Streamlit과 Ultralytics YOLO11을 사용하여 대화형 AI 앱 실행

Computer vision models은 기계가 시각 데이터를 해석하고 분석할 수 있도록 지원하는 영향력 있는 AI 도구로, 객체 검출, 이미지 분류, 인스턴스 세그멘테이션 등의 작업을 높은 정확도로 수행합니다. 그러나 이를 배포하고 더 많은 대중이 접근할 수 있도록 만들기 위해 웹 개발이나 모바일 앱 기술과 같은 추가적인 기술적 전문 지식이 요구되는 경우가 간혹 있습니다.

예를 들어 Ultralytics YOLO11을 살펴보겠습니다. 이 모델은 다양한 작업을 지원하며 다양한 응용 분야에서 유용하게 활용됩니다. 하지만 프론트엔드에 대한 기술적 지식 없이는, 원활한 상호작용을 위한 사용자 친화적인 인터페이스를 구축하고 배포하는 것이 일부 AI 엔지니어에게는 다소 어렵게 느껴질 수 있습니다.

Streamlit은 이 과정을 더 쉽게 만드는 것을 목표로 하는 오픈소스 프레임워크입니다. 복잡한 프론트엔드 개발 없이 대화형 애플리케이션을 구축하기 위한 Python 기반 도구입니다. Ultralytics YOLO11과 결합하면 사용자가 최소한의 노력으로 이미지를 업로드하고, 동영상을 처리하며, 실시간 결과를 시각화할 수 있습니다.

Ultralytics는 실시간 추론(Live Inference) 솔루션을 통해 이를 한 단계 더 발전시켜 Streamlit 통합을 더욱 쉽게 만듭니다. 단일 명령어만으로 사용자는 사전 제작된 Streamlit app for YOLO11을 실행할 수 있으며, 수동 설정과 코딩의 필요성이 없어집니다.

본 게시물에서는 Ultralytics의 Live Inference 솔루션과 Streamlit을 사용하여 YOLO11을 설정하고 실행하는 방법을 단계별로 안내하며, 실시간 AI 배포를 더욱 빠르고 접근하기 쉽게 만드는 방법을 알아보겠습니다.

Streamlit이란 무엇인가요?#

Streamlit은 대화형 웹 애플리케이션 제작을 단순화하는 Python 프레임워크입니다. AI 개발자는 프런트엔드 개발의 복잡한 과정 없이 AI 기반 앱을 구축할 수 있습니다.

이 프레임워크는 AI 및 머신러닝 모델과 원활하게 작동하도록 설계되었습니다. 단 몇 줄의 Python 코드만으로 사용자가 이미지를 업로드하고 영상을 처리하며 AI 모델과 상호작용할 수 있는 인터페이스를 만들 수 있습니다.

그림 1. Streamlit의 주요 기능. 이미지 제공: 저자.

주요 기능 중 하나는 동적 렌더링입니다. 사용자가 변경 사항을 적용하면 페이지를 수동으로 새로 고침할 필요 없이 앱이 자동으로 업데이트됩니다.

또한 경량화되어 사용하기 쉽기 때문에 Streamlit은 로컬 기기와 클라우드 플랫폼 모두에서 효율적으로 실행됩니다. 따라서 AI 애플리케이션 배포, 모델 공유, 그리고 직관적이고 대화형인 사용자 경험을 제공하는 데 탁월한 선택입니다.

Ultralytics YOLO11: 다재다능한 비전 AI 모델#

Streamlit 애플리케이션에서 Ultralytics YOLO11을 사용하여 실시간 추론을 실행하는 방법을 알아보기 전에, YOLO11이 왜 신뢰할 수 있는지 자세히 살펴보겠습니다.

Ultralytics YOLO11은 객체 검출, 인스턴스 세그멘테이션, 포즈 추정 등의 실시간 computer vision tasks을 위해 설계된 모델입니다. 인상적인 정확도와 함께 고속 성능을 제공합니다.

Fig 2. 객체 검출에 YOLO11을 사용하는 예시.

YOLO11의 가장 큰 장점 중 하나는 사용 편의성입니다. 복잡한 설정이 필요 없으며, 개발자는 Ultralytics Python 패키지를 설치하고 단 몇 줄의 코드만으로 예측을 시작할 수 있습니다.

