OpenVINO™를 사용하여 원활하게 Ultralytics YOLO11 배포하기

AI 도입은 AI 솔루션의 접근성에 달려 있으며, 그중 중요한 부분은 사람들이 이미 보유한 하드웨어에서 쉽게 배포할 수 있도록 만드는 것입니다. GPU(그래픽 처리 장치)에서 AI 모델을 실행하는 것은 성능 및 병렬 처리 능력 측면에서 훌륭한 선택입니다.

하지만 현실적으로는 엣지 환경이나 일반 노트북에서 고사양 GPU를 항상 사용할 수 있는 것은 아닙니다. 그렇기 때문에 CPU(중앙 처리 장치), 통합 GPU, NPU(신경망 처리 장치)와 같이 널리 사용되는 하드웨어에서 모델이 효율적으로 실행되도록 최적화하는 것이 매우 중요합니다.

예를 들어 컴퓨터 비전은 기계가 실시간으로 이미지와 비디오 스트림을 분석하고 이해할 수 있도록 지원하는 AI의 한 분야입니다. Ultralytics YOLO11과 같은 비전 AI 모델은 객체 감지 및 인스턴스 세분화와 같은 핵심 작업을 지원하여 리테일 분석부터 의료 진단에 이르는 다양한 애플리케이션을 구동합니다.

그림 1. Ultralytics YOLO11을 사용하여 소매점에서 객체를 감지하고 세분화하는 모습.

컴퓨터 비전의 접근성을 더욱 높이기 위해 Ultralytics는 CPU, GPU, NPU 전반에서 AI 추론을 최적화하고 실행하기 위한 오픈 소스 프로젝트인 OpenVINO 툴킷과의 업데이트된 통합을 발표했습니다.

이 통합을 통해 CPU에서 최대 3배 빨라진 추론 속도와 Intel GPU 및 NPU에서의 가속화된 성능으로 YOLO11 모델을 더 쉽게 내보내고 배포할 수 있습니다. 본 아티클에서는 Ultralytics Python 패키지를 사용하여 YOLO11 모델을 OpenVINO 형식으로 내보내고 추론에 사용하는 방법을 살펴봅니다. 시작하겠습니다!

Ultralytics YOLO11 개요#

Ultralytics에서 지원하는 OpenVINO 통합의 세부 사항을 살펴보기 전에, YOLO11이 신뢰할 수 있고 영향력 있는 컴퓨터 비전 모델로 평가받는 이유를 자세히 알아보겠습니다. YOLO11은 Ultralytics YOLO 시리즈의 최신 모델로, 속도와 정확도 측면에서 상당한 향상을 제공합니다.

핵심 장점 중 하나는 효율성입니다. 예를 들어, Ultralytics YOLO11m은 Ultralytics YOLOv8m보다 파라미터 수가 22% 적으면서도 COCO 데이터셋에서 더 높은 mAP(mean average precision)를 달성합니다. 이는 더 빠르게 실행되면서도 더 정확하게 객체를 탐지한다는 의미이며, 성능과 반응성이 중요한 실시간 애플리케이션에 이상적입니다.

그림 2. Ultralytics YOLO11의 성능 벤치마크.

객체 감지 외에도 YOLO11은 인스턴스 세분화, 포즈 추정, 이미지 분류, 객체 추적, 회전된 경계 상자 감지와 같은 다양한 고급 컴퓨터 비전 작업을 지원합니다. 또한 YOLO11은 개발자 친화적이며, Ultralytics Python 패키지를 통해 모델 학습, 평가, 배포를 위한 간단하고 일관된 인터페이스를 제공합니다.

뿐만 아니라 Ultralytics Python 패키지는 다양한 통합 및 OpenVINO, ONNX, TorchScript를 포함한 여러 내보내기 형식을 지원하므로 YOLO11을 다양한 배포 파이프라인에 쉽게 통합할 수 있습니다. 클라우드 인프라, 엣지 디바이스, 임베디드 시스템 중 무엇을 타겟팅하든 내보내기 과정은 간단하며 하드웨어 요구 사항에 맞게 조정할 수 있습니다.

