데이터 증강으로 AI 모델의 견고성 향상하기

테스트는 모든 기술 솔루션 구축에서 중요한 부분입니다. 테스트를 통해 팀은 시스템이 실제 운영에 들어가기 전에 시스템의 실제 작동 방식을 확인하고 문제를 조기에 해결할 수 있습니다. 이는 AI를 비롯한 다양한 분야에 적용되며, AI에서는 모델이 배포된 후 예측하기 어려운 실제 환경의 조건을 처리할 수 있어야 합니다.

예를 들어, 컴퓨터 비전은 기계가 이미지와 동영상을 이해하도록 가르치는 AI 분야입니다. Ultralytics YOLO26과 같은 컴퓨터 비전 모델은 객체 감지, 인스턴스 세그멘테이션, 이미지 분류와 같은 작업을 지원합니다.

이러한 모델은 환자 모니터링, 교통 분석, 자동 결제, 제조 품질 검사와 같은 애플리케이션에 다양한 산업 분야에서 활용할 수 있습니다. 그러나 고급 모델과 고품질 학습 데이터를 사용하더라도 비전 AI 솔루션은 조명 변화, 움직임, 부분적으로 가려진 객체와 같은 실제 환경의 변화를 마주하면 여전히 어려움을 겪을 수 있습니다.

이는 모델이 학습 중에 제공된 예시를 통해 학습하기 때문입니다. 눈부심, 모션 블러, 부분적으로 가려진 상태와 같은 조건을 이전에 본 적이 없다면, 해당 상황에서 객체를 정확하게 인식할 가능성이 낮아집니다.

모델 강건성을 향상하는 한 가지 방법은 데이터 증강을 활용하는 것입니다. 엔지니어는 대량의 새 데이터를 수집하는 대신 기존 이미지에 조명 조정, 크롭, 이미지 혼합과 같은 작지만 의미 있는 변경을 적용할 수 있습니다. 이를 통해 모델은 더 다양한 상황에서 동일한 객체를 인식하는 방법을 학습할 수 있습니다.

이 글에서는 데이터 증강이 모델 강건성과 통제된 환경을 벗어나 배포된 비전 AI 시스템의 신뢰성을 어떻게 향상하는지 살펴보겠습니다. 시작하겠습니다!

모델의 강건성을 확인하는 방법#

데이터 증강을 자세히 살펴보기에 앞서, 컴퓨터 비전 모델이 실제 환경에서 사용할 준비가 되었는지 확인하는 방법을 알아보겠습니다.

강건한 모델은 깨끗하고 완벽하게 라벨링된 이미지에서만 작동하는 것이 아니라 조건이 바뀌어도 우수한 성능을 유지합니다. AI 모델 강건성을 평가할 때 고려할 몇 가지 실용적인 요소는 다음과 같습니다.

• 조명 변화: 모델은 밝은 조명, 어두운 조명, 눈부심 또는 그림자에 노출되면 다르게 작동할 수 있으며, 이는 객체를 감지할 때의 신뢰도에 영향을 줄 수 있습니다.
• 부분적 가림: 일상적인 장면에서는 객체가 다른 물체에 가려지거나 일부만 보이는 경우가 많습니다. 더 강건한 모델은 시각 정보가 일부 누락된 경우에도 객체를 인식할 수 있습니다.
• 혼잡한 장면: 서로 겹치는 객체가 많은 환경에서는 감지가 더 어려워질 수 있습니다. 이러한 상황에서 우수한 성능을 보이는 모델은 일반적으로 복잡한 환경에서도 더 신뢰할 수 있습니다.

깨끗하게 완벽히 촬영된 이미지에서 얻은 우수한 결과가 항상 실제 환경에서의 높은 성능으로 이어지는 것은 아닙니다. 다양한 조건에서 정기적으로 테스트하면 모델이 배포된 후 얼마나 잘 성능을 유지하는지 확인할 수 있습니다.

데이터 증강이란 무엇인가요?#

사진 속 객체의 모습은 조명, 각도, 거리 또는 배경에 따라 달라질 수 있습니다. 컴퓨터 비전 모델을 학습할 때는 예측하기 어려운 환경에서도 우수한 성능을 발휘할 수 있도록 학습 데이터셋에 이러한 변화를 포함해야 합니다.

데이터 증강은 이미 보유한 이미지에서 추가 예시를 생성하여 학습 데이터셋을 확장합니다. 이미지 회전이나 뒤집기, 밝기 조정, 이미지 일부 크롭과 같은 의도적인 변경을 적용하여 수행합니다.

