Streamlit과 Ultralytics YOLO11로 대화형 AI 앱 실행하기

컴퓨터 비전 모델은 머신이 시각 데이터를 해석하고 분석할 수 있도록 지원하는 강력한 AI 도구로, 높은 정확도로 객체 감지, 이미지 분류, 인스턴스 세그멘테이션과 같은 작업을 수행합니다. 그러나 이러한 모델을 배포하고 더 많은 사용자가 이용할 수 있도록 하려면 웹 개발이나 모바일 앱 개발과 같은 추가적인 기술 전문성이 필요할 수 있습니다.

Ultralytics YOLO11을 예로 들어 보겠습니다. 다양한 작업을 지원하며 여러 애플리케이션에서 유용하게 사용할 수 있는 모델입니다. 그러나 일부 AI 엔지니어에게는 프론트엔드 관련 기술 지식 없이는 원활하게 상호작용할 수 있는 사용자 친화적 인터페이스를 구축하고 배포하는 일이 다소 어려울 수 있습니다.

Streamlit은 이 과정을 간소화하는 것을 목표로 하는 오픈 소스 프레임워크입니다. 복잡한 프론트엔드 개발 없이 대화형 애플리케이션을 구축할 수 있는 Python 기반 도구입니다. Ultralytics YOLO11과 함께 사용하면 사용자가 이미지를 업로드하고, 비디오를 처리하며, 최소한의 노력으로 실시간 결과를 시각화할 수 있습니다.

Ultralytics는 Live Inference 솔루션을 통해 이 과정을 한 단계 더 간소화하여 Streamlit 통합을 더욱 쉽게 지원합니다. 한 번의 명령으로 사전 구축된 YOLO11용 Streamlit 앱을 실행할 수 있어 수동 설정과 코딩이 필요하지 않습니다.

이 글에서는 Ultralytics의 Live Inference 솔루션과 Streamlit을 사용하여 YOLO11을 설정하고 실행하는 방법을 살펴보고, 실시간 AI 배포를 더 빠르고 쉽게 수행하는 방법을 설명합니다.

Streamlit이란 무엇인가요?#

Streamlit은 대화형 웹 애플리케이션 생성을 간소화하는 Python 프레임워크입니다. AI 개발자는 프론트엔드 개발의 복잡한 세부 사항을 직접 처리하지 않고도 AI 기반 앱을 구축할 수 있습니다.

Streamlit은 AI 및 머신러닝 모델과 원활하게 연동되도록 설계되었습니다. 개발자는 몇 줄의 Python 코드만으로 사용자가 이미지를 업로드하고, 비디오를 처리하며, AI 모델과 상호작용할 수 있는 인터페이스를 만들 수 있습니다.

그림 1. Streamlit의 주요 기능입니다. 이미지 제공: 저자.

주요 기능 중 하나는 동적 렌더링입니다. 사용자가 변경 사항을 적용하면 수동으로 페이지를 새로고침하지 않아도 앱이 자동으로 업데이트됩니다.

또한 Streamlit은 가볍고 사용하기 쉬워 로컬 머신과 클라우드 플랫폼 모두에서 효율적으로 실행됩니다. 따라서 AI 애플리케이션을 배포하고, 다른 사람과 모델을 공유하며, 직관적이고 대화형인 사용자 경험을 제공하는 데 적합합니다.

Ultralytics YOLO11: 다목적 Vision AI 모델#

Streamlit 애플리케이션에서 Ultralytics YOLO11을 사용하여 라이브 추론을 실행하는 방법을 살펴보기에 앞서, YOLO11을 안정적으로 만드는 요소를 자세히 알아보겠습니다.

Ultralytics YOLO11은 객체 감지, 인스턴스 세그멘테이션, 포즈 추정과 같은 실시간 컴퓨터 비전 작업을 위해 설계된 모델입니다. 뛰어난 정확도와 함께 높은 속도의 성능을 제공합니다.