OpenVINO™란 무엇입니까?#

OpenVINO™(Open Visual Inference and Neural Network Optimization)는 다양한 하드웨어 전반에서 AI 추론을 최적화하고 배포하기 위한 오픈 소스 툴킷입니다. 이를 통해 개발자는 CPU, 통합 및 외장 GPU, NPU, 그리고 FPGA(필드 프로그래머블 게이트 어레이)를 포함한 다양한 Intel 플랫폼에서 고성능 추론 애플리케이션을 효율적으로 실행할 수 있습니다.

OpenVINO는 장치별 플러그인을 통해 하드웨어 차이를 추상화하는 통합 런타임 인터페이스를 제공합니다. 이는 개발자가 일관된 API를 사용하여 한 번 코드를 작성하면 여러 Intel 하드웨어 타겟에 배포할 수 있음을 의미합니다.

OpenVINO가 배포를 위한 훌륭한 선택이 되는 몇 가지 핵심 기능은 다음과 같습니다:

• 모델 변환기: 이 도구는 PyTorch, ONNX, TensorFlow, PaddlePaddle 등의 인기 프레임워크에서 모델을 변환하고 준비하여 Intel 하드웨어에서 효율적인 추론을 수행할 수 있도록 최적화합니다.
• 이종 실행(Heterogeneous execution): 다양한 Intel 하드웨어를 위해 코드를 다시 작성할 필요가 없습니다. OpenVINO를 사용하면 CPU부터 GPU까지 지원되는 모든 하드웨어에서 동일한 모델을 쉽게 실행할 수 있습니다.
• 양자화(Quantization) 지원: 툴킷은 FP16(기본값) 및 INT8과 같이 정밀도가 낮은 형식을 지원하여, 정확도를 크게 저해하지 않으면서도 모델 크기를 줄이고 추론 속도를 높이는 데 도움을 줍니다.

그림 3. OpenVINO는 다양한 배포 옵션을 지원합니다.

Ultralytics와 OpenVINO 통합 살펴보기#

OpenVINO가 무엇이고 왜 중요한지 살펴보았으니, 이제 Ultralytics YOLO11 모델을 OpenVINO 포맷으로 내보내고 Intel 하드웨어에서 효율적인 인퍼런스를 실행하는 방법을 살펴보겠습니다.

1단계: Ultralytics Python 패키지 설치#

모델을 OpenVINO 형식으로 내보내려면 먼저 Ultralytics Python 패키지를 설치해야 합니다. 이 패키지는 YOLO11을 포함하여 YOLO 모델을 학습, 평가, 내보내는 데 필요한 모든 것을 제공합니다.

터미널이나 명령 프롬프트에서 "pip install ultralytics" 명령을 실행하여 설치할 수 있습니다. Jupyter Notebook이나 Google Colab과 같은 대화형 환경에서 작업하는 경우, 명령 앞에 느낌표를 추가하기만 하면 됩니다.

또한 설치 중이나 내보내기 중에 문제가 발생하는 경우 Ultralytics 문서 및 문제 해결 가이드가 문제 해결에 큰 도움이 됩니다.

2단계: Ultralytics YOLO11 모델을 OpenVINO 포맷으로 내보내기#

Ultralytics 패키지가 설정되면 다음 단계는 YOLO11 모델을 로드하고 OpenVINO와 호환되는 형식으로 변환하는 것입니다.

아래 예시에서는 사전 학습된 YOLO11 모델("yolo11n.pt")을 사용합니다. 내보내기 기능은 이를 OpenVINO 형식으로 변환하는 데 사용됩니다. 이 코드를 실행하면 변환된 모델이 "yolo11n_openvino_model"이라는 새 디렉토리에 저장됩니다.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="openvino")

3단계: 내보낸 모델로 추론 실행하기#

YOLO11 모델이 OpenVINO 형식으로 내보내지면, Ultralytics Python 패키지를 사용하는 방법이나 기본 OpenVINO 런타임을 사용하는 방법 두 가지로 추론을 실행할 수 있습니다.

