Streamlit과 Ultralytics YOLO11로 대화형 AI 앱을 실행하세요

컴퓨터 비전 모델은 기계가 시각 데이터를 해석하고 분석하도록 지원하는 강력한 AI 도구입니다. 높은 정확도로 객체 탐지, 이미지 분류, 인스턴스 분할 등의 작업을 수행합니다. 하지만 모델을 배포하고 더 많은 사용자에게 제공하려면 웹 개발이나 모바일 앱 개발과 같은 추가적인 기술 역량이 필요한 경우도 있습니다.

예를 들어 Ultralytics YOLO11을 살펴보겠습니다. 다양한 작업을 지원하고 여러 애플리케이션에서 유용하게 사용할 수 있는 모델입니다. 하지만 기술적인 프런트엔드 지식이 부족한 일부 AI 엔지니어에게는 사용자 친화적인 인터페이스를 구축하고 배포하는 일이 다소 어려울 수 있습니다.

Streamlit은 이 과정을 더 쉽게 만들기 위한 오픈 소스 프레임워크입니다. 복잡한 프런트엔드 개발 없이 인터랙티브 애플리케이션을 만들 수 있는 Python 기반 도구입니다. Ultralytics YOLO11과 함께 사용하면 사용자가 최소한의 노력으로 이미지를 업로드하고, 비디오를 처리하며, 실시간 결과를 시각화할 수 있습니다.

Ultralytics는 Live Inference 솔루션으로 한 걸음 더 나아가 Streamlit 통합을 더욱 간편하게 합니다. 단일 명령어로 사전 구축된 YOLO11용 Streamlit 앱을 실행할 수 있어 수동 설정과 코딩이 필요하지 않습니다.

이 글에서는 Ultralytics의 Live Inference 솔루션과 Streamlit을 사용해 YOLO11을 설정하고 실행하는 방법을 안내하여 실시간 AI 배포를 더 빠르고 쉽게 수행할 수 있도록 합니다.

Streamlit이란 무엇인가요?#

Streamlit은 인터랙티브 웹 애플리케이션 제작을 간소화하는 Python 프레임워크입니다. AI 개발자는 프런트엔드 개발의 복잡한 세부 사항을 처리하지 않고도 AI 기반 앱을 만들 수 있습니다.

AI 및 머신러닝 모델과 원활하게 작동하도록 설계되었습니다. 개발자는 Python 코드 몇 줄만으로 사용자가 이미지를 업로드하고, 비디오를 처리하며, AI 모델과 상호작용할 수 있는 인터페이스를 만들 수 있습니다.

그림 1. Streamlit의 주요 기능. 이미지 제공: 작성자.

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

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

Ultralytics YOLO11: 다목적 비전 AI 모델#

Streamlit 애플리케이션에서 Ultralytics YOLO11로 실시간 추론을 실행하는 방법을 알아보기 전에, YOLO11의 높은 신뢰성을 뒷받침하는 요소를 자세히 살펴보겠습니다.

Ultralytics YOLO11은 객체 탐지, 인스턴스 분할, 자세 추정과 같은 실시간 컴퓨터 비전 작업을 위해 설계된 모델입니다. 높은 정확도를 유지하면서 빠른 성능을 제공합니다.

그림 2. 객체 탐지에 YOLO11을 사용하는 예.

YOLO11의 가장 큰 장점 중 하나는 사용 편의성입니다. 복잡한 설정은 필요하지 않습니다. 개발자는 Ultralytics Python 패키지를 설치하고 코드 몇 줄만으로 예측을 수행할 수 있습니다.

Ultralytics Python 패키지는 다양한 기능을 제공하여 사용자가 모델을 미세 조정하고 탐지 설정을 조정할 수 있도록 합니다. 또한 여러 장치에서 성능을 최적화하여 배포를 더욱 원활하게 진행할 수 있도록 지원합니다.

유연성 외에도 Ultralytics Python 패키지는 엣지 장치, 클라우드 환경, NVIDIA GPU 지원 시스템을 포함한 여러 플랫폼 간 통합을 지원합니다. 소형 임베디드 장치에 배포하든 대규모 클라우드 서버에 배포하든 YOLO11은 대상 하드웨어에 맞게 조정되어 고급 Vision AI에 대한 접근성을 높입니다.

Streamlit과 Ultralytics YOLO11을 함께 사용할 때의 이점#

Streamlit이 나에게 적합한 배포 옵션인지 어떻게 알 수 있을지 궁금하실 수 있습니다. 프런트엔드 개발을 직접 처리하지 않고 Ultralytics YOLO11을 실행할 수 있는 간단하고 코드 효율적인 방법을 찾고 있다면 Streamlit이 좋은 선택입니다. 특히 프로토타입, 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 이점은 다음과 같습니다.

