포즈 추정을 위해 Ultralytics YOLO11을 사용하는 방법

Research related to computer vision, a branch of artificial intelligence (AI), can be traced back to the 1960s. However, it wasn’t until the 2010s, with the rise of deep learning, that we saw major breakthroughs in how machines understand images. One of the latest advancements in computer vision is the cutting-edge Ultralytics YOLO11 models. The YOLO11 models, first introduced at Ultralytics’ annual hybrid event, YOLO Vision 2024 (YV24), support a range of computer vision tasks, including pose estimation.

Pose estimation can be used to detect key points on a person or object in an image or video to understand their position, posture, or movement. It’s widely used in applications like sports analytics, animal behavior monitoring, and robotics to help machines interpret physical actions in real time. Thanks to its improved accuracy, efficiency, and speed over earlier models in the YOLO (You Only Look Once) series, YOLO11 is well-suited for real-time pose estimation tasks.

그림 1. 포즈 추정을 위해 Ultralytics YOLO11을 사용하는 예시.

In this article, we’ll explore what pose estimation is, discuss some of its applications, and walk through how you can use YOLO11 with the Ultralytics Python package for pose estimation. We’ll also take a look at how you can use Ultralytics HUB to try out YOLO11 and pose estimation in a few simple clicks. Let’s get started!

Link to this section포즈 추정이란 무엇인가요?#

포즈 추정을 위해 새로운 Ultralytics YOLO11 모델을 사용하는 방법을 살펴보기 전에 포즈 추정에 대해 더 자세히 알아보겠습니다.

포즈 추정은 이미지나 비디오에서 사람 또는 객체의 자세를 분석하는 데 사용되는 computer vision 기술입니다. YOLO11과 같은 deep learning 모델은 주어진 객체나 사람의 key points를 식별, 위치 파악 및 추적할 수 있습니다. 객체의 경우 이러한 key points에는 모서리, 가장자리 또는 뚜렷한 표면 표시가 포함될 수 있으며, 사람의 경우 이러한 key points는 팔꿈치, 무릎 또는 어깨와 같은 주요 관절을 나타냅니다.

포즈 추정은 객체 탐지(object detection)와 같은 다른 컴퓨터 비전 작업과 비교했을 때 독특하며 더 복잡합니다. 객체 탐지가 객체 주위에 상자를 그려 이미지 내 위치를 찾는다면, 포즈 추정은 한 단계 더 나아가 객체의 주요 지점 위치를 정확하게 예측합니다.

그림 2. 사무실 내 사람들을 탐지하고 포즈를 추정하기 위해 YOLO11 사용하기.

포즈 추정에는 바텀업(bottom-up)과 탑다운(top-down)이라는 두 가지 주요 방식이 있습니다. 바텀업 방식은 개별 주요 지점을 탐지한 후 이들을 스켈레톤(skeleton) 형태로 그룹화하는 반면, 탑다운 방식은 먼저 객체를 탐지한 다음 그 내부의 주요 지점을 추정하는 데 집중합니다.

YOLO11은 탑다운과 바텀업 방식의 강점을 결합했습니다. 바텀업 방식처럼 주요 지점을 수동으로 그룹화할 필요 없이 간단하고 빠르게 처리합니다. 동시에 탑다운 방식의 정확도를 활용하여 사람을 탐지하고 포즈를 추정하는 과정을 단일 단계에서 수행합니다.

Link to this sectionYOLO11 포즈 추정 활용 사례#

포즈 추정을 위한 YOLO11의 다재다능한 기능은 여러 산업에서 광범위한 응용 가능성을 열어줍니다. YOLO11의 포즈 추정 활용 사례를 좀 더 자세히 살펴보겠습니다.

Link to this sectionYOLO11을 이용한 실시간 포즈 추정: 작업자 안전 향상#

안전은 모든 건설 프로젝트에서 중요한 요소입니다. 통계적으로 건설 현장에서 작업 관련 부상이 더 빈번하게 발생하기 때문에 이는 특히 중요합니다. 2021년에는 전체 작업 관련 사망 사고의 약 20%가 건설 현장이나 그 인근에서 발생했습니다. 중장비 및 전기 시스템과 같은 일상적인 위험 요소들 때문에 작업자를 보호하려면 강력한 안전 조치가 필수적입니다. 표지판 사용, 바리케이드 설치, 감독관의 수동 모니터링과 같은 전통적인 방법은 항상 효과적이지는 않으며, 종종 감독관이 더 중요한 작업에 집중하지 못하게 만듭니다.