Ultralytics Python 패키지 사용#

내보낸 YOLO11 모델은 아래 코드 스니펫과 같이 Ultralytics Python 패키지를 사용하여 쉽게 배포할 수 있습니다. 이 방법은 빠른 실험과 Intel 하드웨어에서의 간소화된 배포에 이상적입니다.

시스템에서 사용 가능한 Intel 하드웨어에 따라 추론에 사용할 장치("intel:cpu", "intel:gpu" 또는 "intel:npu")를 지정할 수도 있습니다.

ov_model = YOLO("yolo11n_openvino_model/")
results = ov_model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")

위 코드를 실행하면 결과 이미지가 "runs/detect/predict" 디렉토리에 저장됩니다.

그림 4. 내보낸 Ultralytics YOLO11 모델을 사용하여 이미지에서 객체 감지하기.

기본 OpenVINO 런타임 사용#

특히 프로덕션 환경에서 추론을 실행하기 위한 맞춤형 방법을 찾는다면, OpenVINO 런타임이 모델 실행 방식에 대해 더 많은 제어권을 제공합니다. 비동기 실행(여러 추론 요청을 병렬로 실행) 및 로드 밸런싱(Intel 하드웨어 전반에 추론 워크로드를 효율적으로 분산)과 같은 고급 기능을 지원합니다.

기본 런타임을 사용하려면 내보낸 모델 파일이 필요합니다. .xml 파일(네트워크 아키텍처 정의)과 .bin 파일(모델의 학습된 가중치 저장)이 있어야 합니다. 또한 애플리케이션에 따라 입력 크기나 전처리 단계와 같은 추가 매개변수를 구성할 수도 있습니다.

일반적인 배포 흐름은 OpenVINO 코어 초기화, 대상 디바이스용 모델 로드 및 컴파일, 입력 준비, 그리고 추론 실행으로 구성됩니다. 자세한 예제와 단계별 지침은 공식 Ultralytics OpenVINO 문서를 참조하세요.

왜 Ultralytics x OpenVINO 통합을 선택해야 할까요?#

Ultralytics 통합을 살펴보면, Ultralytics Python 패키지가 YOLO11 모델을 TorchScript, CoreML, TensorRT, ONNX 등 다양한 형식으로 내보내는 것을 지원함을 알 수 있습니다. 그렇다면 왜 OpenVINO 통합을 선택해야 할까요?

OpenVINO 내보내기 형식이 Intel 하드웨어에 모델을 배포하는 데 매우 적합한 이유는 다음과 같습니다:

• 성능 향상: Intel CPU에서 최대 3배 빠른 추론을 경험할 수 있으며, 통합 GPU 및 NPU에서 추가적인 가속을 활용할 수 있습니다.
• 재학습 불필요: 기존 Ultralytics YOLO11 모델을 수정하거나 재학습할 필요 없이 OpenVINO 포맷으로 직접 내보낼 수 있습니다.
• 확장성을 위해 빌드됨: 동일한 내보내기 모델을 저전력 엣지 디바이스부터 대규모 클라우드 인프라까지 배포할 수 있어 확장 가능한 AI 배포가 단순해집니다.

또한 OpenVINO™ Model Hub에서 다양한 Intel® 플랫폼에 걸친 Ultralytics YOLO11 모델의 성능 벤치마크를 평가할 수 있습니다. OpenVINO Model Hub는 개발자가 Intel 하드웨어에서 AI 모델을 평가하고 Intel CPU, 내장 GPU, NPU 및 외장 그래픽 전반에서 OpenVINO의 성능 우위를 발견할 수 있는 리소스입니다.

그림 5. OpenVINO™ Model Hub: 다양한 Intel® 플랫폼에서의 Ultralytics YOLO11 모델 성능 벤치마크.