• 사용자 지정 가능한 AI 제어 기능: 인터페이스에 슬라이더, 드롭다운 메뉴, 버튼을 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 강화합니다.
• 대화형 데이터 시각화: 차트와 그래프를 기본 지원하므로 객체 탐지, 분할 결과 또는 추적 인사이트를 시각화할 수 있습니다.
• 협업에 적합: Streamlit 앱은 간단한 링크를 통해 팀원, 이해관계자 또는 고객과 쉽게 공유할 수 있어 즉각적인 피드백과 반복 개선이 가능합니다.

Streamlit 웹 앱에 Ultralytics YOLO11을 배포하는 단계별 가이드#

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

Ultralytics Python 패키지 설치#

첫 번째 단계는 Ultralytics Python 패키지를 설치하는 것입니다. 다음 명령어를 사용하면 설치할 수 있습니다.

pip install ultralytics

설치가 완료되면 복잡한 설정 없이 YOLO11을 바로 사용할 수 있습니다. 필수 패키지를 설치하는 동안 문제가 발생하면 문제 해결 팁과 해결 방법을 확인할 수 있는 일반적인 문제 가이드를 참조하세요.

Ultralytics YOLO11을 사용하여 Streamlit 애플리케이션 실행하기#

일반적으로 YOLO11을 실행하려면 Streamlit 구성 요소를 사용해 Python 스크립트를 개발해야 합니다. 하지만 Ultralytics는 Streamlit에서 YOLO11을 간단히 실행할 수 있는 방법을 제공합니다.

streamlit run path/to/file.py을 사용해 다음 Python 스크립트를 실행하면 기본 웹 브라우저에서 Streamlit 애플리케이션이 시작됩니다.

from ultralytics import solutions

inf = solutions.Inference(
    model="yolo11n.pt",  # Ultralytics가 지원하는 모델이나 커스텀 학습 모델을 사용할 수 있습니다.
)

inf.inference()

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

Streamlit 애플리케이션에서 Ultralytics YOLO11을 사용해 추론 실행하기#

웹 브라우저에서 Streamlit 애플리케이션이 실행되고 있으니, 이제 Ultralytics YOLO11을 사용해 추론을 실행하는 방법을 알아보겠습니다.

예를 들어 객체 탐지를 위해 동영상 파일을 분석한다고 가정해 보겠습니다. 파일을 업로드하고 모델을 선택한 다음 실시간 결과를 확인하는 단계는 다음과 같습니다.

• 동영상 파일 업로드: 사용자 구성 드롭다운에서 "video"를 선택합니다. 그러면 애플리케이션은 웹캠 피드 대신 사전 녹화된 파일을 처리합니다.
• YOLO11 모델 선택: 모델 드롭다운에서 "YOLO11l"을 선택하면 대형 YOLO11 모델을 사용해 객체를 탐지합니다.
• 탐지 프로세스 시작: "Start"를 클릭하면 Ultralytics YOLO11이 비디오를 프레임 단위로 분석하고 실시간으로 객체를 탐지합니다.
• 처리된 동영상 보기: 실시간 업데이트와 함께 화면에 표시되는 동영상을 보고, 바운딩 박스로 표시된 탐지 객체를 확인합니다.
• Streamlit에서 결과와 상호작용: 추가 설정이나 코딩 없이 인터페이스를 사용해 설정을 조정하거나 탐지 결과를 분석할 수 있습니다.

그림 3. Ultralytics YOLO Streamlit 애플리케이션 인터페이스.

Streamlit과 Ultralytics YOLO11의 활용 사례#

Streamlit은 프로토타입, 연구 도구, 중소 규모 애플리케이션을 만드는 데 매우 유용합니다. 복잡한 프런트엔드 개발 없이 AI 모델을 배포할 수 있는 간단한 방법을 제공합니다.

하지만 위 단계에서 설정한 Ultralytics YOLO Streamlit 애플리케이션을 사용하는 경우가 아니라면, Streamlit에서 YOLO11을 실행하는 작업이 항상 별도의 설정 없이 바로 가능한 것은 아닙니다. 대부분의 경우 특정 요구 사항에 맞게 애플리케이션을 사용자 지정하려면 어느 정도 개발 작업이 필요합니다. Streamlit을 사용하면 배포가 간소화되지만, YOLO11이 원활하게 실행되도록 필요한 구성 요소를 직접 설정해야 합니다.

