데이터 증강을 통해 AI 모델 견고성 향상

테스팅은 모든 기술 솔루션을 구축하는 데 있어 필수적인 과정입니다. 이를 통해 팀은 시스템이 실제 환경에 배포되기 전에 어떻게 작동하는지 파악하고 조기에 문제를 수정할 수 있습니다. 이는 AI 분야에서도 마찬가지이며, 배포된 모델은 예측할 수 없는 실제 환경 조건들을 처리해야 합니다.

예를 들어, computer vision은 기계가 이미지와 비디오를 이해하도록 학습시키는 AI의 한 분야입니다. Ultralytics YOLO26과 같은 컴퓨터 비전 모델은 객체 탐지(object detection), 인스턴스 세그멘테이션(instance segmentation), 이미지 분류(image classification)와 같은 작업을 지원합니다.

이러한 모델은 환자 모니터링, 교통 분석, 자동 결제, 제조 품질 검사 등 다양한 산업 분야의 애플리케이션에 사용될 수 있습니다. 그러나 고급 모델과 고품질의 학습 데이터를 사용하더라도, 비전 AI 솔루션은 조명 변화, 움직임, 또는 부분적으로 가려진 객체와 같은 실제 환경의 변수에 직면하면 어려움을 겪을 수 있습니다.

이는 모델이 학습 과정에서 주어진 예제들을 통해 학습하기 때문입니다. 눈부심, 모션 블러, 부분적 가시성 같은 조건을 이전에 경험하지 못했다면, 해당 시나리오에서 객체를 올바르게 인식할 가능성은 낮아집니다.

모델의 견고성을 개선하는 한 가지 방법은 data augmentation을 사용하는 것입니다. 엔지니어는 대량의 새로운 데이터를 수집하는 대신, 조명 조정, 크롭(cropping), 이미지 혼합과 같이 기존 이미지에 작지만 의미 있는 변화를 줄 수 있습니다. 이는 모델이 더 넓은 범위의 상황에서 동일한 객체를 인식하도록 학습하는 데 도움이 됩니다.

이 글에서는 데이터 증강이 어떻게 모델의 견고성을 강화하고 통제된 환경 외부에서 배포된 비전 AI 시스템의 신뢰성을 높이는지 알아봅니다. 시작해 보겠습니다!

Link to this section모델의 견고성 확인 방법#

데이터 증강에 대해 알아보기 전에, computer vision model이 실제 환경에서 사용할 준비가 되었는지 확인하는 방법을 논의해 보겠습니다.

견고한 모델은 깨끗하고 완벽하게 라벨링된 이미지에서만 작동하는 것이 아니라, 조건이 변하더라도 좋은 성능을 유지합니다. AI 모델의 견고성을 평가할 때 고려해야 할 몇 가지 실질적인 요소는 다음과 같습니다.

• 조명 변화: 밝은 빛, 낮은 조명, 눈부심 또는 그림자에 노출될 때 모델이 다르게 작동할 수 있으며, 이는 객체 탐지의 신뢰도에 영향을 미칠 수 있습니다.
• 부분적 가림(Partial occlusion): 일상적인 장면에서 객체는 다른 항목에 가려지거나 부분적으로만 보이는 경우가 많습니다. 더 견고한 모델은 시각 정보가 일부 누락되더라도 객체를 인식할 수 있습니다.
• 혼잡한 장면: 겹쳐진 객체가 많은 환경은 탐지를 더 어렵게 만듭니다. 이러한 환경에서 성능이 좋은 모델은 복잡한 설정에서도 일반적으로 더 신뢰할 수 있습니다.

깨끗하고 완벽하게 캡처된 이미지에서 좋은 결과가 나왔다고 해서 항상 실제 환경에서도 강력한 성능으로 이어지지는 않습니다. 다양한 조건에서 정기적으로 테스트를 수행하면 모델이 배포 후 얼마나 잘 버티는지 파악할 수 있습니다.

Link to this section데이터 증강이란 무엇인가?#

사진 속 객체의 모습은 조명, 각도, 거리 또는 배경에 따라 달라질 수 있습니다. 컴퓨터 비전 모델을 학습시킬 때, 모델이 예측할 수 없는 환경에서도 잘 작동하려면 학습 데이터셋에 이러한 변형이 포함되어야 합니다.

데이터 증강은 이미 보유한 이미지로부터 추가적인 예제를 생성하여 학습 데이터셋을 확장합니다. 이는 이미지를 회전하거나 뒤집고, 밝기를 조정하거나 일부를 자르는 등 의도적인 변화를 적용하여 수행됩니다.