Ultralytics YOLO11 및 OpenVINO 내보내기 포맷의 애플리케이션#

OpenVINO 통합 덕분에 실제 환경에서 Intel 하드웨어 전반에 Ultralytics YOLO11 모델을 배포하는 작업이 훨씬 더 간단해집니다.

대표적인 예로 스마트 리테일이 있습니다. 이곳에서 Ultralytics YOLO11은 실시간으로 빈 선반을 감지하고, 부족한 상품을 추적하며, 고객이 매장을 이동하는 동선을 분석하는 데 도움을 줍니다. 이를 통해 소매업체는 재고 관리를 개선하고 매장 레이아웃을 최적화하여 고객 참여를 높일 수 있습니다.

마찬가지로 스마트 시티에서 YOLO11은 차량 카운팅, 보행자 추적, 실시간 신호위반 감지를 통해 교통 모니터링에 활용될 수 있습니다. 이러한 인사이트는 교통 흐름 최적화, 도로 안전 개선, 자동 단속 시스템 지원에 기여합니다.

그림 6. YOLO11을 사용한 차량 카운팅.

또 다른 흥미로운 사용 사례는 산업용 검사입니다. 여기서 Ultralytics YOLO11은 생산 라인에 배포되어 누락된 부품, 정렬 불량, 표면 손상 같은 시각적 결함을 자동으로 감지할 수 있습니다. 이를 통해 효율성을 높이고 비용을 절감하며 더 나은 제품 품질을 지원할 수 있습니다.

OpenVINO 툴킷 사용 시 고려해야 할 핵심 요소#

OpenVINO를 사용하여 Ultralytics YOLO11 모델을 배포하는 동안 최상의 결과를 얻기 위해 명심해야 할 몇 가지 중요한 사항은 다음과 같습니다.

• 하드웨어 호환성 확인: CPU, 통합 GPU, NPU 등 사용 중인 Intel 하드웨어가 OpenVINO를 지원하는지 확인하여 모델이 효율적으로 실행되도록 하세요.
• 올바른 드라이버 설치: Intel GPU나 NPU를 사용하는 경우, 필요한 모든 드라이버가 올바르게 설치되어 있고 최신 버전인지 다시 한 번 확인하십시오.
• 정밀도 트레이드오프 이해: OpenVINO는 FP32, FP16 및 INT8 모델 정밀도를 지원합니다. 각각 속도와 정확도 사이에 트레이드오프가 존재하므로 성능 목표와 가용한 하드웨어에 맞춰 올바른 옵션을 선택하는 것이 중요합니다.

핵심 요약#

Ultralytics YOLO11을 OpenVINO 형식으로 내보내면 Intel 하드웨어에서 빠르고 효율적인 비전 AI 모델을 쉽게 실행할 수 있습니다. 재학습하거나 코드를 변경할 필요 없이 CPU, GPU 및 NPU 전반에 배포할 수 있습니다. 이는 간단하고 확장 가능한 상태를 유지하면서 성능을 향상할 수 있는 훌륭한 방법입니다.

Ultralytics Python 패키지에 통합된 기능을 통해 OpenVINO로 내보내고 추론을 실행하는 과정은 매우 간단합니다. 단 몇 단계만으로 모델을 최적화하고 다양한 Intel 플랫폼에서 실행할 수 있습니다. 스마트 리테일, 교통 모니터링, 산업 검사 등 어떤 분야에서 작업하든, 이 워크플로우를 통해 개발에서 배포까지 신속하고 자신 있게 진행할 수 있습니다.

YOLO 커뮤니티에 가입하고 Ultralytics GitHub 저장소를 확인하여 Ultralytics가 지원하는 임팩트 있는 통합에 대해 자세히 알아보세요. 또한 Ultralytics 라이선스 옵션을 살펴보고 지금 바로 컴퓨터 비전을 시작해 보세요!

다음에 개최되는 웨비나에 등록하여 Ultralytics × OpenVINO 통합이 실제로 작동하는 모습을 확인하고, OpenVINO 웹사이트를 방문하여 대규모로 AI를 최적화하고 배포하기 위한 도구들을 살펴보세요.