그림 2. 객체 감지에 YOLO11을 사용하는 예시입니다.

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

Ultralytics Python 패키지는 다양한 기능을 제공하여 사용자가 모델을 파인튜닝하고 감지 설정을 조정할 수 있도록 합니다. 또한 여러 디바이스에서 성능을 최적화하여 더욱 원활한 배포를 지원합니다.

유연성뿐만 아니라 Ultralytics Python 패키지는 엣지 디바이스, 클라우드 환경, NVIDIA GPU가 탑재된 시스템을 비롯한 여러 플랫폼과의 통합을 지원합니다. 소형 임베디드 디바이스에 배포하든 대규모 클라우드 서버에 배포하든 YOLO11은 손쉽게 적용되어 고급 Vision AI를 그 어느 때보다 쉽게 사용할 수 있도록 합니다.

Streamlit을 Ultralytics YOLO11과 함께 사용할 때의 이점#

Streamlit이 자신에게 적합한 배포 옵션인지 궁금할 수 있습니다. 프론트엔드 개발을 직접 처리하지 않고 간단하고 효율적인 코드로 Ultralytics YOLO11을 실행하려는 경우 Streamlit이 좋은 선택입니다. 특히 프로토타이핑, 개념 증명(PoC) 프로젝트 또는 소수의 사용자를 대상으로 하는 배포에 적합합니다.

불필요한 복잡성을 제거하고 실시간 상호작용을 위한 직관적인 인터페이스를 제공하여 Ultralytics YOLO11 작업 과정을 간소화합니다. 그 밖의 주요 장점은 다음과 같습니다.

• 사용자 지정 가능한 AI 컨트롤: 인터페이스에 슬라이더, 드롭다운, 버튼을 추가하여 사용자가 감지 설정을 파인튜닝하고 특정 객체를 쉽게 필터링할 수 있습니다.

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

• 대화형 데이터 시각화: 차트와 그래프를 기본적으로 지원하므로 사용자가 객체 감지, 세그멘테이션 결과 또는 추적 인사이트를 손쉽게 시각화할 수 있습니다.

• 협업에 적합: 간단한 링크를 통해 Streamlit 앱을 팀 구성원, 이해관계자 또는 고객과 쉽게 공유할 수 있어 즉각적인 피드백과 반복 작업이 가능합니다.

Streamlit 웹 앱에 Ultralytics YOLO11을 배포하는 단계별 가이드#

Streamlit을 Ultralytics YOLO11과 함께 사용하는 방법의 이점을 살펴보았으니, 이제 Streamlit과 YOLO11을 사용하여 브라우저에서 실시간 컴퓨터 비전 작업을 실행하는 방법을 알아보겠습니다.

Ultralytics Python 패키지 설치#

첫 번째 단계는 Ultralytics Python 패키지를 설치하는 것입니다. 다음 명령을 사용하여 설치할 수 있습니다.

설치가 완료되면 복잡한 설정 없이 YOLO11을 바로 사용할 수 있습니다. 필요한 패키지를 설치하는 동안 문제가 발생하면 문제 해결 팁과 해결 방법이 안내된 일반적인 문제 가이드를 참조할 수 있습니다.

Ultralytics YOLO11을 사용하여 Streamlit 애플리케이션 실행하기#

일반적으로 YOLO11을 실행하려면 Streamlit 컴포넌트를 사용하여 Python 스크립트를 개발해야 합니다. 그러나 Ultralytics는 Streamlit으로 YOLO11을 실행하는 간단한 방법을 제공합니다.

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

추가 구성이 필요하지 않습니다. Streamlit 애플리케이션 인터페이스에는 이미지와 비디오를 업로드하는 섹션, 원하는 Ultralytics YOLO11 모델 변형을 선택하는 드롭다운 메뉴, 감지 신뢰도를 조정하는 슬라이더가 포함되어 있습니다. 모든 기능이 깔끔하게 구성되어 있어 사용자는 추가 코드를 작성하지 않고도 손쉽게 추론을 실행할 수 있습니다.

