데이터 증강으로 AI 모델의 견고성을 개선하세요

테스트는 모든 기술 솔루션을 구축하는 데 매우 중요한 과정입니다. 테스트를 통해 팀은 시스템을 출시하기 전에 실제 작동 방식을 확인하고 문제를 조기에 해결할 수 있습니다. 이는 AI를 비롯한 여러 분야에서 마찬가지입니다. AI 모델은 배포 후 예측할 수 없는 실제 환경의 조건을 처리해야 합니다.

예를 들어 컴퓨터 비전은 기계가 이미지와 동영상을 이해하도록 하는 AI의 한 분야입니다. Ultralytics YOLO26과 같은 컴퓨터 비전 모델은 객체 감지, 인스턴스 세그멘테이션, 이미지 분류 등의 작업을 지원합니다.

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

모델은 학습 과정에서 제공된 예시를 바탕으로 학습하기 때문에 이러한 문제가 발생합니다. 눈부심, 모션 블러, 부분적으로 보이는 상황을 학습 데이터에서 접하지 못했다면 해당 상황에서 객체를 정확히 인식할 가능성이 낮습니다.

모델의 강건성을 개선하는 한 가지 방법은 데이터 증강입니다. 대량의 새 데이터를 수집하는 대신 엔지니어는 조명 조정, 크롭, 이미지 혼합처럼 기존 이미지에 작지만 의미 있는 변화를 적용할 수 있습니다. 이를 통해 모델은 더 다양한 상황에서 동일한 객체를 인식하도록 학습합니다.

이 글에서는 데이터 증강이 모델의 강건성을 어떻게 높이는지, 그리고 통제된 환경을 벗어나 배포된 비전 AI 시스템의 신뢰성을 어떻게 향상하는지 살펴보겠습니다. 시작하겠습니다!

모델의 강건성을 확인하는 방법#

데이터 증강을 자세히 살펴보기 전에 컴퓨터 비전 모델이 실제 환경에서 사용할 준비가 되었는지 판단하는 방법을 알아보겠습니다.

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

• 조명 변화: 밝은 빛, 어두운 조명, 눈부심 또는 그림자에 노출되면 모델의 동작이 달라질 수 있으며, 이는 객체 감지의 확신도에 영향을 줄 수 있습니다.
• 부분적인 가림: 일상적인 장면에서는 객체가 다른 물체에 가려지거나 일부만 보이는 경우가 많습니다. 더 강건한 모델은 시각 정보가 일부 빠져 있어도 객체를 인식할 수 있습니다.
• 혼잡한 장면: 객체가 많이 겹쳐 있는 환경에서는 감지가 더 어려울 수 있습니다. 이러한 상황에서도 성능이 우수한 모델은 일반적으로 복잡한 환경에서 더 신뢰할 수 있습니다.

깨끗하게 완벽히 촬영된 이미지에서 좋은 결과를 얻더라도 실제 환경에서 우수한 성능을 보장하지는 않습니다. 다양한 조건에서 정기적으로 테스트하면 배포 후 모델이 얼마나 잘 작동하는지 확인할 수 있습니다.

데이터 증강이란 무엇인가요?#

사진 속 객체의 모습은 조명, 각도, 거리 또는 배경에 따라 달라질 수 있습니다. 컴퓨터 비전 모델을 학습시킬 때는 예측할 수 없는 환경에서도 모델이 우수한 성능을 발휘하도록 학습 데이터셋에 이러한 변화를 포함해야 합니다.

데이터 증강은 이미 보유한 이미지에서 추가 예시를 만들어 학습 데이터셋을 확장합니다. 이미지를 회전하거나 뒤집고, 밝기를 조정하거나 이미지 일부를 크롭하는 등의 의도적인 변화를 적용합니다.

예를 들어 고양이 사진이 한 장뿐이라고 가정해 보겠습니다. 이미지를 회전하거나 밝기를 바꾸면 한 장의 사진에서 여러 가지 새 버전을 만들 수 있습니다. 각 버전은 조금씩 다르게 보이지만 여전히 같은 고양이의 사진입니다. 이러한 변형을 통해 모델은 객체의 모습이 달라져도 동일한 객체로 인식하는 법을 학습합니다.

