Ultralytics YOLO11을 이용한 패키지 식별 및 세그멘테이션

온라인에서 물건을 주문하고 집으로 배송받을 때, 그 과정은 단순하게 느껴집니다. 몇 번의 버튼 클릭만으로 집 앞에 택배가 도착합니다. 하지만 그 매끄러운 배송 뒤에는 물건을 제때 목적지로 보내기 위해 끊임없이 움직이는 창고, 트럭, 분류 시스템의 복잡한 네트워크가 있습니다. 이 시스템의 뼈대인 물류 산업은 2027년까지 무려 137억 유로 규모로 성장할 것으로 예상됩니다.

그러나 이러한 성장은 분류 오류, 배송 지연, 비효율성 등 적지 않은 과제를 동반합니다. 더 빠르고 정확한 배송에 대한 수요가 증가함에 따라 전통적인 방식은 한계를 드러내고 있으며, 기업들은 더 스마트한 솔루션을 위해 인공지능(AI)과 컴퓨터 비전으로 눈을 돌리고 있습니다.

물류 분야의 비전 AI는 프로세스를 자동화하고 패키지 처리 정확도를 향상시켜 산업을 재편하고 있습니다. 실시간으로 이미지와 영상을 분석함으로써 컴퓨터 비전은 높은 정밀도로 패키지를 식별, 추적, 분류하여 오류를 줄이고 운영을 간소화하는 데 도움을 줍니다. 특히 Ultralytics YOLO11과 같은 고급 컴퓨터 비전 모델은 더 빠르고 정확한 패키지 식별을 가능하게 합니다.

Roboflow Package Segmentation Dataset과 같은 고품질 컴퓨터 비전 데이터셋으로 Ultralytics YOLO11을 커스텀 학습하면 실제 환경에서 최적의 성능을 보장할 수 있습니다. 본 글에서는 물류 운영을 재정의하기 위해 이 dataset을 사용하여 YOLO11을 학습하는 방법을 살펴봅니다. 또한 실제 적용 사례에 대해서도 논의합니다. 시작하겠습니다!

컴퓨터 비전이 스마트 창고의 효율성을 재정의하는 방법#

창고에서는 매시간 수천 개의 패키지를 처리합니다. 분류나 추적에서의 오류는 지연과 비용 증가를 초래하고 고객을 좌절시킬 수 있습니다. 컴퓨터 비전을 활용하면 기계가 이미지를 해석하고 작업을 지능적으로 수행할 수 있습니다. 비전 AI 솔루션은 운영을 간소화하여 오류를 줄이며 원활하게 실행되도록 도울 수 있습니다.

예를 들어, 컴퓨터 비전은 패키지 식별 및 손상 감지와 같은 작업을 개선하여 수동 방식보다 빠르고 신뢰성 있게 처리할 수 있습니다. 이러한 시스템은 좁은 공간이나 낮은 조명 등 까다로운 환경에서도 잘 작동하도록 설계되는 경우가 많습니다.

구체적으로, Ultralytics YOLO11은 패키지 처리를 가속화하는 데 사용할 수 있습니다. 실시간으로 패키지를 정밀하고 신속하게 감지할 수 있습니다. 효율성을 높이고 오류를 줄임으로써 YOLO11은 원활한 운영을 지원하여 기업이 마감일을 준수하고 더 나은 고객 경험을 제공할 수 있도록 돕습니다.

그림 1. YOLO11을 사용하여 상자를 감지하는 예시.

Ultralytics YOLO11은 물류 애플리케이션에 매우 적합합니다.#

Ultralytics YOLO11은 객체 검출, instance segmentation, 이미지 분류 등 다양한 computer vision tasks를 지원하여 다양한 산업에서 다목적으로 활용할 수 있는 도구입니다. YOLO11은 속도와 정확도를 겸비하고 있어 물류 산업에 훌륭한 도구입니다.

YOLOv8m 대비 22% 더 적은 파라미터를 사용하여 COCO 데이터셋에서 더 높은 정밀도를 달성하므로, 객체를 더 정확하고 효율적으로 감지할 수 있습니다. 이는 빠르게 진행되는 대량 배송 환경에서도 패키지를 신속하고 안정적으로 식별할 수 있음을 의미합니다.

또한 이러한 장점은 패키지에만 국한되지 않습니다. 예를 들어 Ultralytics YOLO11을 창고에서 사용하여 작업자를 실시간으로 감지함으로써 안전성과 효율성을 향상시킬 수 있습니다. 작업자의 이동을 추적하고, 제한 구역을 식별하며, 잠재적 위험에 대해 관리자에게 경고함으로써 사고를 예방하고 원활한 작업을 보장하는 데 도움이 됩니다.

그림 2. Ultralytics YOLO11을 사용하여 창고의 작업자를 감지하는 예시입니다.

