SharkEye는 객체 감지에 Ultralytics YOLOv8을 사용합니다

농장에서 소가 풀을 뜯거나 해안 근처에서 상어가 이동하는 경우처럼 자연 서식지에서 동물을 모니터링하는 일은 동물의 안전과 복지를 위해 항상 중요합니다. 하지만 동물을 수동으로 관찰하는 일은 쉽지 않습니다. 관찰자는 행동이나 움직임의 변화를 면밀히 살펴야 하므로, 오랜 시간 인내심을 갖고 집중해야 하는 경우가 많습니다. 그렇게 하더라도 미묘하지만 중요한 징후를 놓치기 쉽습니다.

인공지능 (AI)이 이러한 과정에 도입되면서 관찰자의 부담을 줄이는 동시에 정확도를 높여 더 빠르고 스마트하며 훨씬 효율적으로 변화하고 있습니다. 특히 컴퓨터 비전을 사용하면 동물을 추적하고, 위험을 발견하며, 실시간으로 의사 결정을 내릴 수 있습니다. 과거에는 몇 시간이 걸리던 작업을 이제는 몇 분 만에 수행할 수 있어 동물의 행동을 이해하는 새로운 방법이 열리고 있습니다.

Ultralytics가 주최하는 연례 하이브리드 행사인 YOLO Vision 2024 (YV24)에는 전문가와 혁신가들이 모여 AI가 일상적인 문제를 어떻게 해결하고 있는지 살펴보았습니다. 발표된 주제에는 실시간 객체 탐지와 동물 모니터링의 발전이 포함되었으며, 다양한 분야에서 AI가 안전성과 효율성을 어떻게 향상시키는지 보여주었습니다.

행사의 주요 내용 중 하나는 AI Master Group의 설립자인 Jim Griffin의 발표였습니다. 그는 비전 AI가 해안 가까이 다가오기 전에 상어를 탐지하여 해변을 더 안전하게 만드는 방법을 시연했습니다. 또한 까다로운 파도, 눈부심, 수중 장애물과 같은 조건에서도 실시간으로 상어를 정확하게 식별하기 위해 최첨단 컴퓨터 비전 모델인 Ultralytics YOLOv8을 사용한 방법을 설명했습니다.

이 글에서는 SharkEye 프로젝트를 자세히 살펴보고 Jim의 발표에서 얻은 흥미로운 인사이트를 공유합니다.

SharkEye 알아보기: 컴퓨터 비전 애플리케이션#

Jim은 캘리포니아의 유명한 서핑 명소인 Padaro Beach를 소개하며 발표를 시작했습니다. 이곳에서는 서퍼와 상어가 같은 바다를 이용하는 경우가 많습니다. 그는 상어 탐지의 실제 과제를 강조하며 다음과 같이 말했습니다. “물론 상어에게 물리면 상어를 탐지하기 쉽습니다. 그래서 저희가 하려던 일은 상어를 미리 식별하는 것이었습니다.”

그림 1. YOLO Vision 2024 무대 위의 Jim.

SharkEye는 캘리포니아 대학교 산타바버라의 지원을 받아 이 문제를 해결하기 위해 개발되었습니다. Jim은 고해상도 AI 카메라를 장착한 드론이 수면 위 약 200피트에서 비행하며 바다를 실시간으로 스캔했다고 설명했습니다.

상어가 탐지되면 인명 구조원, 서핑용품점 운영자, 업데이트를 신청한 사람 등 약 80명에게 SMS 알림이 전송됩니다. Jim은 이러한 즉시 알림을 통해 상어가 해안 근처에 있을 때 신속하게 대응하여 해변 이용객을 더 안전하게 보호할 수 있다고 설명했습니다.

Jim은 또한 SharkEye에 사용자가 상어 탐지 통계를 확인할 수 있는 실시간 대시보드가 있다고 언급했습니다. 예를 들어 12주 동안 시스템은 큰 상어 2마리와 작은 상어 15마리를 식별했으며, 주당 평균 한 마리가 조금 넘는 수준이었습니다.

그런 다음 Jim은 SharkEye를 위한 노력을 이끈 과학자 Neil Nathan을 소개했습니다. Nathan은 컴퓨터 과학이 아닌 환경학을 전공했음에도 성공적으로 프로젝트를 이끌었습니다. Jim은 SharkEye에 사용된 것과 같은 최신 AI 도구가 접근하기 쉽게 설계되어 있어 비기술적 배경을 가진 사람도 영향력 있는 솔루션을 개발할 수 있다고 강조했습니다.

