및 분류를 수행하여 보다 간소화된 접근 방식을 제공합니다. 이는 보안 영상에서 얼굴을 탐지하거나 자율주행 자동차의 장애물을 식별하는 것과 같은 실시간 작업에 이상적입니다.

Link to this sectionYOLO11과 객체 탐지의 애플리케이션#

YOLO11의 고급 객체 탐지 기능은 많은 산업 분야에서 유용합니다. 몇 가지 예를 살펴보겠습니다.

Link to this section소매 분석을 위한 YOLO11 활용#

YOLO11과 객체 탐지는 재고 관리 및 선반 모니터링을 더 효율적이고 정확하게 만듦으로써 소매 분석을 재정의하고 있습니다. 빠르고 안정적으로 객체를 탐지하는 이 모델의 능력은 소매업체가 재고 수준을 추적하고, 선반을 정리하며, 재고 계산 시 실수를 줄이도록 돕습니다.

예를 들어, YOLO11은 상점 선반의 선글라스와 같은 특정 품목을 탐지할 수 있습니다. 하지만 소매업체가 왜 선반을 모니터링해야 할까요? 선반을 가득 채우고 정리된 상태로 유지하는 것은 고객이 필요한 물건을 쉽게 찾을 수 있도록 하는 데 필수적이며, 이는 직접적으로 매출에 영향을 미칩니다. 실시간으로 선반을 모니터링함으로써 소매업체는 품목이 부족하거나, 잘못 배치되었거나, 너무 많이 쌓인 경우를 빠르게 파악하여 쇼핑 경험을 향상시키는 정돈된 디스플레이를 유지할 수 있습니다.

그림 3. 선반 위의 제품 탐지를 위해 YOLO11을 사용하는 예시.

Link to this section스마트 시티 애플리케이션에서의 YOLO11#

번화한 도시는 효율적인 운영을 위해 원활한 교통 흐름과 안전한 거리에 의존하며, YOLO11은 이를 실현하는 데 도움을 줄 수 있습니다. 사실, 많은 스마트 시티 애플리케이션이 YOLO11과 통합될 수 있습니다.

흥미로운 사례 중 하나는 객체 탐지를 사용하여 이동 중인 차량의 번호판을 식별하는 것입니다. 이를 통해 YOLO11은 더 빠른 통행료 징수, 더 나은 교통 관리, 그리고 더 신속한 법규 집행을 지원할 수 있습니다.

그림 4. 객체 탐지와 YOLO11을 사용하여 번호판을 탐지하는 모습.

도로를 모니터링하는 비전 AI 시스템의 통찰력은 교통 위반이나 정체가 더 큰 문제로 확대되기 전에 당국에 경고를 보낼 수 있습니다. YOLO11은 보행자와 자전거 이용자도 탐지하여 모두를 위한 안전하고 효율적인 거리를 만드는 데 기여할 수 있습니다.

사실, YOLO11의 시각적 데이터 처리 능력은 도시 인프라 개선을 위한 강력한 도구가 됩니다. 예를 들어, 차량과 보행자의 이동을 분석하여 신호등 타이밍을 최적화하는 데 도움을 줄 수 있습니다. 또한 어린이들을 탐지하고 운전자에게 속도를 줄이도록 경고함으로써 학교 구역의 안전을 강화할 수 있습니다. YOLO11을 통해 도시는 도전에 적극적으로 대응하고 모두를 위한 더 효율적인 환경을 조성할 수 있습니다.

Link to this sectionYOLO11을 이용한 실시간 영상 탐지: 접근성 향상#

실시간 객체 탐지는 시스템이 라이브 영상 피드에 나타나는 객체를 실시간으로 식별하고 분류하는 능력을 의미합니다. YOLO11은 뛰어난 실시간 성능을 위해 설계되었으며 이 기능을 지원하는 데 탁월합니다. 그 애플리케이션은 단순히 프로세스를 간소화하는 것을 넘어, 더 포용적이고 접근성이 뛰어난 세상을 만드는 데 기여할 수 있습니다.

예를 들어, YOLO11은 시각 장애인이 실시간으로 객체를 식별할 수 있도록 지원할 수 있습니다. 탐지 결과를 바탕으로 오디오 설명을 제공하여 사용자가 더 큰 독립성을 가지고 주변 환경을 이동할 수 있도록 돕습니다.