패키지 세그멘테이션 데이터셋으로 Ultralytics YOLO11 최적화하기#

모든 훌륭한 AI 애플리케이션 뒤에는 일반적으로 고품질 데이터셋으로 학습된 모델이 있습니다. 이러한 데이터셋은 물류 컴퓨터 비전 솔루션을 구축하는 데 매우 중요합니다.

이러한 데이터셋의 좋은 예는 실제 물류 과제를 반영하도록 설계된 Roboflow Universe 패키지 세분화 데이터셋입니다. 이 데이터셋은 이미지에서 패키지를 감지하고 윤곽을 잡거나(세분화) 모델을 학습시키는 데 사용할 수 있습니다.

인스턴스 세분화는 객체를 식별하고 경계 상자를 생성하며 그 형태를 정확하게 외곽선으로 표시하는 컴퓨터 비전 작업입니다. 객체 주위에 경계 상자만 배치하는 객체 감지와 달리, 인스턴스 세분화는 추가 기능으로 상세한 픽셀 수준의 마스크를 제공합니다.

Roboflow Universe 패키지 세분화 데이터셋은 어두운 조명, 혼잡한 공간, 예측할 수 없는 방향 등 다양한 조건에서의 패키지 이미지를 특징으로 합니다. 또한 이 데이터셋의 구조는 효과적인 모델 학습과 평가를 위해 생성되었습니다. 학습을 위한 1920개의 주석이 달린 이미지, 테스트용 89개, 검증용 188개로 구성되어 있습니다. 이 다양한 인스턴스 세분화 데이터셋을 사용하여 학습된 컴퓨터 비전 모델은 창고와 물류 센터의 복잡성에 쉽게 적응할 수 있습니다.

그림 3. Roboflow 패키지 세분화 데이터셋 개요.

패키지 세그멘테이션 데이터셋으로 Ultralytics YOLO11 학습하기#

Ultralytics YOLO11과 같은 Ultralytics YOLO 모델 학습은 간단하고 직관적인 프로세스를 포함합니다. 모델은 명령줄 인터페이스(CLI) 또는 Python 스크립트를 사용하여 학습할 수 있으며 유연하고 사용자 친화적인 설정 옵션을 제공합니다.

Ultralytics Python 패키지는 Roboflow 패키지 세분화 데이터셋을 지원하므로, 여기에 YOLO11을 학습시키는 것은 몇 줄의 코드만 필요하며 단 5분 만에 학습을 시작할 수 있습니다. 자세한 내용은 공식 Ultralytics 문서를 확인하세요.

이 데이터셋으로 Ultralytics YOLO11을 학습시킬 때, 백그라운드에서 학습 프로세스는 먼저 패키지 세그멘테이션 데이터셋을 훈련, 검증, 테스트의 세 부분으로 나누어 시작합니다. 훈련 세트는 모델이 패키지를 정확하게 식별하고 세그멘테이션하도록 가르치고, 검증 세트는 보지 않은 이미지로 테스트하여 정확도를 세밀하게 조정하는 데 도움을 주어 실제 시나리오에 잘 적응하도록 보장합니다.

마지막으로 테스트 세트는 전반적인 성능을 평가하여 모델이 배포 준비가 되었는지 확인합니다. 학습이 완료되면 모델은 물류 워크플로에 원활하게 통합되어 패키지 식별 및 분류와 같은 작업을 자동화합니다.

그림 4. Ultralytics YOLO11을 위한 커스텀 훈련 워크플로. 이미지 제공: 저자.

더 스마트한 물류를 위한 컴퓨터 비전 애플리케이션#

패키지 세그멘테이션 데이터셋을 사용하여 Ultralytics YOLO11을 커스텀 훈련하는 방법을 살펴보았으므로, 이제 스마트 물류에서 컴퓨터 비전의 몇 가지 실제 응용 분야에 대해 논의해 보겠습니다.

Ultralytics YOLO11을 활용한 스마트 창고 모니터링#

창고는 특히 바쁜 판매 시즌 동안 시간당 수천 개의 패키지를 처리합니다. 모든 모양과 크기의 패키지가 컨베이어 벨트를 따라 빠르게 이동하며 분류 및 발송을 기다립니다. 이렇게 방대한 양의 패키지를 수동으로 분류하면 실수, 지연, 노력 낭비가 발생할 수 있습니다.

Ultralytics YOLO11을 사용하여 창고는 훨씬 더 효율적으로 운영될 수 있습니다. 이 모델은 실시간 피드를 분석하여 object detection을 통해 각 패키지를 식별할 수 있습니다. 이는 패키지를 정확하게 추적하는 데 도움을 주며, 오류를 줄이고 잘못 배치되거나 지연된 화물을 방지합니다.