AI를 도입하여 안전을 향상시킬 수 있으며, 포즈 추정 기반의 작업자 모니터링 시스템을 사용하여 사고 위험을 줄일 수 있습니다. Ultralytics YOLO11 모델을 사용하면 작업자의 움직임과 자세를 추적할 수 있습니다. 작업자가 위험한 장비에 너무 가까이 서 있거나 작업을 올바르지 않게 수행하는 등의 잠재적인 위험을 신속하게 포착할 수 있습니다. 위험이 감지되면 감독관에게 알리거나 알람을 통해 작업자에게 경고를 보낼 수 있습니다. 지속적인 모니터링 시스템은 항상 위험 요소를 감시하고 작업자를 보호함으로써 건설 현장을 더 안전하게 만들 수 있습니다.

그림 3. YOLO11을 이용한 건설 현장 포즈 추정 예시.

Link to this section가축 모니터링을 위한 YOLO11 포즈 추정#

농부와 연구자는 YOLO11을 활용하여 소와 같은 가축의 행동과 움직임을 연구하고 파행(lameness)과 같은 질병의 초기 징후를 감지할 수 있습니다. 파행은 다리나 발의 통증으로 인해 동물이 제대로 움직이기 어려운 상태를 말합니다. 소의 경우 파행과 같은 질병은 동물의 건강과 복지에 영향을 미칠 뿐만 아니라 낙농장의 생산성 문제로 이어집니다. 연구에 따르면 파행은 글로벌 낙농 업계에서 방목 시스템의 경우 8%, 밀집 사육 시스템의 경우 15%에서 30%의 소에게 영향을 미칩니다. 파행을 조기에 탐지하고 대응하면 동물 복지를 개선하고 이 질환과 관련된 생산 손실을 줄이는 데 도움이 됩니다.

YOLO11의 포즈 추정 기능을 사용하면 농부들이 동물의 보행 패턴을 추적하고 관절 문제나 감염과 같은 건강 문제의 신호가 될 수 있는 이상 징후를 신속하게 식별할 수 있습니다. 이러한 문제를 조기에 발견하면 더 빠른 치료가 가능하여 동물의 불편함을 줄이고 농부들이 경제적 손실을 방지하도록 돕습니다.

비전 AI 기반 모니터링 시스템은 휴식 행동, 사회적 상호작용, 섭식 패턴을 분석하는 데도 도움을 줄 수 있습니다. 또한 농부들은 포즈 추정을 사용하여 스트레스나 공격성의 징후를 관찰할 수 있습니다. 이러한 통찰력을 활용하여 더 나은 동물 생활 환경을 조성하고 복지를 증진할 수 있습니다.

그림 4. 소 포즈 추정 시각화.

Link to this section피트니스 산업에서의 YOLO11 활용 사례#

포즈 추정은 사람들이 운동 중에 실시간으로 자세를 교정하도록 도울 수 있습니다. YOLO11을 사용하면 헬스장 및 요가 강사들이 운동하는 사람들의 신체 움직임을 추적하고, 관절과 사지 같은 주요 지점에 집중하여 자세를 평가할 수 있습니다. 수집된 데이터를 이상적인 자세 및 운동 기술과 비교할 수 있으며, 누군가 동작을 잘못 수행할 경우 강사가 알림을 받아 부상을 예방하는 데 도움을 줄 수 있습니다.

그림 5. 포즈 추정을 사용하여 운동 분석하기.

예를 들어 요가 수업 중에 포즈 추정을 통해 모든 수강생들이 적절한 균형과 정렬을 유지하고 있는지 모니터링할 수 있습니다. 컴퓨터 비전과 포즈 추정이 통합된 모바일 앱은 집에서 운동하거나 개인 트레이너를 접하기 어려운 사람들을 위해 피트니스를 더 접근하기 쉽게 만들 수 있습니다. 이러한 지속적인 실시간 피드백은 사용자가 기술을 개선하고 부상 위험을 줄이면서 피트니스 목표를 달성하도록 돕습니다.

Link to this sectionYOLO11 모델로 실시간 포즈 추정 체험하기#

이제 포즈 추정이 무엇인지와 그 응용 사례들을 살펴보았으니, 새로운 YOLO11 모델을 통해 포즈 추정을 직접 체험하는 방법을 알아보겠습니다. 이를 시작하는 두 가지 편리한 방법이 있습니다. Ultralytics Python 패키지를 사용하는 방법 또는 Ultralytics HUB를 이용하는 방법입니다. 두 가지 옵션을 모두 살펴보겠습니다.

