Ultralytics YOLO11을 이용한 패키지 식별 및 세그멘테이션

온라인으로 무언가를 주문하여 집으로 배송받는 과정은 단순해 보입니다. 버튼 몇 번만 클릭하면 택배가 문 앞에 도착합니다. 하지만 이러한 원활한 배송 뒤에는 패키지를 목적지까지 운송하기 위해 쉼 없이 움직이는 창고, 트럭, 분류 시스템의 복잡한 네트워크가 존재합니다. 이 시스템의 중추인 물류 산업은 2027년까지 137억 유로 규모로 성장할 것으로 전망됩니다.

하지만 이러한 성장과 함께 분류 오류, 배송 지연, 비효율성 등의 문제도 발생하고 있습니다. 더 빠르고 정확한 배송에 대한 수요가 증가함에 따라 전통적인 방식은 한계에 다다랐으며, 기업들은 더 스마트한 솔루션을 위해 인공지능(AI)과 컴퓨터 비전으로 눈을 돌리고 있습니다.

물류 분야의 비전 AI는 공정을 자동화하고 패키지 처리의 정확도를 향상함으로써 산업을 재편하고 있습니다. 컴퓨터 비전은 이미지와 영상을 실시간으로 분석하여 높은 정밀도로 패키지를 식별, 추적 및 분류함으로써 오류를 줄이고 운영을 간소화하는 데 도움을 줄 수 있습니다. 특히 Ultralytics YOLO11과 같은 고급 컴퓨터 비전 모델은 더욱 빠르고 정확한 패키지 식별을 가능하게 합니다.

Roboflow 패키지 세그멘테이션 데이터셋과 같은 고품질 컴퓨터 비전 데이터셋으로 YOLO11을 커스텀 학습시키면 실제 환경에서 최적의 성능을 보장할 수 있습니다. 이 글에서는 이 데이터셋을 사용하여 물류 운영을 재정의할 수 있도록 YOLO11을 학습시키는 방법을 살펴봅니다. 또한 실제 적용 사례에 대해서도 논의하겠습니다. 시작해 봅시다!

Link to this section컴퓨터 비전이 스마트 창고의 효율성을 재정의하는 방법#

창고에서는 매시간 수천 개의 패키지를 처리합니다. 분류나 추적에서의 오류는 지연을 유발하고 비용을 증가시키며 고객 불만을 초래할 수 있습니다. 컴퓨터 비전을 활용하면 기계가 이미지를 해석하고 지능적으로 작업을 수행하도록 만들 수 있습니다. 비전 AI 솔루션은 운영을 간소화하여 오류를 최소화하고 원활하게 진행되도록 돕습니다.

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 YOLO11을 사용하면 패키지 처리 속도를 높일 수 있습니다. 실시간으로 정확하게 패키지를 감지할 수 있기 때문입니다. 효율성을 높이고 오류를 줄임으로써 YOLO11은 원활한 운영을 지원하고, 기업이 마감 기한을 준수하며 더 나은 고객 경험을 제공하도록 돕습니다.

그림 1. YOLO11을 사용하여 박스를 감지하는 예시.

Link to this sectionYOLO11은 물류 애플리케이션에 매우 적합합니다#

YOLO11 supports various computer vision tasks such as object detection, instance segmentation, and image classification, making it a versatile tool for various industries. YOLO11 combines speed and accuracy, making it a great tool for the logistics industry.

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, 창고에서 YOLO11을 사용하면 실시간으로 작업자를 감지하여 안전성과 효율성을 향상할 수 있습니다. 작업자의 움직임을 추적하고 제한 구역을 식별하며 관리자에게 잠재적인 위험을 알림으로써 사고를 예방하고 원활한 운영을 보장합니다.

그림 2. YOLO11을 사용하여 창고 내 작업자를 감지하는 예시.

Link to this section패키지 세그멘테이션 데이터셋으로 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 현장의 과제를 반영하도록 설계된 Roboflow Universe 패키지 세그멘테이션 데이터셋입니다. 이 데이터셋은 이미지 속 패키지를 감지하고 윤곽을 따거나(세그멘테이션) 하는 모델을 학습시키는 데 사용할 수 있습니다.

인스턴스 세그멘테이션은 객체를 식별하고, 바운딩 박스를 생성하며, 그 모양을 정확하게 윤곽 따기 하는 컴퓨터 비전 작업입니다. 객체 주위에 바운딩 박스만 배치하는 객체 감지와 달리, 인스턴스 세그멘테이션은 부가적인 기능으로 상세한 픽셀 단위의 마스크를 제공합니다.

Roboflow Universe 패키지 세그멘테이션 데이터셋은 어두운 조명, 복잡한 공간, 예측할 수 없는 방향 등 다양한 조건의 패키지 이미지를 포함하고 있습니다. 또한 이 데이터셋의 구조는 효과적인 모델 학습 및 평가를 위해 생성되었습니다. 이는 학습용 1920개, 테스트용 89개, 검증용 188개의 어노테이션된 이미지로 구성됩니다. 이 다양한 인스턴스 세그멘테이션 데이터셋을 사용하여 학습된 컴퓨터 비전 모델은 창고 및 물류 센터의 복잡성에 쉽게 적응할 수 있습니다.