그림 5. YOLO11을 사용하여 패키지를 감지하고 세는 방법.

뿐만 아니라, Ultralytics YOLO11의 인스턴스 세그멘테이션 기능은 쌓여 있거나 겹쳐 있는 경우에도 개별 패키지를 정확하게 식별하고 분리하여 패키지 처리 효율성을 높여줍니다. 분류 정확도를 향상시키고 더 나은 재고 추적을 가능하게 함으로써 YOLO11은 물류 프로세스를 자동화하고, 오류를 줄이며, 운영이 원활하게 유지되도록 돕습니다.

손상 감지를 위해 Ultralytics YOLO11 사용하기#

찢어지거나, 찌그러지거나, 손상된 패키지를 받고 싶어 하는 사람은 아무도 없습니다. 이는 고객에게는 실망스러운 일이며, 기업에는 불만 제기, 반품, 자원 낭비로 이어져 비용 부담이 큽니다. 손상되지 않은 패키지를 일관되게 배송하는 것은 고객 신뢰를 유지하는 핵심 요소입니다.

Ultralytics YOLO11은 이러한 문제를 조기에 발견하는 데 도움을 줍니다. 분류 센터에서 YOLO11은 인스턴스 세그멘테이션을 사용하여 실시간으로 패키지를 스캔함으로써 찌그러짐, 찢어짐 또는 누출을 감지하는 데 사용할 수 있습니다. 손상된 패키지가 식별되면 자동으로 플래그가 지정되어 생산 라인에서 제거될 수 있습니다. 비전 AI 기반 시스템은 폐기물을 줄이고 고객이 고품질 제품만을 받을 수 있도록 보장하는 데 도움이 됩니다.

물류 분야 컴퓨터 비전의 장단점#

스마트 물류에서 컴퓨터 비전을 사용하는 실제 응용 분야를 살펴보았으므로, 이제 Ultralytics YOLO11과 같은 컴퓨터 비전 모델이 가져다주는 이점을 더 자세히 살펴보겠습니다. 포장 품질 유지부터 성수기 수요 대응에 이르기까지, 작은 개선 사항이라도 큰 차이를 만들 수 있습니다.

주요 이점은 다음과 같습니다:

• 비용 절감: 효율성 향상, 낭비 감소, 반품 최소화를 통해 Ultralytics YOLO11은 전반적인 운영 비용을 낮추는 데 기여합니다.

• 창고 자동화: 엣지 컴퓨팅에 최적화된 Ultralytics YOLO11은 창고 로봇 및 공중 drones과 통합되어 대규모 풀필먼트 센터에서 패키지 처리를 자동화할 수 있습니다.

• 지속 가능성 이점: 폐기물 감소, 경로 최적화, 불필요한 배송 최소화를 통해 Ultralytics YOLO11은 더욱 친환경적인 물류 운영에 기여합니다.

이러한 장점에도 불구하고 물류 워크플로에 컴퓨터 비전 혁신을 도입할 때 염두에 두어야 할 몇 가지 제한 사항도 있습니다:

• 지속적인 업데이트 필요: 새로운 과제, 패키지 유형 또는 변화하는 창고 레이아웃에 적응하기 위해 AI 모델은 정기적으로 업데이트되고 재학습되어야 합니다.
• 레거시 시스템과의 통합: 많은 물류 기업이 구형 인프라에 의존하고 있어 최신 AI 기술과의 원활한 통합이 어려울 수 있습니다.
• 개인정보 보호 및 보안 문제: AI 기반 비전 시스템을 사용하면 직원 개인정보 보호 및 데이터 보안에 관한 우려가 제기될 수 있으므로 신중한 정책 검토가 필요합니다.

스마트 창고에 대한 핵심 요약#

Ultralytics YOLO11을 Roboflow 패키지 세그멘테이션 데이터셋과 같은 데이터셋으로 커스텀 학습하면, 다양한 창고 환경에 적응하고 피크 기간에 효율적으로 확장함으로써 물류 자동화를 향상할 수 있습니다. 물류 운영이 더욱 복잡해짐에 따라 YOLO11은 정확도를 보장하고 오류를 최소화하며 배송이 원활하게 진행되도록 돕습니다.

물류 분야의 비전 AI는 더 스마트하고 빠르며 신뢰할 수 있는 워크플로를 구현하여 산업을 변화시키고 있습니다. 기업은 운영에 컴퓨터 비전을 통합함으로써 효율성을 높이고 비용을 절감하며 고객 만족도를 개선할 수 있습니다.

커뮤니티에 가입하고 GitHub 저장소를 확인하여 작동 중인 AI를 확인하세요. 솔루션 페이지에서 YOLO 라이선스 옵션을 살펴보고 농업 분야의 컴퓨터 비전과 의료 분야의 AI에 대해 자세히 알아보세요.