객체 탐지에 Ultralytics YOLOv8을 사용하는 SharkEye

농장에서 풀을 뜯는 소든 해안 근처를 이동하는 상어든 자연 서식지의 동물을 모니터링하는 일은 동물의 안전과 복지를 위해 항상 중요했습니다. 그러나 동물을 직접 관찰하는 일은 쉽지 않습니다. 관찰자는 행동이나 움직임의 변화를 주의 깊게 살펴야 하므로 몇 시간 동안 인내심을 갖고 집중해야 하는 경우가 많습니다. 그래도 미묘하지만 중요한 징후를 놓치기 쉽습니다.

인공지능(AI)이 이 과정에 도입되면서 인간 관찰자의 부담을 줄이는 동시에 정확도를 높여 더 빠르고 스마트하며 효율적인 모니터링이 가능해지고 있습니다. 특히 컴퓨터 비전을 활용하면 동물을 추적하고 위험을 감지하며 실시간으로 의사결정을 내릴 수 있습니다. 과거에는 몇 시간이 걸리던 작업을 이제 몇 분 만에 수행할 수 있어 동물 행동을 이해하는 새로운 방법이 열리고 있습니다.

Ultralytics가 주최하는 연례 하이브리드 행사인 YOLO Vision 2024(YV24)에는 전문가와 혁신가가 모여 AI가 일상적인 과제를 해결하는 방법을 살펴봤습니다. 주요 발표 주제에는 실시간 객체 감지와 동물 모니터링의 발전이 포함되었으며, 다양한 분야에서 AI가 안전성과 효율성을 높이는 방법을 보여주었습니다.

이벤트의 주요 하이라이트 중 하나는 AI Master Group의 설립자 Jim Griffin의 발표였습니다. 그는 해안 가까이 다가오기 전에 상어를 감지해 해변을 더 안전하게 만드는 Vision AI의 활용 방식을 시연했습니다. 그는 Ultralytics YOLOv8 컴퓨터 비전 모델을 사용해 거친 파도, 눈부심, 수중 장애물과 같은 까다로운 조건에서도 상어를 실시간으로 정확하게 식별한 방법을 설명했습니다.

이 글에서는 SharkEye 프로젝트를 자세히 살펴보고 Jim의 강연에서 얻은 흥미로운 인사이트를 소개합니다.

SharkEye 알아보기: 컴퓨터 비전 애플리케이션#

Jim은 캘리포니아에서 잘 알려진 서핑 명소인 Padaro Beach를 소개하며 강연을 시작했습니다. 이곳에서는 서퍼와 상어가 같은 바다를 공유하는 경우가 많습니다. 그는 상어 감지의 실제 과제를 강조하며 다음과 같이 말했습니다. “물론 상어가 사람을 물면 상어를 쉽게 감지할 수 있습니다. 그래서 저희가 하려던 일은 상어를 사전에 식별하는 것이었습니다.”

그림 1. YOLO Vision 2024 무대에 선 Jim.

SharkEye는 캘리포니아대학교 샌타바버라의 지원을 받아 이 문제를 해결하기 위해 만들어졌습니다. Jim은 고해상도 AI 카메라를 장착한 드론을 수면 위 약 200피트 높이에서 비행시켜 바다를 실시간으로 스캔했다고 설명했습니다.

상어가 감지되면 인명구조원, 서핑숍 운영자, 업데이트를 신청한 사람 등 약 80명에게 SMS 알림이 전송됩니다. Jim은 이러한 즉각적인 알림을 통해 신속하게 대응할 수 있어 상어가 해안 근처에 있을 때 해변 방문객을 더 안전하게 보호할 수 있다고 설명했습니다.

Jim은 SharkEye에 사용자가 상어 감지 통계를 확인할 수 있는 실시간 대시보드도 있다고 언급했습니다. 예를 들어, 시스템은 12주 동안 대형 상어 두 마리와 소형 상어 15마리를 식별했으며, 주당 평균 한 마리를 조금 넘는 수준이었습니다.

이어서 Jim은 SharkEye의 작업을 이끈 과학자 Neil Nathan을 소개했습니다. Nathan은 컴퓨터 과학이 아닌 환경학을 전공했지만 프로젝트를 성공적으로 주도했습니다. Jim은 SharkEye에 사용된 것과 같은 최신 AI 도구가 누구나 접근할 수 있도록 설계되어 비기술 분야의 사람도 영향력 있는 솔루션을 개발할 수 있다고 강조했습니다.