그림 3. Roboflow 패키지 세그멘테이션 데이터셋 개요.

Link to this section패키지 세그멘테이션 데이터셋으로 YOLO11 학습하기#

Ultralytics YOLO11과 같은 Ultralytics YOLO 모델을 학습하는 과정은 간단하고 명확합니다. 모델은 명령줄 인터페이스(CLI) 또는 Python 스크립트를 사용하여 학습할 수 있으며, 유연하고 사용자 친화적인 설정 옵션을 제공합니다.

Ultralytics Python 패키지가 Roboflow 패키지 세그멘테이션 데이터셋을 지원하므로, YOLO11을 학습시키는 데는 몇 줄의 코드만 있으면 되며 5분 이내에 학습을 시작할 수 있습니다. 자세한 내용은 공식 Ultralytics 문서를 확인하십시오.

이 데이터셋으로 YOLO11을 학습할 때, 내부적으로 학습 프로세스는 패키지 세그멘테이션 데이터셋을 학습, 검증, 테스트의 세 부분으로 나누는 것부터 시작합니다. 학습 세트는 모델이 패키지를 정확하게 식별하고 세그멘테이션하도록 가르치며, 검증 세트는 학습되지 않은 이미지로 테스트하여 정확도를 미세 조정함으로써 실제 시나리오에 잘 적응하도록 돕습니다.

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. YOLO11 커스텀 학습 워크플로. 저자 제공 이미지.

Link to this section더 스마트한 물류를 위한 컴퓨터 비전 애플리케이션#

이제 패키지 세그멘테이션 데이터셋을 사용하여 YOLO11을 커스텀 학습하는 방법을 살펴보았으니, 스마트 물류에서 컴퓨터 비전의 실제 적용 사례에 대해 논의해 보겠습니다.

Link to this sectionYOLO11을 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.

YOLO11을 사용하면 창고를 훨씬 더 효율적으로 운영할 수 있습니다. 모델은 객체 감지를 사용하여 실시간 피드를 분석하고 각 패키지를 식별할 수 있습니다. 이는 패키지를 정확하게 추적하여 오류를 줄이고 잘못 배치되거나 지연되는 배송을 방지하는 데 도움이 됩니다.

그림 5. YOLO11을 사용하여 패키지를 감지하고 카운트하는 모습.

게다가 YOLO11의 인스턴스 세그멘테이션 기능은 쌓여 있거나 겹쳐 있을 때에도 개별 패키지를 정확하게 식별하고 분리하여 패키지 처리를 더욱 효율적으로 만듭니다. 분류 정확도를 개선하고 더 나은 재고 추적을 가능하게 함으로써, YOLO11은 물류 프로세스를 자동화하고 오류를 줄이며 운영을 원활하게 유지하도록 돕습니다.

Link to this section손상 감지를 위한 YOLO11 활용#

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.

YOLO11은 이러한 문제를 조기에 발견하는 데 도움을 줄 수 있습니다. 분류 센터에서 YOLO11은 인스턴스 세그멘테이션을 사용하여 패키지를 실시간으로 스캔함으로써 찌그러짐, 찢어짐, 누출 등을 감지할 수 있습니다. 손상된 패키지가 식별되면 자동으로 표시되고 생산 라인에서 제거될 수 있습니다. 비전 AI 기반 시스템은 낭비를 줄이고 고객이 고품질 제품만 받을 수 있도록 보장합니다.

Link to this section물류 분야 컴퓨터 비전의 장단점#

스마트 물류에서 컴퓨터 비전을 사용하는 실제 사례를 살펴보았으니, 이제 YOLO11과 같은 컴퓨터 비전 모델이 가져오는 이점을 자세히 살펴보겠습니다. 포장 품질 유지에서부터 수요 급증 시 작업 처리에 이르기까지, 작은 개선 사항이라도 큰 차이를 만들 수 있습니다.

주요 이점은 다음과 같습니다:

• 비용 절감: 효율성을 개선하고 낭비를 줄이며 반품을 최소화함으로써 YOLO11은 전반적인 운영 비용을 낮추는 데 기여합니다.

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

• 지속 가능성 이점: 낭비를 줄이고 경로를 최적화하며 불필요한 배송을 최소화함으로써 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.

Link to this section스마트 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.

저희 커뮤니티에 참여하시고 GitHub 저장소를 확인하여 AI의 작동 모습을 직접 확인해 보십시오. YOLO 라이선스 옵션을 살펴보고, 솔루션 페이지에서 농업 분야의 컴퓨터 비전 및 의료 분야의 AI에 대해 자세히 알아보십시오.