Ultralytics YOLO11을 실제 환경에서 Streamlit과 함께 효과적으로 배포하는 실용적인 예 두 가지를 살펴보겠습니다.

Ultralytics YOLO11을 사용한 재고 확인용 객체 계수#

소매점, 창고 또는 사무용품 보관 구역의 재고를 관리하는 일은 시간이 오래 걸리고 오류가 발생하기 쉽습니다. Ultralytics YOLO11을 Streamlit과 함께 사용하면 기업은 객체 계수를 빠르고 효율적으로 자동화할 수 있으므로 대규모 배포를 결정하기 전에 개념 증명(PoC)을 진행하기에 적합합니다.

이 설정에서는 사용자가 이미지를 업로드하거나 실시간 카메라 피드를 사용할 수 있으며, Ultralytics YOLO11은 객체를 즉시 탐지하고 계수하는 데 도움을 줄 수 있습니다. 실시간 계수 결과는 Streamlit 인터페이스에 표시할 수 있어 수작업 없이 재고 수준을 쉽게 모니터링할 수 있습니다.

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

그림 4. Ultralytics YOLO11을 사용한 냉장고 속 병 탐지.

Ultralytics YOLO11과 Streamlit으로 보안 강화하기#

사무실, 창고 또는 행사장에서 출입 제한 구역의 보안을 유지하는 일은 특히 수동으로 감시할 때 어려울 수 있습니다. 기업은 Ultralytics YOLO11을 Streamlit과 함께 사용해 무단 접근을 실시간으로 탐지하는 간단한 AI 기반 보안 시스템을 구축할 수 있습니다.

카메라 피드를 Streamlit 인터페이스에 연결하면 Ultralytics YOLO11을 사용해 출입 제한 구역에 들어오는 사람을 식별하고 추적할 수 있습니다. 허가되지 않은 사람이 탐지되면 시스템은 경보를 작동하거나 검토를 위해 해당 이벤트를 기록할 수 있습니다.

예를 들어 창고 관리자는 높은 보안이 필요한 보관 구역의 출입을 모니터링할 수 있고, 사무실에서는 지속적인 감독 없이도 출입 제한 구역의 이동을 추적할 수 있습니다.

완전 자동화된 대규모 시스템을 도입하기 전에 Vision AI 기반 보안 모니터링을 시험해 보고자 하는 기업에 유용한 파일럿 프로젝트가 될 수 있습니다. Ultralytics YOLO11을 Streamlit과 통합하면 보안을 강화하고 수동 모니터링을 줄이며 무단 접근에 더 효과적으로 대응할 수 있습니다.

Streamlit 대화형 AI 앱 모니터링 팁#

Streamlit과 같은 도구를 사용해 컴퓨터 비전 모델을 배포하면 대화형이며 사용하기 쉬운 경험을 만들 수 있습니다. 하지만 실시간 인터페이스를 설정한 후에는 시스템이 효율적으로 실행되고 시간이 지나도 정확한 결과를 제공하는지 확인하는 것이 중요합니다.

배포 후 고려해야 할 주요 요소는 다음과 같습니다.

• 정기 모니터링: 탐지 정확도, 추론 속도, 리소스 사용량을 추적합니다. 성능이 저하되면 모델 파라미터를 조정하거나 하드웨어를 업그레이드합니다.
• 다중 사용자 및 확장성 관리: 사용자 수요가 증가하면 성능 유지를 위해 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 이용할 수 있습니다.

핵심 요점#

Ultralytics는 단일 명령어로 실행되며 코딩이 필요 없는 즉시 사용 가능한 Streamlit 실시간 인터페이스를 통해 YOLO11 배포를 간소화합니다. 따라서 사용자는 실시간 객체 탐지를 즉시 시작할 수 있습니다.

인터페이스에는 모델 전환, 신뢰도 임계값 조정, 객체 필터링을 간편하게 수행할 수 있는 기본 커스터마이징 기능도 포함되어 있습니다. 모든 기능을 단순하고 사용자 친화적인 인터페이스에서 관리하므로 UI를 수동으로 개발할 필요가 없습니다.

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

커뮤니티에 참여하고 GitHub 리포지토리에서 AI에 관한 더 많은 인사이트를 살펴보세요. 솔루션 페이지에서 제조 분야의 AI와 헬스케어 분야의 컴퓨터 비전과 같은 혁신 사례를 알아보세요. 라이선스 옵션을 확인하고 지금 시작해 보세요!