Link to this sectionYOLO11을 사용한 추론(Inference) 실행#

추론(inference)을 실행하는 것은 YOLO11 모델이 학습 데이터 세트 외부의 새로운 데이터를 처리하고, 학습된 패턴을 사용하여 해당 데이터에 기반한 예측을 수행하는 과정입니다. Ultralytics Python 패키지를 사용하여 코드로 추론을 실행할 수 있습니다. 시작하려면 pip, conda 또는 Docker를 사용하여 Ultralytics 패키지를 설치하기만 하면 됩니다. 설치 중에 문제가 발생하면 일반 문제 가이드에서 유용한 문제 해결 팁을 확인할 수 있습니다.

패키지를 성공적으로 설치했다면, 다음 코드는 모델을 로드하고 이미지 내 객체의 포즈를 예측하는 방법을 안내합니다.

그림 6. YOLO11을 사용하여 추론을 실행하는 코드 스니펫.

Link to this section사용자 지정 YOLO11 모델 훈련#

Let's say you are working on a computer vision project and you have a specific dataset for a particular application involving pose estimation. Then you can fine-tune and train a custom YOLO11 model to suit your application. For example, you can use a dataset of keypoints to analyze and understand the pose of a tiger in images by identifying key features such as the position of its limbs, head, and tail.

다음 코드 스니펫을 사용하여 YOLO11 포즈 추정 모델을 로드하고 학습할 수 있습니다. 모델은 YAML 구성에서 빌드하거나, 학습을 위해 사전 학습된 모델을 로드할 수 있습니다. 이 스크립트를 사용하면 가중치를 전송하고 포즈 추정을 위한 COCO 데이터 세트와 같이 지정된 데이터 세트를 사용하여 모델 학습을 시작할 수 있습니다.

그림 7. YOLO11 사용자 정의 학습.

새로 학습된 사용자 정의 모델을 사용하면 컴퓨터 비전 솔루션과 관련된 미지의 이미지에 대해 추론을 실행할 수 있습니다. 학습된 모델은 내보내기 모드(export mode)를 사용하여 다른 형식으로 변환할 수도 있습니다.

Link to this sectionUltralytics HUB에서 YOLO11 체험하기#

지금까지 기본적인 코딩 지식이 필요한 YOLO11 사용 방법을 살펴보았습니다. 만약 다른 방법을 원하거나 코딩에 익숙하지 않다면, 다른 옵션이 있습니다: Ultralytics HUB입니다. Ultralytics HUB는 YOLO 모델의 학습 및 배포 과정을 단순화하도록 설계된 사용자 친화적인 플랫폼입니다. HUB를 사용하면 기술적인 전문 지식 없이도 데이터 세트를 쉽게 관리하고 모델을 학습시키며 배포할 수 있습니다.

이미지에 대한 추론을 실행하려면 계정을 만들고 'Models' 섹션으로 이동하여 관심 있는 YOLO11 포즈 추정 모델을 선택하십시오. 미리보기 섹션에서 이미지를 업로드하고 아래와 같이 예측 결과를 확인할 수 있습니다.

그림 8. YOLO11을 이용한 Ultralytics HUB에서의 포즈 추정.

Link to this section인체 포즈 탐지 분야의 YOLO11 발전#

Ultralytics YOLO11은 광범위한 응용 분야에서 포즈 추정과 같은 작업을 위해 정확하고 유연한 솔루션을 제공합니다. 건설 현장에서의 작업자 안전 향상부터 가축 건강 모니터링, 피트니스 루틴에서의 자세 교정 보조에 이르기까지, YOLO11은 첨단 컴퓨터 비전 기술을 통해 정밀함과 실시간 피드백을 제공합니다.

여러 모델 변형과 특정 사례를 위한 사용자 정의 학습 기능을 갖춘 다재다능함 덕분에, YOLO11은 개발자와 기업 모두에게 매우 가치 있는 도구가 됩니다. Ultralytics Python 패키지를 이용한 코딩이든 더 쉬운 구현을 위한 Ultralytics HUB 사용이든, YOLO11은 포즈 추정을 접근 가능하고 영향력 있게 만듭니다.

더 자세히 알아보려면 GitHub 저장소를 방문하고 커뮤니티에 참여하십시오. 솔루션 페이지에서 제조 및 농업 분야의 AI 응용 사례를 탐색해 보세요. 🚀