그림 1. 고양이 이미지 증강 예시 (출처)

데이터 증강이 모델 성능을 개선하는 방법#

모델 학습 중에 데이터 증강을 학습 파이프라인에 직접 적용할 수 있습니다. 새 이미지 복사본을 수작업으로 만들어 저장하는 대신, 각 이미지를 불러올 때마다 무작위 변환을 적용할 수 있습니다.

따라서 모델은 이미지가 더 밝거나 뒤집혀 있거나 일부 가려진 형태로 나타나는 등 매번 약간씩 다른 버전을 보게 됩니다. 무작위 지우기와 같은 기법은 이미지의 작은 영역을 제거해 객체가 가려지거나 일부만 보이는 실제 상황을 시뮬레이션할 수도 있습니다.

그림 2. 랜덤 지우기 기반 증강 예시 (출처)

동일한 이미지의 다양한 버전을 접하면 모델은 완벽한 단일 예시에 의존하는 대신 중요한 특징을 학습할 수 있습니다. 이러한 다양성은 AI 모델의 견고성을 높여 실제 환경에서 더욱 안정적으로 작동하도록 합니다.

일반적인 데이터 증강 기법#

학습 이미지에 변화를 주는 데 사용되는 데이터 증강 기법은 다음과 같습니다.

• 기하학적 변환: 이 기법은 이미지 내에서 객체가 공간적으로 어떻게 보이는지를 변경합니다. 이미지를 회전, 반전, 크기 조정, 자르기 또는 이동하면 모델이 다양한 각도나 거리에서 객체를 볼 수 있는 방식을 이해할 수 있습니다.
• 색상 및 조명 조정: 실제 환경의 조명은 거의 일정하지 않습니다. 환경이나 사용 카메라에 따라 이미지가 너무 밝거나 어둡거나 색상이 약간 달라질 수 있습니다. 밝기, 대비, 색조, 채도를 조정하면 모델이 이러한 시각적 변화를 처리하고 다양한 장면에서 우수한 성능을 발휘할 수 있습니다.
• 이미지 품질 변화: 흐림이나 시각적 노이즈는 이미지를 불분명하게 만들 수 있습니다. 학습 중 흐림이나 노이즈를 추가하면 모델이 모션 블러, 저조도 이미지 또는 품질이 낮은 카메라 결과에 대처하는 방법을 학습하여 불완전한 시각 정보에 덜 민감해집니다.
• 가림 기반 증강: 실제 환경에서 객체는 다른 객체에 부분적으로 가려지는 경우가 많습니다. 이를 가림이라고 합니다. 학습 중 이미지의 작은 영역을 숨기거나 마스킹하면 모델이 객체의 일부만 보여도 탐지하는 방법을 학습하는 데 도움이 됩니다.
• 다중 이미지 증강: 이 기법은 여러 이미지의 일부를 하나의 학습 예제로 결합합니다. 이를 통해 화면에 보이는 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#

데이터 세트 관리, 이미지 변형 생성, 변환 코드 작성은 컴퓨터 비전 애플리케이션을 구축하는 과정에 추가 단계를 더할 수 있습니다. Ultralytics Python 패키지는 YOLO26과 같은 Ultralytics YOLO 모델을 학습, 실행, 배포할 수 있는 단일 인터페이스를 제공하여 이러한 과정을 간소화합니다. 학습 워크플로를 효율화하기 위해 이 패키지에는 Ultralytics가 테스트하고 YOLO 모델에 최적화한 기본 제공 데이터 증강 기능이 포함되어 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 통합 기능을 사용하면 추가 스크립트나 사용자 지정 코드 없이 학습 중 증강을 자동으로 적용할 수 있습니다.

어노테이션 및 증강 데이터 세트 관리#

모델의 견고성에 영향을 미치는 또 다른 요소는 어노테이션 품질입니다. Ultralytics Platform이나 Roboflow와 같은 어노테이션 도구로 생성하고 관리한 정확하고 깔끔한 라벨은 모델이 객체의 위치와 모양을 이해하는 데 도움이 됩니다.

학습 중에는 반전, 자르기, 회전 등의 데이터 증강이 동적으로 적용되며, 이러한 변화에 맞춰 어노테이션도 자동으로 조정됩니다. 레이블이 정확하면 이 과정이 원활하게 진행되어 모델에 동일한 장면의 다양한 현실적인 예시를 제공합니다.