예를 들어, 고양이 사진이 한 장만 있다고 가정해 보겠습니다. 이미지를 회전하거나 밝기를 변경하면 단 한 장의 사진에서 여러 가지 새로운 버전을 만들 수 있습니다. 각 버전은 조금씩 달라 보이지만 여전히 같은 고양이 사진입니다. 이러한 변형은 모델이 동일한 객체가 다르게 보일 수 있음을 학습하도록 돕습니다.

Fig 1. 고양이 이미지 증강 살펴보기 (Source)

Link to this section데이터 증강이 모델 성능을 향상시키는 방법#

모델 학습 중에 데이터 증강을 학습 파이프라인에 직접 통합할 수 있습니다. 수동으로 이미지의 새 사본을 생성하고 저장하는 대신, 각 이미지가 로드될 때 무작위 변환(random transformations)을 적용할 수 있습니다.

이는 모델이 더 밝거나, 뒤집혔거나, 부분적으로 가려진 이미지 등 매번 약간씩 다른 버전의 이미지를 본다는 것을 의미합니다. 랜덤 지우기(random erasing)와 같은 기술은 이미지의 작은 영역을 제거하여 객체가 가려지거나 부분적으로만 보이는 실제 상황을 시뮬레이션할 수도 있습니다.

Fig 2. 랜덤 지우기(random erasing) 기반 증강 예시 (Source)

동일한 이미지의 다양한 버전을 보는 것은 모델이 하나의 완벽한 예제에 의존하는 대신 어떤 특징이 중요한지 학습하도록 합니다. 이러한 다양성은 AI 모델의 견고성을 구축하여 실제 조건에서 더 안정적으로 성능을 발휘하게 합니다.

Link to this section일반적인 데이터 증강 기술#

다음은 학습 이미지에 변형을 주기 위해 사용되는 몇 가지 데이터 증강 기술입니다.

• 기하학적 변환(Geometric transformations): 이러한 기술은 이미지 내에서 객체가 공간적으로 나타나는 방식을 변경합니다. 이미지 회전, 뒤집기, 크기 조절, 자르기 또는 이동은 모델이 다양한 각도나 거리에서 객체를 어떻게 볼 수 있는지 이해하도록 합니다.
• 색상 및 조명 조정: 실제 환경의 조명은 일관성이 거의 없습니다. 환경이나 사용하는 카메라에 따라 이미지가 너무 밝거나, 너무 어둡거나, 색상이 약간 다를 수 있습니다. 밝기, 대비, 색조 및 채도를 조정하면 모델이 이러한 시각적 변화를 처리하고 다양한 장면에서 좋은 성능을 낼 수 있습니다.
• 이미지 품질 변형: 블러(흐림)나 시각적 노이즈는 이미지를 불분명하게 보이게 할 수 있습니다. 학습 중에 블러나 노이즈를 추가하면 모델이 모션 블러, 저조도 이미지 또는 낮은 품질의 카메라 결과에 대처하는 방법을 학습하여 불완전한 시각 정보에 덜 민감해지도록 합니다.
• 가림 기반 증강(Occlusion-based augmentations): 실제 환경에서 객체는 다른 객체에 의해 부분적으로 가려지는 경우가 많습니다. 이를 이미지 오클루전(occlusions)이라고 합니다. 학습 중에 이미지의 작은 영역을 숨기거나 마스킹하면 모델이 객체의 일부분만 보일 때도 탐지하는 법을 배우는 데 도움이 됩니다.
• 다중 이미지 증강(Multi-image augmentations): 이러한 기술은 여러 이미지의 일부를 하나의 학습 예제로 결합하여, 시야 내 객체 수를 늘리고 복잡하거나 혼잡한 장면을 처리하는 모델의 능력을 향상시킬 수 있습니다.

Fig 3. 다중 이미지 증강 예시 (Source)

Link to this sectionUltralytics Python 패키지로 간편해진 데이터 증강#

데이터셋 관리, 이미지 변형 생성, 변환 코드 작성은 컴퓨터 비전 애플리케이션을 구축하는 데 추가적인 단계를 더할 수 있습니다. Ultralytics Python package는 YOLO26과 같은 Ultralytics YOLO 모델을 학습, 실행 및 배포하기 위한 단일 인터페이스를 제공하여 이를 간소화합니다. 학습 워크플로우를 간소화하기 위한 노력의 일환으로, 이 패키지에는 YOLO 모델에 최적화되고 Ultralytics가 검증한 데이터 증강 기능이 기본적으로 포함되어 있습니다.

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

Link to this section어노테이션 및 증강 데이터셋 관리#

모델의 견고성에 영향을 미치는 또 다른 요소는 annotation의 품질입니다. Roboflow와 같은 어노테이션 도구로 생성 및 관리되는 깨끗하고 정확한 라벨은 모델이 객체의 위치와 모양을 이해하는 데 도움이 됩니다.