Ultralytics YOLOv8을 사용한 상어 감지#

Jim은 세부 사항을 더 설명하며 SharkEye의 내부 작동 방식과 상어 탐지 솔루션이 단순한 객체 탐지 작업만으로 이루어지지 않았다고 밝혔습니다. 상어로 쉽게 오인될 수 있는 떠다니는 해조류처럼 역동적이고 예측하기 어려운 상황을 처리해야 했습니다. 정지된 객체를 찾는 것과 달리 상어를 식별하려면 정밀성과 적응성이 필요하므로 Ultralytics YOLOv8이 적합한 선택이었습니다.

Ultralytics YOLOv8의 또 다른 장점은 클라우드 서버에 의존하지 않고 드론에 배포할 수 있다는 점이었습니다. Jim은 이러한 방식 덕분에 SharkEye가 즉시 알림을 보낼 수 있었다고 설명했습니다. 예측하기 어려운 해양 환경에서 신속한 대응을 보장하는 데 필수적인 기능입니다.

단 6줄의 코드로 객체 감지#

Jim은 SharkEye의 작동 방식과 이를 뒷받침한 협업 과정을 소개한 뒤 실시간 데모를 선보였습니다.

Jim Griffin은 익숙한 예시인 Ultralytics YOLO 모델의 "hello world" 코드 스니펫을 청중에게 설명하며 라이브 데모를 시작했습니다. Python 코드 여섯 줄만으로 사전 학습된 Ultralytics YOLOv8 모델이 이미지에서 버스를 탐지하는 방법을 보여주었습니다.

그림 2. YOLO Vision 2024에서 Jim이 진행한 데모.

데모에서는 드론과 같은 저전력 장치용 경량 버전인 Ultralytics YOLOv8 Nano 모델을 사용했습니다. SharkEye에서도 실시간 상어 감지를 위해 같은 모델을 사용했습니다.

더 많은 맥락을 제공하기 위해 Jim은 데모에 사용된 모델이 널리 사용되는 COCO 데이터셋의 더 작은 하위 집합인 COCO128로 학습 중이었다고 언급했습니다. COCO 데이터셋에는 약 330,000개의 이미지가 있으며, 이 중 200,000개 이상에 80개 객체 카테고리의 라벨이 지정되어 있습니다. COCO128은 빠른 데모에 적합하지만, 그는 SharkEye에 실제 상황의 복잡성을 처리할 수 있는 더욱 견고한 애플리케이션별 상어 탐지 데이터셋이 필요하다고 설명했습니다.

SharkEye용 Ultralytics YOLOv8 커스텀 학습#

Jim에 따르면 SharkEye 프로젝트에서 가장 어려운 부분은 AI 모델을 학습하는 것이 아니라 적절한 데이터를 수집하는 일이었습니다. 그는 다음과 같이 말했습니다. “이 프로젝트의 주요 작업은 AI가 아니었습니다. 5년 동안 드론을 날리고, 영상에서 이미지를 추려내고, 적절하게 태그를 지정하는 일이 핵심이었습니다.”

그는 팀이 Padaro Beach에서 이미지 15,000장을 수집했다고 설명했습니다. 각 이미지에는 상어, 해조류, 물속의 다른 객체를 구분하기 위해 수동으로 라벨을 지정해야 했습니다. 이 과정은 느리고 힘들었지만 이후의 모든 작업을 위한 기반을 마련했습니다.

그림 3. 실시간 객체 감지를 위해 드론으로 상어 이미지를 촬영합니다.

데이터셋이 준비된 후 Ultralytics YOLOv8을 해당 데이터셋으로 커스텀 학습했습니다. Jim은 “실제 학습은 어려운 부분이 아니었습니다. T4 GPU [그래픽 처리 장치]에서 20시간밖에 걸리지 않았습니다.”라고 말했습니다. 또한 A100 GPU와 같은 더 강력한 하드웨어를 사용하면 시간을 단 5시간까지 줄일 수 있다고 덧붙였습니다.

SharkEye 평가: 재현율보다 정밀도 중시#

이어서 Jim은 SharkEye의 성능 평가 방법을 설명했습니다. 핵심 지표는 시스템이 실제 상어를 얼마나 정확하게 식별했는지를 나타내는 정밀도였습니다. SharkEye는 정밀도 92%를 달성해 복잡한 해양 환경에서도 상어를 정확하게 식별하는 데 매우 효과적임을 입증했습니다.