Ultralytics Python 패키지는 다양한 기능을 제공하여 사용자가 모델을 미세 조정하고 탐지 설정을 변경할 수 있도록 합니다. 또한 다양한 장치에서 성능을 최적화하여 원활한 배포를 지원합니다.

유연성을 넘어, Ultralytics Python 패키지는 엣지 디바이스, 클라우드 환경, NVIDIA GPU 지원 시스템을 비롯한 여러 플랫폼 전반의 integrations을 지원합니다. 소형 임베디드 디바이스에 배포되든 대규모 클라우드 서버에 배포되든, YOLO11은 손쉽게 적응하여 첨단 비전 AI를 그 어느 때보다 쉽게 이용할 수 있도록 합니다.

Ultralytics YOLO11과 Streamlit 사용의 이점#

Streamlit이 자신에게 적합한 배포 옵션인지 궁금하실 것입니다. 프론트엔드 개발을 다루지 않고 Ultralytics YOLO11을 실행할 수 있는 간단하고 코드 효율적인 방법을 찾고 계신다면, Streamlit은 특히 프로토타이핑, 개념 증명(PoC) 프로젝트 또는 소규모 사용자를 대상으로 하는 배포에 좋은 옵션입니다.

불필요한 복잡성을 제거하고 실시간 상호작용을 위한 직관적인 인터페이스를 제공함으로써 Ultralytics YOLO11 작업 프로세스를 간소화합니다. 몇 가지 다른 주요 장점은 다음과 같습니다.

• 사용자 지정 가능한 AI 제어: 슬라이더, 드롭다운, 버튼을 인터페이스에 추가하여 사용자가 탐지 설정을 미세 조정하고 특정 객체를 쉽게 필터링할 수 있습니다.

• 다른 AI 도구와의 통합: Streamlit은 NumPy, OpenCV, Matplotlib 및 기타 머신러닝 라이브러리와의 통합을 지원하여 AI 워크플로 기능을 향상시킵니다.

• 대화형 데이터 시각화: 차트 및 그래프에 대한 기본 지원을 통해 사용자는 객체 탐지, 세그멘테이션 결과 또는 추적 통찰력을 쉽게 시각화할 수 있습니다.

• 협업 친화성: Streamlit 앱은 간단한 링크를 통해 팀원, 이해관계자 또는 고객과 쉽게 공유할 수 있어 즉각적인 피드백과 반복 개선이 가능합니다.

Streamlit 웹 앱에 Ultralytics YOLO11을 배포하기 위한 단계별 가이드#

Streamlit과 Ultralytics YOLO11 사용의 장점을 살펴보았으므로, 이제 Streamlit과 YOLO11을 사용하여 브라우저에서 실시간 컴퓨터 비전 작업을 실행하는 방법을 살펴보겠습니다.

Ultralytics Python 패키지 설치#

첫 번째 단계는 Ultralytics Python package를 설치하는 것입니다. 이는 다음 명령어를 사용하여 수행할 수 있습니다:

설치가 완료되면 복잡한 설정 없이 YOLO11을 바로 사용할 수 있습니다. 필수 패키지를 설치하는 동안 문제가 발생하는 경우, 문제 해결 팁과 솔루션을 위해 당사의 Common Issues Guide를 참조하실 수 있습니다.

Ultralytics YOLO11로 Streamlit 애플리케이션 실행하기#

일반적으로는 YOLO11을 실행하기 위해 Streamlit 구성 요소를 사용하여 Python 스크립트를 개발해야 합니다. 그러나 Ultralytics는 Streamlit으로 YOLO11을 실행하는 간단한 방법을 제공합니다.

다음 Python 스크립트를 실행하면 기본 웹 브라우저에서 즉시 Streamlit 애플리케이션이 실행됩니다:

추가 설정이 필요하지 않습니다. Streamlit 애플리케이션 인터페이스에는 이미지 및 동영상 업로드 섹션, 관심 있는 Ultralytics YOLO11 모델 변형을 선택하기 위한 드롭다운 메뉴, 감지 신뢰도를 조절하기 위한 슬라이더가 포함되어 있습니다. 모든 것이 깔끔하게 정리되어 있어 사용자가 추가 코드를 작성하지 않고도 손쉽게 추론을 실행할 수 있습니다.