상어 탐지를 위한 Ultralytics YOLOv8 사용#

Jim은 세부 사항을 더 자세히 설명하면서 SharkEye의 내부 구성과 상어 탐지 솔루션이 단순한 객체 탐지 작업만으로 이루어진 것이 아니었다는 점을 설명했습니다. 이 솔루션은 상어로 쉽게 오인될 수 있는 떠다니는 해초처럼 동적이고 예측하기 어려운 조건을 처리해야 했습니다. 정지된 객체를 식별하는 것과 달리 상어를 식별하려면 정밀성과 적응성이 필요하므로 Ultralytics YOLOv8은 이상적인 선택이었습니다.

Ultralytics YOLOv8의 또 다른 장점은 클라우드 서버에 의존하지 않고 드론에 배포할 수 있다는 점이었습니다. Jim은 이러한 방식 덕분에 SharkEye가 즉시 알림을 전송할 수 있었으며, 이는 예측하기 어려운 해양 환경에서 적시에 대응하는 데 필수적이라고 설명했습니다.

단 6줄의 코드로 수행하는 객체 탐지#

Jim은 SharkEye의 작동 방식과 이를 뒷받침한 협업 과정을 설명한 후 라이브 데모를 선보였습니다.

Jim Griffin은 청중에게 Ultralytics YOLO 모델의 "hello world" 코드 스니펫이라는 익숙한 예를 보여주며 라이브 데모를 시작했습니다. 그는 단 6줄의 Python 코드만으로 사전 학습된 Ultralytics YOLOv8 모델이 이미지에서 버스를 손쉽게 탐지하는 모습을 시연했습니다.

그림 2. YOLO Vision 2024에서 Jim이 진행한 데모.

그의 데모에서는 드론과 같은 저전력 장치를 위한 경량 버전인 Ultralytics YOLOv8 Nano 모델을 사용했습니다. SharkEye에서도 실시간 상어 탐지를 위해 동일한 모델을 사용했습니다.

보다 자세한 맥락을 설명하기 위해 Jim은 데모의 모델이 널리 사용되는 COCO 데이터셋.의 더 작은 하위 집합인 COCO128로 학습되고 있었다고 언급했습니다. COCO 데이터셋에는 80개의 서로 다른 객체 범주에 걸쳐 20,000개가 넘는 이미지가 포함되어 있습니다. COCO128은 빠른 데모에 적합하지만, Jim은 SharkEye에 실제 환경의 복잡성을 처리할 수 있는 보다 강력한 애플리케이션별 상어 탐지 데이터셋이 필요했다고 설명했습니다.

SharkEye를 위한 Ultralytics YOLOv8 커스텀 학습#

Jim에 따르면 SharkEye 프로젝트에서 가장 어려웠던 부분은 AI 모델을 학습하는 일이 아니라 적절한 데이터를 수집하는 일이었습니다. 그는 다음과 같이 말했습니다. “이 프로젝트의 핵심 작업은 AI가 아니었습니다. 5년 동안 드론을 날리고, 그 영상에서 이미지를 추출하고, 적절하게 태깅하는 것이 핵심 작업이었습니다.”

그는 팀이 Padaro Beach에서 15,000개의 이미지를 수집했다고 설명했습니다. 각 이미지에는 상어, 해초, 물속의 기타 객체를 구분할 수 있도록 수동으로 라벨을 지정해야 했습니다. 이 과정은 느리고 많은 노력이 필요했지만, 이후의 모든 작업을 위한 기반을 마련했습니다.

그림 3. 실시간 객체 탐지를 위해 드론으로 상어 이미지를 촬영하는 모습.

데이터셋이 준비되자 Ultralytics YOLOv8을 해당 데이터셋으로 커스텀 학습했습니다. Jim은 다음과 같이 말했습니다. "실제 학습은 어려운 부분이 아니었습니다. T4 GPU [그래픽 처리 장치]에서 20시간밖에 걸리지 않았습니다.” 또한 A100 GPU와 같은 더 강력한 하드웨어를 사용하면 시간을 5시간까지 단축할 수 있었다고 덧붙였습니다.

SharkEye 평가: 재현율보다 정밀도#

그런 다음 Jim은 SharkEye의 성능을 평가한 방법을 설명했습니다. 그는 핵심 지표가 시스템이 실제 상어를 얼마나 정확하게 식별했는지를 나타내는 정밀도였다고 설명했습니다. SharkEye는 92%라는 뛰어난 정밀도를 달성했으며, 복잡한 해양 환경에서도 상어를 정확하게 식별하는 데 모델이 매우 효과적임을 입증했습니다.