정밀도의 중요성을 더 자세히 살펴보며 Jim은 이 사례에서 재현율보다 정밀도가 더 중요한 이유를 설명했습니다. “대부분의 경우 사람들은 재현율에 관심이 많습니다. 특히 양성 사례를 놓치면 심각한 결과를 초래할 수 있는 의료와 같은 분야에서는 더욱 그렇습니다. 하지만 이 사례에서는 상어가 몇 마리나 있는지 알 수 없었기 때문에 저희가 중요하게 여긴 것은 정밀도였습니다.”라고 그는 설명했습니다. SharkEye는 정밀도에 초점을 맞춰 오경보를 최소화했으며, 이를 통해 인명구조원과 기타 대응 인력이 더 신속하게 조치를 취할 수 있었습니다.

그림 4. YOLO Vision 2024에서 SharkEye를 소개하는 Jim.

그는 SharkEye의 정밀도 92%가 인간 전문가의 정확도 60%를 크게 웃돈다고 언급하며 AI와 인간의 성능을 비교하는 것으로 강연을 마무리했습니다. 그는 이러한 격차를 강조하며 다음과 같이 말했습니다. “우리는 인간이기 때문입니다. 여러분이나 제가 아무리 전문가라고 해도, 하루 종일 화면 앞에 앉아 상어를 찾다 보면 결국 정신이 다른 곳으로 향하게 됩니다.” 사람과 달리 AI 모델은 피로하거나 주의가 산만해지지 않으므로 지속적인 모니터링이 필요한 작업에 신뢰할 수 있는 솔루션입니다.

Ultralytics YOLO11#

Jim Griffin의 발표에서 나온 “코드 여섯 줄이 언젠가 생명을 구할 수 있습니다”라는 인상적인 말은 AI가 얼마나 발전하면서도 접근하기 쉬워졌는지를 잘 보여줍니다. Ultralytics YOLO 모델은 이러한 점을 고려해 개발되었으며, 모든 규모의 개발자와 기업이 고급 컴퓨터 비전 기술을 이용할 수 있도록 합니다. Ultralytics YOLO11은 더 빠른 추론과 높은 정확도를 제공하며 이를 한층 발전시켰고, 이후 Ultralytics YOLO26이 그 뒤를 이었습니다.

Ultralytics YOLO11의 차별점을 간단히 살펴보겠습니다.

• 아키텍처 재설계: 개선된 백본 및 넥 아키텍처를 통해 특징을 더 효과적으로 추출하고 정밀도를 높입니다.
• 사용 편의성: Python 코딩이나 Ultralytics Platform과 같은 노코드 도구를 통해 사용할 수 있습니다.
• 다양한 작업 지원: Ultralytics YOLO11은 객체 탐지, 인스턴스 분할, 이미지 분류, 자세 추정, 방향성 바운딩 박스(OBB), 추적과 같은 컴퓨터 비전 작업을 지원합니다.
• 정확도 향상: Ultralytics YOLO11m은 COCO 데이터셋에서 YOLOv8m보다 평균 정밀도(mAP)가 높으면서도 파라미터를 22% 적게 사용합니다.

이러한 기능 덕분에 Ultralytics YOLO11은 농장이나 야생과 같이 역동적인 환경에서 동물 행동을 추적하는 데 적합합니다.

핵심 요점#

비전 AI의 발전은 다양한 분야에 실용적인 도구를 제공하여 현실의 문제를 더 쉽게 해결하도록 돕고 있습니다. 예를 들어, Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 까다로운 조건에서도 동물을 실시간으로 모니터링하고 추적하는 데 사용할 수 있습니다.

YV24에서 진행된 Jim Griffin의 기조연설에서는 Ultralytics YOLOv8을 최소한의 코딩으로 복잡한 문제 해결에 활용하는 방법을 보여주었습니다. 드론과 AI를 결합해 상어를 실시간으로 탐지하는 SharkEye 프로젝트는 기술이 해변의 안전을 어떻게 개선할 수 있는지 보여주었습니다.

접근성이 높은 AI가 다양한 배경의 사람들이 효과적인 솔루션을 만드는 데 어떻게 도움이 되는지 보여주는 인상적인 사례 연구였습니다.

커뮤니티에 참여하고 GitHub 저장소를 살펴보며 AI를 더 깊이 알아보세요. 농업 분야의 컴퓨터 비전부터 자율주행차 분야의 AI까지, 이러한 기술이 어떻게 혁신을 이끌고 있는지 확인해 보세요. 지금 AI 프로젝트를 시작하려면 라이선스 옵션을 확인해 보세요!