어노테이션이 부정확하거나 일관성이 없으면 해당 오류가 증강 이미지 전체에 반복될 수 있으며, 이로 인해 학습 효과가 떨어질 수 있습니다. 정확한 어노테이션으로 시작하면 이러한 오류가 확산되는 것을 방지하고 모델의 견고성을 높일 수 있습니다.

데이터 증강으로 비전 AI 애플리케이션 향상#

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

실제 환경에서 객체 탐지 정확도 향상#

실제 데이터가 부족하거나 민감하거나 수집하기 어려운 경우, 합성 이미지를 객체 탐지 시스템 학습에 자주 사용합니다. 합성 이미지를 사용하면 모든 상황을 실제로 촬영하지 않고도 제품, 환경, 카메라 각도에 관한 예시를 빠르게 생성할 수 있습니다.

그러나 합성 데이터 세트는 실제 영상에 비해 지나치게 깔끔해 보일 수 있습니다. 실제 영상에서는 조명이 바뀌고 객체가 겹치며 장면에 배경 잡동사니가 포함됩니다. 데이터 증강은 다양한 조명, 노이즈, 객체 배치와 같은 현실적인 변화를 추가해 이러한 차이를 줄입니다. 그 결과 모델은 배포 후 마주할 조건을 처리하는 방법을 학습합니다.

예를 들어, 최근 연구에서는 Ultralytics YOLO11 모델을 합성 이미지만으로 학습시키고 추가적인 변화를 주기 위해 데이터 증강을 적용했습니다. 이 과정은 모델이 더 폭넓게 객체를 인식하도록 학습하는 데 기여했습니다. 학습 중 실제 데이터를 본 적이 없었지만 실제 이미지로 테스트했을 때도 우수한 성능을 보였습니다.

의료 영상 솔루션의 신뢰성 향상#

의료 영상 데이터 세트는 제한적인 경우가 많으며, 영상 자체도 장비 유형, 영상 촬영 설정, 임상 환경에 따라 달라질 수 있습니다. 환자의 해부학적 차이, 각도, 조명, 시각적 노이즈로 인해 컴퓨터 비전 모델이 환자와 병원 전반에 일반화되는 패턴을 학습하기 어려울 수 있습니다.

데이터 증강은 학습 중 동일한 영상에 노이즈를 추가하거나 이미지를 약간 이동하고 작은 왜곡을 적용하는 등 여러 변형을 생성하여 이러한 문제를 해결하는 데 도움이 됩니다. 이러한 변화로 학습 데이터가 실제 임상 조건을 더 잘 반영하게 됩니다.

예를 들어 소아 영상 연구에서 연구자들은 해부학적 분할에 Ultralytics YOLO11을 사용하고 증강된 의료 데이터로 학습했습니다. 이미지를 더 현실적으로 만들기 위해 노이즈 추가, 미세한 위치 이동, 작은 왜곡 등의 변화를 적용했습니다.

그림 4. 원본 및 증강된 소아 의료 이미지 (출처)

이러한 변형을 통해 모델은 표면적인 차이가 아닌 의미 있는 해부학적 특징에 집중했습니다. 그 결과 다양한 영상과 환자 사례에서 분할 결과가 더욱 안정적이었습니다.

핵심 요점#

다양한 데이터를 수집하기는 어렵지만, 데이터 증강을 사용하면 모델이 더 폭넓은 시각적 조건을 학습할 수 있습니다. 이를 통해 가림, 조명 변화, 혼잡한 장면을 처리할 때 모델의 견고성이 향상됩니다. 전반적으로 통제된 학습 환경을 벗어난 상황에서도 더욱 안정적으로 작동할 수 있습니다.

커뮤니티에 참여하고 GitHub 저장소에서 최신 비전 AI를 살펴보세요. 제조 분야의 AI 및 헬스케어 분야의 컴퓨터 비전과 같은 애플리케이션이 어떻게 발전을 이끄는지 솔루션 페이지에서 확인하고, 다음 AI 솔루션을 구현하는 데 필요한 라이선스 옵션도 살펴보세요.