Jim은 정밀도의 중요성을 더 자세히 설명하면서 이 경우 정밀도가 재현율보다 중요한 이유를 밝혔습니다. “대부분의 경우 사람들은 재현율에 관심을 둡니다. 특히 양성 사례를 놓치면 치명적일 수 있는 의료와 같은 분야에서는 더욱 그렇습니다. 하지만 이 경우에는 상어가 몇 마리나 있는지 알 수 없었기 때문에 저희가 중요하게 본 것은 정밀도였습니다.”라고 그는 설명했습니다. SharkEye는 정밀도에 중점을 두어 오탐을 최소화했고, 인명 구조원과 기타 대응 담당자가 신속하게 조치를 취할 수 있도록 했습니다.

그림 4. YOLO Vision 2024에서 SharkEye를 소개하는 Jim.

그는 SharkEye의 92% 정밀도가 인간 전문가의 60% 정확도를 크게 넘어선다는 점을 언급하며 AI와 인간의 성능을 비교하는 것으로 발표를 마무리했습니다. 그는 이러한 격차를 강조하며 다음과 같이 말했습니다. “우리는 인간이기 때문입니다. 여러분이나 제가 아무리 전문가라 해도 하루 종일 화면 앞에 앉아 상어를 찾고 있어야 한다면 결국 집중력이 흐트러질 것입니다.” 사람과 달리 AI 모델은 지치거나 주의가 산만해지지 않으므로 지속적인 모니터링이 필요한 작업에 신뢰할 수 있는 솔루션입니다.

Ultralytics YOLO11: 최신 YOLO#

Jim Griffin의 발표에서 나온 “어느 날 6줄의 코드가 여러분의 생명을 구할 수 있습니다.”라는 인상적인 말은 AI가 얼마나 발전했으면서도 접근하기 쉬워졌는지를 잘 보여줍니다. Ultralytics YOLO 모델은 이러한 목표를 염두에 두고 개발되었으며, 모든 규모의 개발자와 기업이 최첨단 컴퓨터 비전 기술을 이용할 수 있도록 합니다. Ultralytics YOLO11은 더 빠른 추론과 향상된 정확도를 통해 이러한 발전을 이어갑니다.

Ultralytics YOLO11의 차별점을 간단히 살펴보겠습니다.

• 아키텍처 재설계: 향상된 백본 및 넥 아키텍처를 통해 더 나은 특징 추출과 향상된 정밀도를 구현합니다.
• 간편한 사용성: Python 코딩이나 Ultralytics HUB와 같은 노코드 도구를 통해 이용할 수 있습니다.
• 다양한 작업에 대한 유연성: Ultralytics YOLO11은 객체 탐지, 인스턴스 세그멘테이션, 이미지 분류, 추적, 포즈 추정, 방향성 바운딩 박스 (OBB)와 같은 컴퓨터 비전 작업을 지원합니다.
• 향상된 정확도: Ultralytics YOLO11은 COCO 데이터셋에서 YOLOv8m보다 평균 평균 정밀도 (mAP)가 22% 더 높아 더욱 정확한 탐지를 제공합니다.

이러한 기능 덕분에 Ultralytics YOLO11은 농장이나 야생과 같이 동적인 환경에서 동물의 행동을 추적하는 데 적합합니다.

핵심 요점#

비전 AI의 발전은 다양한 분야에 실용적인 도구를 제공하여 실제 문제를 더 쉽게 해결할 수 있도록 합니다. 예를 들어 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 열악한 조건에서도 동물을 실시간으로 모니터링하고 추적하는 데 사용할 수 있습니다.

YV24에서 진행된 Jim Griffin의 기조연설은 Ultralytics YOLOv8을 최소한의 코딩으로 복잡한 문제를 해결하는 데 사용할 수 있음을 보여주었습니다. 드론과 AI를 결합해 실시간으로 상어를 탐지하는 SharkEye 프로젝트는 기술이 해변의 안전을 어떻게 향상시킬 수 있는지 보여주었습니다.

이는 접근성이 높은 AI가 다양한 배경을 가진 사람들이 효과적인 솔루션을 만들 수 있도록 지원하는 방식을 보여주는 흥미로운 사례 연구였습니다. AI가 계속 발전함에 따라 산업을 변화시키고 있으며, 개인이 AI의 잠재력을 활용해 세상을 더 안전하고 스마트하며 효율적인 곳으로 만들 수 있도록 하고 있습니다.

저희 커뮤니티에 참여하고 GitHub 리포지토리를 살펴보며 AI를 더 깊이 알아보세요. 농업 분야의 컴퓨터 비전부터 자율주행차의 AI까지, 이러한 기술이 혁신을 어떻게 이끌고 있는지 확인해 보세요. 지금 저희 라이선스 옵션을 확인하고 AI 프로젝트를 시작해 보세요!