Streamlit 애플리케이션에서 Ultralytics YOLO11을 사용하여 추론 실행하기#

이제 Streamlit 애플리케이션이 웹 브라우저에서 실행 중이므로, 이를 사용하여 Ultralytics YOLO11로 추론을 실행하는 방법을 살펴보겠습니다.

예를 들어, 객체 탐지를 위해 영상 파일을 분석한다고 가정해 보겠습니다. 파일을 업로드하고, 모델을 선택하며, 실시간 결과를 확인하는 단계는 다음과 같습니다:

• 영상 파일 업로드: 사용자 구성 드롭다운에서 "video"를 선택합니다. 이는 애플리케이션이 웹캠 피드 대신 사전 녹화된 파일을 처리하도록 지시합니다.
• YOLO11 모델 선택: 대형 YOLO11 모델을 사용한 객체 탐지를 위해 모델 드롭다운에서 "YOLO11l"을 선택합니다.
• 감지 프로세스 시작: "시작"을 클릭하여 Ultralytics YOLO11이 동영상을 프레임별로 분석하고 실시간으로 객체를 감지하도록 합니다.
• 처리된 영상 보기: 바운딩 박스로 탐지된 객체가 표시되면서 실시간으로 업데이트되는 영상이 화면에 나타나는 것을 확인합니다.
• Streamlit에서 결과와 상호작용: 추가 설정이나 코딩 없이 인터페이스를 사용하여 설정을 조정하거나 탐지 결과를 분석합니다.

그림 3. Ultralytics YOLO Streamlit 애플리케이션 인터페이스.

Streamlit과 Ultralytics YOLO11을 활용한 사용 사례#

지금까지 프로토타입, 연구 도구, 중소규모 애플리케이션 제작에 Streamlit이 얼마나 유용한지 살펴보았습니다. 복잡한 프런트엔드 개발 없이 AI 모델을 배포할 수 있는 간단한 방법을 제공합니다.

하지만 위 단계에서 설정한 Ultralytics YOLO Streamlit 애플리케이션을 사용하지 않는 한, YOLO11을 Streamlit과 함께 사용하는 것이 항상 즉시 가능한 솔루션은 아닙니다. 대부분의 경우 특정 요구 사항에 맞게 애플리케이션을 사용자 지정하기 위한 개발 작업이 필요합니다. Streamlit이 배포를 단순화하지만, YOLO11이 원활하게 실행되도록 필요한 구성 요소를 설정해야 합니다.

실제 시나리오에서 Ultralytics YOLO11을 Streamlit과 함께 효과적으로 배포하는 두 가지 실용적인 예시를 살펴보겠습니다.

Ultralytics YOLO11을 활용한 재고 조사를 위한 객체 카운팅#

소매점, 보관실 또는 사무용품 구역의 재고를 추적하는 것은 시간이 오래 걸리고 오류가 발생하기 쉽습니다. 기업은 Ultralytics YOLO11을 Streamlit과 함께 사용하여 객체 카운팅을 빠르고 효율적으로 자동화할 수 있으므로, 대규모 배포를 확정하기 전에 개념 증명(PoC)을 진행하는 데 훌륭한 옵션이 됩니다.

이 설정을 통해 사용자는 이미지를 업로드하거나 라이브 카메라 피드를 사용할 수 있으며, Ultralytics YOLO11은 객체 카운트를 즉시 감지하고 수행하는 데 도움을 줄 수 있습니다. 실시간 카운트는 Streamlit 인터페이스에 표시되어 수동 작업 없이 재고 수준을 쉽게 모니터링할 수 있는 방법을 제공합니다.

예를 들어, 매장 소유자는 선반을 스캔하고 수동으로 셀 필요 없이 병, 상자 또는 포장 상품이 얼마나 있는지 즉시 확인할 수 있습니다. 기업은 Ultralytics YOLO11과 Streamlit을 활용하여 수동 작업을 줄이고, 정확성을 향상시키며, 최소한의 투자로 자동화를 탐색할 수 있습니다.