Streamlit 애플리케이션에서 Ultralytics YOLO11을 사용하여 추론 실행하기#

이제 웹 브라우저에서 Streamlit 애플리케이션이 실행되고 있으므로, 이를 사용하여 Ultralytics YOLO11로 추론을 실행하는 방법을 살펴보겠습니다.

예를 들어 객체 감지를 위해 비디오 파일을 분석한다고 가정해 보겠습니다. 파일을 업로드하고, 모델을 선택하고, 실시간 결과를 확인하는 단계는 다음과 같습니다.

• 비디오 파일 업로드: 사용자 구성 드롭다운에서 "video"를 선택합니다. 그러면 애플리케이션이 웹캠 피드가 아닌 사전 녹화된 파일을 처리합니다.
• YOLO11 모델 선택: 모델 드롭다운에서 "YOLO11l"을 선택하여 대형 YOLO11 모델로 객체를 감지합니다.
• 감지 프로세스 시작: "Start"를 클릭하면 Ultralytics YOLO11이 비디오를 프레임 단위로 분석하고 실시간으로 객체를 감지합니다.
• 처리된 비디오 확인: 감지된 객체가 바운딩 박스와 함께 표시되며 화면에 실시간으로 업데이트되는 비디오를 확인합니다.
• Streamlit에서 결과와 상호작용: 추가 설정이나 코딩 없이 인터페이스를 사용하여 설정을 조정하거나 감지 결과를 분석합니다.

그림 3. Ultralytics YOLO Streamlit 애플리케이션 인터페이스입니다.

Streamlit과 Ultralytics YOLO11의 사용 사례#

Streamlit이 프로토타입, 연구 도구, 소규모 및 중간 규모 애플리케이션을 만드는 데 적합한 이유를 살펴보았습니다. 복잡한 프론트엔드 개발 없이 AI 모델을 배포할 수 있는 간단한 방법을 제공합니다.

그러나 위 단계에서 설정한 Ultralytics YOLO Streamlit 애플리케이션을 사용하지 않는 한, Streamlit에서 YOLO11을 실행하는 것이 항상 별도의 설정 없이 바로 사용할 수 있는 솔루션은 아닙니다. 대부분의 경우 특정 요구 사항에 맞게 애플리케이션을 사용자 지정하려면 어느 정도의 개발 작업이 필요합니다. Streamlit이 배포를 간소화하더라도 YOLO11이 원활하게 실행되도록 필요한 컴포넌트를 구성해야 합니다.

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

Ultralytics YOLO11을 사용하여 재고 확인을 위한 객체 수 세기#

소매점, 창고 또는 사무실 비품 보관 공간의 재고를 관리하는 일은 시간이 많이 걸리고 오류가 발생하기 쉽습니다. Ultralytics YOLO11을 Streamlit과 함께 사용하면 기업은 객체 수를 빠르고 효율적으로 자동으로 계산할 수 있으므로, 대규모 배포를 결정하기 전에 개념 증명(PoC)으로 활용하기에 적합합니다.

이 설정을 사용하면 이미지를 업로드하거나 라이브 카메라 피드를 사용할 수 있으며, Ultralytics YOLO11이 즉시 객체를 감지하고 수를 셀 수 있습니다. 실시간 개수를 Streamlit 인터페이스에 표시할 수 있어 수작업 없이 재고 수준을 쉽게 모니터링할 수 있습니다.

예를 들어 매장 운영자는 선반을 스캔하여 병, 상자 또는 포장 상품이 몇 개 있는지 직접 세지 않고도 즉시 확인할 수 있습니다. 기업은 Ultralytics YOLO11과 Streamlit을 활용하여 수작업을 줄이고 정확도를 높이며 최소한의 투자로 자동화를 검토할 수 있습니다.