식료품을 쇼핑하는 시각 장애인을 고려해 보십시오. 올바른 물건을 고르는 것은 어려울 수 있지만 YOLO11이 도움을 줄 수 있습니다. 사용자가 카트에 물건을 담을 때, YOLO11과 통합된 시스템을 사용하여 바나나, 아보카도, 우유 팩과 같은 각 품목을 식별하고 실시간으로 오디오 설명을 제공할 수 있습니다. 이를 통해 사용자는 선택을 확인하고 필요한 모든 것을 갖추었는지 확신할 수 있습니다. 일상적인 물품을 인식함으로써 YOLO11은 쇼핑을 더 단순하게 만들 수 있습니다.

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

Link to this sectionYOLO11을 이용한 객체 탐지 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.

Link to this sectionYOLO11을 사용한 추론(Inference) 실행#

추론(Inferencing)은 AI 모델이 훈련 중에 학습한 내용을 바탕으로 새로운 데이터를 분석하여 예측을 하거나, 정보를 분류하거나, 통찰력을 제공하는 과정을 말합니다. 객체 탐지와 관련하여 이는 이미지나 영상 내에서 특정 객체를 식별하고 위치를 파악하며, 그 주위에 BBox를 그리고 모델의 훈련에 따라 레이블을 지정하는 것을 의미합니다.

YOLO11 객체 탐지 모델을 사용하여 추론하려면, 먼저 pip, conda 또는 Docker를 통해 Ultralytics Python 패키지를 설치해야 합니다. 설치 중 문제가 발생하면 문제 해결 가이드에서 해결을 위한 팁과 요령을 확인하십시오. 일단 설치가 완료되면 아래 코드를 사용하여 YOLO11 객체 탐지 모델을 로드하고 이미지에 대한 예측을 수행할 수 있습니다.

그림 6. YOLO11n을 사용하여 이미지에 추론을 실행하는 모습.

Link to this section사용자 지정 YOLO11 모델 훈련#

YOLO11은 특정 사용 사례에 더 적합하도록 사용자 지정 훈련도 지원합니다. 모델을 미세 조정(fine-tuning)함으로써 프로젝트와 관련된 객체를 탐지하도록 맞춤 설정할 수 있습니다. 예를 들어, 헬스케어 분야에서 컴퓨터 비전을 사용할 때, 사용자 지정으로 훈련된 YOLO11 모델을 사용하여 MRI 스캔의 종양이나 X-레이의 골절과 같은 의료 영상의 특정 이상 징후를 탐지하여 의사가 더 빠르고 정확하게 진단하도록 도울 수 있습니다.

아래 코드 스니펫은 객체 탐지를 위해 YOLO11 모델을 로드하고 훈련하는 방법을 보여줍니다. YAML 구성 파일 또는 사전 훈련된 모델로 시작하여 가중치를 전이(transfer)하고, 더 정교한 객체 탐지 기능을 위해 COCO와 같은 데이터셋으로 훈련할 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.

Link to this sectionUltralytics HUB에서의 YOLO11 객체 탐지#

노코드(no-code) 대안을 찾는 분들을 위해 Ultralytics HUB는 YOLO11을 포함한 YOLO 모델을 훈련하고 배포하기 위한 사용하기 쉬운 비전 AI 플랫폼을 제공합니다.

이미지에 대한 객체 탐지를 실행하려면, 단순히 계정을 만들고 'Models' 섹션으로 이동하여 YOLO11 객체 탐지 모델 변형을 선택하십시오. 이미지를 업로드하면 플랫폼이 미리보기 섹션에 탐지된 객체를 표시합니다.

그림 7. Ultralytics HUB에서 추론을 실행하는 모습.

Python 패키지의 유연성과 HUB의 편리함을 결합한 YOLO11을 통해 개발자와 기업 모두 고급 객체 탐지 기술의 힘을 쉽게 활용할 수 있습니다.

Link to this section핵심 요약#

YOLO11은 높은 정확도와 범용성을 결합하여 다양한 산업의 요구를 충족하며 객체 탐지의 새로운 표준을 정립했습니다. 소매 분석 강화부터 스마트 시티 인프라 관리에 이르기까지, YOLO11은 수많은 애플리케이션 전반에서 실시간으로 신뢰할 수 있는 성능을 발휘하도록 설계되었습니다.

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.

더 자세히 알아보려면 당사의 GitHub 저장소를 확인하고 커뮤니티와 교류하십시오. 솔루션 페이지에서 자율주행 자동차 및 농업을 위한 컴퓨터 비전 분야의 AI 애플리케이션을 탐색해 보세요. 🚀