예를 들어 고양이 사진이 한 장뿐이라고 가정해 보겠습니다. 이미지를 회전하거나 밝기를 변경하면 하나의 사진에서 여러 새 버전을 만들 수 있습니다. 각 버전은 약간씩 다르게 보이지만 여전히 같은 고양이를 찍은 사진입니다. 이러한 변형을 통해 모델은 객체의 모습이 달라져도 여전히 같은 대상일 수 있다는 점을 학습합니다.

그림 1. 고양이 이미지 증강 살펴보기 (출처)

데이터 증강이 모델 성능을 향상하는 방법#

모델 학습 중에 데이터 증강을 학습 파이프라인에 직접 포함할 수 있습니다. 이미지를 새로 복사해 수동으로 만들고 저장하는 대신, 각 이미지가 로드될 때마다 무작위 변환을 적용할 수 있습니다.

따라서 모델은 이미지가 더 밝아지거나 뒤집히거나 일부가 가려지는 등 매번 조금씩 다른 이미지 버전을 보게 됩니다. 랜덤 지우기와 같은 기법을 사용하면 이미지의 작은 영역을 제거하여 객체가 가려지거나 일부만 보이는 실제 환경을 시뮬레이션할 수도 있습니다.

그림 2. 랜덤 지우기 기반 증강 예시 (출처)

동일한 이미지의 다양한 버전을 접하면 모델이 하나의 완벽한 예시에 의존하는 대신 중요한 특징을 학습할 수 있습니다. 이러한 다양성은 AI 모델의 강건성을 높여 실제 환경에서 더 안정적으로 성능을 발휘하도록 합니다.

일반적인 데이터 증강 기법#

학습 이미지에 변화를 도입하는 데 사용되는 몇 가지 데이터 증강 기법은 다음과 같습니다.

• 기하학적 변환: 이러한 기법은 이미지 내에서 객체가 공간적으로 보이는 방식을 변경합니다. 이미지를 회전, 뒤집기, 크기 조정, 크롭 또는 이동하면 모델이 다양한 각도나 거리에서 객체를 보는 방법을 이해할 수 있습니다.
• 색상 및 조명 조정: 실제 환경의 조명은 거의 일정하지 않습니다. 환경이나 사용하는 카메라에 따라 이미지가 지나치게 밝거나 어둡거나 색상이 약간 부정확할 수 있습니다. 밝기, 대비, 색조, 채도를 조정하면 모델이 이러한 시각적 변화를 처리하고 다양한 장면에서 우수한 성능을 발휘할 수 있습니다.
• 이미지 품질 변화: 블러나 시각적 노이즈로 인해 이미지가 선명하지 않게 보일 수 있습니다. 학습 중에 블러나 노이즈를 추가하면 모델이 모션 블러, 저조도 이미지 또는 저품질 카메라 결과에 대응하는 방법을 학습하므로 불완전한 시각 정보에 덜 민감해집니다.
• 가림 기반 증강: 실제 환경에서는 객체가 다른 객체에 의해 부분적으로 가려지는 경우가 많습니다. 이를 이미지 가림이라고 합니다. 학습 중 이미지의 작은 영역을 숨기거나 마스킹하면 객체의 일부만 보이는 경우에도 객체를 감지하는 방법을 모델이 학습할 수 있습니다.
• 다중 이미지 증강: 이러한 기법은 여러 이미지의 일부를 하나의 학습 예시에 결합합니다. 이를 통해 시야에 들어오는 객체 수를 늘리고 복잡하거나 혼잡한 장면을 처리하는 모델의 능력을 향상할 수 있습니다.

그림 3. 다중 이미지 증강 예시 (출처)

Ultralytics Python 패키지로 간편하게 수행하는 데이터 증강#

데이터셋 관리, 이미지 변형 생성, 변환 코드 작성은 컴퓨터 비전 애플리케이션 구축에 추가 단계를 더할 수 있습니다. Ultralytics Python 패키지는 YOLO26과 같은 Ultralytics YOLO 모델의 학습, 실행, 배포를 위한 단일 인터페이스를 제공하여 이 과정을 간소화합니다. 학습 워크플로를 간소화하기 위한 노력의 일환으로 이 패키지에는 YOLO 모델에 최적화된 Ultralytics 테스트 완료 데이터 증강 기능이 내장되어 있습니다.

또한 별도의 도구나 사용자 지정 코드가 필요하지 않도록 유용한 통합 기능을 지원합니다. 특히 데이터 증강을 위해 널리 사용되는 이미지 증강 라이브러리인 Albumentations와 통합됩니다. 이 통합을 통해 추가 스크립트나 사용자 지정 코드 없이 학습 중에 증강을 자동으로 적용할 수 있습니다.

어노테이션 및 증강 데이터셋 관리#

모델 강건성에 영향을 미치는 또 다른 요소는 어노테이션 품질입니다. Roboflow와 같은 어노테이션 도구로 생성하고 관리한 정확하고 깔끔한 라벨은 모델이 객체의 위치와 형태를 이해하는 데 도움을 줍니다.