학습 중에 뒤집기, 크롭, 회전과 같은 데이터 증강이 동적으로 적용되며, 어노테이션은 이러한 변화에 맞춰 자동으로 조정됩니다. 라벨이 정확할 경우 이 과정은 원활하게 작동하며, 모델에게 동일한 장면에 대한 많은 현실적인 예제를 제공합니다.

어노테이션이 부정확하거나 일관성이 없으면 오류가 증강된 이미지 전반에 걸쳐 반복될 수 있으며, 이는 학습 효율을 떨어뜨릴 수 있습니다. 정확한 어노테이션으로 시작하면 이러한 오류가 확산되는 것을 방지하고 모델의 견고성을 향상시키는 데 기여합니다.

Link to this section데이터 증강으로 비전 AI 애플리케이션 강화하기#

다음으로, 데이터 증강이 실제 애플리케이션에서 AI 모델의 견고성에 어떻게 기여하는지 예시를 살펴보겠습니다.

Link to this section실제 환경에서 객체 탐지 정확도 향상#

합성 이미지(Synthetic images)는 실제 데이터가 제한적이거나, 민감하거나, 수집하기 어려울 때 object detection 시스템을 학습시키는 데 자주 사용됩니다. 이를 통해 팀은 실제 생활에서 모든 시나리오를 캡처할 필요 없이 제품, 환경 및 카메라 각도의 예제를 빠르게 생성할 수 있습니다.

그러나 합성 데이터셋은 조명이 변하고 객체가 겹치며 배경이 복잡한 실제 영상에 비해 너무 깨끗해 보일 수 있습니다. 데이터 증강은 다양한 조명, 노이즈, 객체 배치와 같은 현실적인 변형을 도입하여 이러한 격차를 줄이는 데 도움이 되며, 이를 통해 모델은 배포 시 직면하게 될 상황들을 처리하는 법을 배웁니다.

예를 들어, 최근 연구에서 YOLO11 모델은 전체적으로 synthetic images로 학습되었으며, 추가적인 변형을 위해 데이터 증강이 추가되었습니다. 이는 모델이 객체를 더 넓은 범위에서 인식하도록 학습하는 데 역할을 했습니다. 이 모델은 학습 중에 실제 데이터를 한 번도 보지 못했음에도 불구하고 실제 이미지로 테스트했을 때 좋은 성능을 보였습니다.

Link to this section의료 영상 솔루션의 신뢰성 향상#

의료 영상 데이터셋은 종종 제한적이며, 스캔 결과는 장비 유형, 영상 설정 또는 임상 환경에 따라 다를 수 있습니다. 환자의 해부학적 구조, 각도, 조명 또는 시각적 노이즈의 차이는 컴퓨터 비전 모델이 환자와 병원 전반에 걸쳐 잘 일반화되는 패턴을 학습하는 것을 어렵게 만들 수 있습니다.

데이터 증강은 학습 중에 노이즈 추가, 이미지의 미세한 이동, 또는 작은 왜곡 적용 등 동일한 스캔의 여러 버전을 생성하여 이를 해결하는 데 도움이 됩니다. 이러한 변화는 학습 데이터를 실제 임상 조건을 더 잘 나타내는 것처럼 보이게 합니다.

예를 들어, pediatric imaging 연구에서 연구원들은 해부학적 세그멘테이션을 위해 YOLO11을 사용하고 증강된 의료 데이터로 이를 학습시켰습니다. 그들은 이미지를 더 현실적으로 만들기 위해 노이즈 추가, 미세한 위치 이동, 작은 왜곡과 같은 변형을 도입했습니다.

Fig 4. 원본 및 증강된 소아 의료 이미지 (Source)

이러한 변형을 학습함으로써 모델은 표면적인 차이가 아닌 의미 있는 해부학적 특징에 집중하게 되었습니다. 이는 다양한 스캔과 환자 사례 전반에 걸쳐 세그멘테이션 결과를 더 안정적으로 만들었습니다.

Link to this section핵심 요약#

다양한 데이터를 수집하는 것은 어렵지만, 데이터 증강을 통해 모델은 더 넓은 범위의 시각적 조건에서 학습할 수 있습니다. 이는 오클루전, 조명 변화 및 혼잡한 장면을 다룰 때 더 강력한 모델 견고성을 제공합니다. 전반적으로, 이는 통제된 학습 환경 외부에서도 더 안정적으로 성능을 발휘하도록 돕습니다.

우리 커뮤니티에 가입하여 GitHub 저장소에서 최신 비전 AI를 살펴보세요. AI in manufacturing 및 computer vision in healthcare와 같은 애플리케이션이 어떻게 발전을 주도하고 있는지 알아보려면 솔루션 페이지를 방문하고, 다음 AI 솔루션을 강화하기 위한 라이선스 옵션을 확인해 보세요.