그림 4. Ultralytics YOLO11을 사용하여 냉장고 안의 병 감지하기.

Ultralytics YOLO11과 Streamlit을 통한 보안 강화#

사무실, 창고 또는 이벤트 장소의 제한 구역을 안전하게 유지하는 것은 특히 수동 모니터링의 경우 어려울 수 있습니다. 기업은 Ultralytics YOLO11을 Streamlit과 함께 사용하여 간단한 AI 기반 보안 시스템을 구축하여 실시간으로 무단 접근을 감지할 수 있습니다.

카메라 피드를 Streamlit 인터페이스에 연결할 수 있으며, 여기서 Ultralytics YOLO11을 사용하여 제한 구역에 들어오는 사람들을 식별하고 추적합니다. 무단 출입자가 감지되면 시스템은 경고를 트리거하거나 검토를 위해 이벤트를 기록할 수 있습니다.

예를 들어, 창고 관리자는 보안이 중요한 저장 구역에 대한 접근을 모니터링할 수 있으며, 사무실은 지속적인 감독 없이도 제한 구역 내의 움직임을 추적할 수 있습니다.

이는 더 크고 완전 자동화된 시스템을 확정하기 전에 비전 AI 기반 보안 모니터링을 탐색하고자 하는 기업에게 눈을 뜨게 하는 프로젝트가 될 수 있습니다. Ultralytics YOLO11을 Streamlit과 통합함으로써 기업은 보안을 강화하고, 수동 모니터링을 최소화하며, 무단 접근에 더 효과적으로 대응할 수 있습니다.

Streamlit을 사용한 대화형 AI 앱 모니터링 팁#

Streamlit과 같은 도구를 사용하여 컴퓨터 비전 모델을 배포하면 상호작용이 가능하고 사용자 친화적인 경험을 만드는 데 도움이 됩니다. 그러나 라이브 인터페이스를 설정한 후에는 시스템이 효율적으로 실행되고 시간이 지나도 정확한 결과를 제공하는지 확인하는 것이 중요합니다.

배포 후 고려해야 할 주요 요소는 다음과 같습니다:

• Regular monitoring: 검출 정확도, 추론 속도 및 리소스 사용량을 추적합니다. 성능이 저하될 경우 모델 파라미터를 조정하거나 하드웨어를 업그레이드하십시오.
• 다중 사용자 관리 및 확장성: 사용자 수요가 증가함에 따라 인프라를 최적화하는 것이 성능 유지의 핵심입니다. 클라우드 플랫폼과 확장 가능한 배포 솔루션은 원활한 운영을 보장합니다.
• 모델 업데이트 유지: 모델과 라이브러리를 최신 상태로 유지하면 정확도, 보안이 향상되고 새로운 기능에 접근할 수 있습니다.

핵심 요약#

Ultralytics는 단일 명령으로 실행되는 바로 사용 가능한 Streamlit 라이브 인터페이스를 통해 YOLO11 배포를 단순화합니다. 코딩은 필요하지 않습니다. 이를 통해 사용자는 즉시 실시간 객체 탐지를 시작할 수 있습니다.

인터페이스에는 내장된 사용자 지정 기능이 포함되어 있어 사용자가 모델을 전환하고, 탐지 정확도를 조정하며, 객체를 쉽게 필터링할 수 있습니다. 모든 것이 간단하고 사용자 친화적인 인터페이스 내에서 관리되므로 수동 UI 개발이 필요 없습니다. 결합함으로써

Ultralytics YOLO11의 기능과 Streamlit의 배포 용이성을 결합하여 기업과 개발자는 AI 기반 애플리케이션을 빠르게 프로토타이핑하고, 테스트하며, 고도화할 수 있습니다.

저희 community의 일원이 되고 AI에 대한 더 많은 인사이트를 얻기 위해 저희 GitHub repository를 살펴보세요. AI in manufacturing 및 computer vision in healthcare과 같은 혁신에 대해 자세히 알아보려면 솔루션 페이지를 확인해 보세요. 저희 licensing options을 확인하고 지금 바로 시작하세요!