학습 중에는 뒤집기, 크롭, 회전과 같은 데이터 증강이 동적으로 적용되며, 어노테이션은 이러한 변경 사항에 맞게 자동으로 조정됩니다. 라벨이 정확하면 이 과정이 원활하게 작동하고 모델에 동일한 장면에 대한 현실적인 예시를 다양하게 제공합니다.

어노테이션이 부정확하거나 일관되지 않으면 해당 오류가 증강 이미지 전반에 반복될 수 있으며, 이로 인해 학습 효과가 떨어질 수 있습니다. 정확한 어노테이션으로 시작하면 이러한 오류가 확산되는 것을 방지하고 모델 강건성 향상에 기여할 수 있습니다.

데이터 증강으로 비전 AI 애플리케이션 향상#

이제 데이터 증강이 실제 애플리케이션에서 AI 모델 강건성에 기여하는 방법을 예시와 함께 살펴보겠습니다.

실제 환경에서 객체 감지 정확도 향상#

실제 데이터가 부족하거나 민감하거나 수집하기 어려운 경우 객체 감지 시스템을 학습하는 데 합성 이미지를 자주 사용합니다. 합성 이미지를 활용하면 모든 상황을 실제로 촬영하지 않고도 제품, 환경, 카메라 각도에 대한 예시를 빠르게 생성할 수 있습니다.

그러나 합성 데이터셋은 조명이 변하고 객체가 겹치며 장면에 배경 잡음이 포함되는 실제 영상에 비해 지나치게 깨끗해 보일 수 있습니다. 데이터 증강은 다양한 조명, 노이즈 또는 객체 배치와 같은 현실적인 변화를 도입하여 이러한 격차를 줄입니다. 이를 통해 모델은 배포 후 마주하게 될 조건을 처리하는 방법을 학습할 수 있습니다.

예를 들어 최근 연구에서는 Ultralytics YOLO11 모델을 전적으로 합성 이미지로 학습하고, 추가적인 변화를 도입하기 위해 데이터 증강을 적용했습니다. 이는 모델이 더 폭넓게 객체를 인식하는 방법을 학습하는 데 기여했습니다. 학습 중 실제 데이터를 전혀 보지 않았음에도 실제 이미지로 테스트했을 때 우수한 성능을 보였습니다.

의료 영상 솔루션의 신뢰성 향상#

의료 영상 데이터셋은 제한적인 경우가 많으며, 스캔 자체도 장비 유형, 영상 설정 또는 임상 환경에 따라 달라질 수 있습니다. 환자의 해부학적 구조, 각도, 조명 또는 시각적 노이즈의 차이로 인해 컴퓨터 비전 모델이 여러 환자와 병원에 일반화되는 패턴을 학습하기 어려울 수 있습니다.

데이터 증강은 학습 중 동일한 스캔의 여러 변형을 생성하여 이러한 문제를 해결하는 데 도움을 줍니다. 예를 들어 노이즈를 추가하거나 이미지를 약간 이동하거나 작은 왜곡을 적용할 수 있습니다. 이러한 변경을 통해 학습 데이터가 실제 임상 조건을 더 잘 반영하게 됩니다.

예를 들어 소아 영상 연구에서 연구진은 해부학적 세그멘테이션을 위해 Ultralytics YOLO11을 사용하고 증강된 의료 데이터로 학습했습니다. 이미지의 현실성을 높이기 위해 노이즈 추가, 미세한 위치 이동, 작은 왜곡과 같은 변화를 도입했습니다.

그림 4. 원본 및 증강된 소아 의료 이미지 (출처)

이러한 변형을 통해 학습함으로써 모델은 표면적인 차이가 아니라 의미 있는 해부학적 특징에 집중했습니다. 그 결과 다양한 스캔과 환자 사례에서 세그멘테이션 결과가 더 안정적으로 나타났습니다.

핵심 요점#

다양한 데이터를 수집하는 일은 어렵지만, 데이터 증강을 활용하면 모델이 더 폭넓은 시각적 조건에서 학습할 수 있습니다. 이를 통해 가림, 조명 변화, 혼잡한 장면을 처리할 때 모델 강건성이 향상됩니다. 전반적으로 통제된 학습 환경을 벗어난 상황에서도 더 안정적으로 성능을 발휘할 수 있습니다.

커뮤니티에 참여하고 GitHub 저장소에서 최신 비전 AI 동향을 살펴보세요. 솔루션 페이지를 방문하여 제조 분야의 AI와 헬스케어 분야의 컴퓨터 비전과 같은 애플리케이션이 어떻게 발전을 이끌고 있는지 알아보고, 다음 AI 솔루션을 지원할 수 있도록 라이선스 옵션도 확인해 보세요.