그림 4. Ultralytics YOLO11을 사용하여 냉장고 속 병을 감지하는 모습입니다.

Ultralytics YOLO11과 Streamlit으로 보안 강화하기#

사무실, 창고 또는 행사장의 제한 구역을 안전하게 유지하는 일은 특히 수동 모니터링에 의존할 경우 어려울 수 있습니다. 기업은 Ultralytics YOLO11을 Streamlit과 함께 사용하여 무단 접근을 실시간으로 감지하는 간단한 AI 기반 보안 시스템을 구축할 수 있습니다.

카메라 피드를 Streamlit 인터페이스에 연결하면 Ultralytics YOLO11을 사용하여 제한 구역에 들어오는 사람을 식별하고 추적할 수 있습니다. 승인되지 않은 사람이 감지되면 시스템이 경고를 트리거하거나 검토를 위해 이벤트를 기록할 수 있습니다.

예를 들어 창고 관리자는 보안 수준이 높은 보관 구역에 대한 접근을 모니터링할 수 있고, 사무실에서는 지속적인 감독 없이 제한 구역 내 움직임을 추적할 수 있습니다.

이는 더 큰 규모의 완전 자동화 시스템을 도입하기 전에 Vision AI 기반 보안 모니터링을 검토하려는 기업에 유익한 프로젝트가 될 수 있습니다. 기업은 Ultralytics YOLO11을 Streamlit과 통합하여 보안을 강화하고 수동 모니터링을 최소화하며 무단 접근에 더욱 효과적으로 대응할 수 있습니다.

Streamlit으로 대화형 AI 앱을 모니터링하는 팁#

Streamlit과 같은 도구를 사용하여 컴퓨터 비전 모델을 배포하면 대화형이고 사용자 친화적인 경험을 구축하는 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.

• 정기적인 모니터링: 감지 정확도, 추론 속도 및 리소스 사용량을 추적합니다. 성능이 저하되면 모델 파라미터를 조정하거나 하드웨어를 업그레이드합니다.
• 여러 사용자 및 확장성 관리: 사용자 수요가 증가함에 따라 성능을 유지하려면 인프라 최적화가 중요합니다. 클라우드 플랫폼과 확장 가능한 배포 솔루션은 원활한 운영을 지원합니다.
• 모델 최신 상태 유지: 모델과 라이브러리를 최신 상태로 유지하면 정확도와 보안이 향상되고 새로운 기능을 사용할 수 있습니다.

핵심 요점#

Ultralytics는 한 번의 명령으로 실행되는 즉시 사용 가능한 Streamlit 라이브 인터페이스를 제공하여 YOLO11 배포를 간소화하며, 코딩이 필요하지 않습니다. 이를 통해 사용자는 즉시 실시간 객체 감지를 시작할 수 있습니다.

또한 인터페이스에는 기본 제공 사용자 지정 기능이 포함되어 있어 사용자가 모델을 전환하고, 감지 정확도를 조정하며, 객체를 쉽게 필터링할 수 있습니다. 모든 작업이 간단하고 사용자 친화적인 인터페이스 안에서 관리되므로 수동 UI 개발이 필요하지 않습니다. 결합하여

Ultralytics YOLO11의 기능과 Streamlit의 간편한 배포를 결합하면 기업과 개발자는 AI 기반 애플리케이션을 신속하게 프로토타이핑하고 테스트하며 개선할 수 있습니다.

커뮤니티에 참여하고 GitHub 리포지토리를 살펴보며 AI에 대한 더 많은 인사이트를 확인해 보세요. 제조 분야의 AI와 헬스케어 분야의 컴퓨터 비전과 같은 혁신에 대해 자세히 알아보려면 솔루션 페이지를 확인해 보세요. 라이선스 옵션을 살펴보고 지금 시작해 보세요!