객체 탐지를 위해 Ultralytics YOLOv8을 사용하는 SharkEye

농장의 가축 방목이든 해안 근처를 이동하는 상어든, 자연 서식지에서 동물을 모니터링하는 것은 동물의 안전과 복지를 위해 항상 중요했습니다. 하지만 이를 수동으로 관찰하는 것은 쉬운 일이 아닙니다. 관찰자는 행동이나 움직임의 변화를 면밀히 살피기 위해 종종 몇 시간 동안의 인내심과 집중력을 발휘해야 합니다. 그조차도 미묘하지만 중요한 징후를 놓치기 쉽습니다.

인공지능(AI)의 도입 덕분에 이 과정은 더 빠르고 스마트하며 훨씬 더 효율적으로 변하고 있으며, 인간 관찰자의 부담을 줄이고 정확도를 높이고 있습니다. 특히 computer vision을 사용하여 실시간으로 동물을 추적하고 위험을 발견하며 의사결정을 내릴 수 있습니다. 한때 몇 시간이 걸리던 작업이 이제는 몇 분 만에 완료될 수 있어, 동물 행동을 이해하는 새로운 방법을 제시합니다.

Ultralytics가 주최하는 연례 하이브리드 이벤트인 YOLO Vision 2024(YV24)에서 전문가와 혁신가들이 모여 AI가 일상의 과제를 어떻게 해결하고 있는지 살펴보았습니다. 다루어진 주제 중에는 실시간 객체 탐지 및 animal monitoring의 발전이 포함되었으며, 이는 AI가 다양한 분야에서 어떻게 안전과 효율성을 강화하고 있는지 보여주었습니다.

이 이벤트의 하이라이트 중 하나는 AI Master Group의 설립자인 Jim Griffin의 발표였습니다. 그는 상어가 해안에 너무 가까이 오기 전에 탐지하여 해변을 더 안전하게 만드는 vision AI를 시연했습니다. 그는 최첨단 컴퓨터 비전 모델인 Ultralytics YOLOv8을 사용하여 거친 파도, 눈부심, 수중 장애물과 같은 어려운 조건에서도 실시간으로 상어를 정확하게 식별하는 방법을 설명했습니다.

본 기사에서는 SharkEye project를 자세히 살펴보고 Jim의 발표에서 얻은 흥미로운 통찰력을 공유하겠습니다.

Link to this sectionSharkEye 알아보기: 컴퓨터 비전 애플리케이션#

Jim은 서퍼와 상어가 같은 물을 공유하는 것으로 유명한 캘리포니아의 서핑 명소인 Padaro Beach를 소개하며 발표를 시작했습니다. 그는 상어 탐지의 실제적인 어려움을 강조하며 "물론 상어에게 물린 후에 탐지하는 것은 쉽습니다. 그래서 우리가 하고자 했던 것은 상어를 미리 식별하는 것이었습니다."라고 말했습니다.

그림 1. YOLO Vision 2024 무대 위의 Jim.

SharkEye는 캘리포니아 대학교 샌타바버라 캠퍼스의 지원을 받아 이 문제를 해결하기 위해 만들어졌습니다. Jim은 고해상도 AI cameras를 탑재한 드론이 수면 위 약 200피트 상공에서 비행하며 실시간으로 바다를 스캔하는 방법을 설명했습니다.

상어가 탐지되면 인명 구조원, 서핑 샵 주인, 업데이트를 구독한 사람을 포함한 약 80명에게 SMS 알림이 전송됩니다. Jim은 이러한 즉각적인 알림이 신속한 대응을 가능하게 하여 상어가 해안 근처에 있을 때 해수욕객을 더 안전하게 지켜준다고 지적했습니다.

Jim은 또한 SharkEye가 사용자가 상어 탐지 통계를 볼 수 있는 실시간 대시보드를 제공한다고 언급했습니다. 예를 들어, 12주 동안 시스템은 두 마리의 큰 상어와 15마리의 작은 상어를 식별하여 주당 평균 한 마리가 조금 넘는 상어를 탐지했습니다.

그는 이어 SharkEye 프로젝트를 이끈 과학자 Neil Nathan을 소개했습니다. 컴퓨터 과학이 아닌 환경학 배경을 가졌음에도 불구하고 Nathan은 프로젝트를 성공적으로 이끌었습니다. Jim은 SharkEye에 사용된 것과 같은 현대적인 AI 도구들이 설계 단계부터 접근성을 고려하여 비기술적 배경을 가진 사람들도 영향력 있는 솔루션을 개발할 수 있게 한다고 강조했습니다.

Link to this section상어 탐지를 위한 Ultralytics YOLOv8 사용#

Jim은 세부 사항으로 들어가 SharkEye의 내부 작동 방식과 상어 탐지 솔루션이 단순한 object detection 작업 그 이상을 포함한다는 점을 설명했습니다. 이 시스템은 상어로 오인하기 쉬운 떠다니는 해초와 같은 역동적이고 예측 불가능한 환경을 다루어야 했습니다. 정지된 물체를 식별하는 것과 달리 상어를 식별하려면 정확성과 적응력이 필요하며, 이 때문에 YOLOv8이 이상적인 선택이 되었습니다.

YOLOv8의 또 다른 장점은 클라우드 서버에 의존하지 않고도 deployed on a drone이 가능하다는 점이었습니다. Jim은 이러한 접근 방식 덕분에 SharkEye가 즉각적인 알림을 보낼 수 있게 되었으며, 이는 예측 불가능한 해양 조건에서 적시 대응을 보장하는 데 필수적인 부분이라고 설명했습니다.

Link to this section단 6줄의 코드로 구현하는 객체 탐지#

SharkEye의 작동 방식과 그 이면의 협력적 노력을 강조한 후, Jim은 라이브 데모를 선보였습니다.

Jim Griffin은 Ultralytics YOLO models를 위한 친숙한 예제인 "hello world" 코드 스니펫을 청중에게 안내하며 라이브 데모를 시작했습니다. 단 6줄의 Python 코드로, 그는 사전 학습된 Ultralytics YOLOv8 모델이 이미지 속의 버스를 얼마나 쉽게 탐지할 수 있는지 보여주었습니다.

그림 2. YOLO Vision 2024에서 Jim의 데모.

그의 데모는 드론과 같은 저전력 장치를 위한 경량 버전인 YOLOv8 Nano 모델을 사용했습니다. 실시간 상어 탐지를 위한 SharkEye에서도 동일한 모델이 사용되었습니다.

더 많은 맥락을 제공하기 위해 Jim은 데모 모델이 널리 사용되는 COCO dataset의 작은 하위 집합인 COCO128로 학습되었다고 언급했습니다. COCO 데이터셋은 80개의 서로 다른 객체 카테고리에 걸쳐 2만 개 이상의 이미지를 포함하고 있습니다. COCO128은 빠른 데모에는 효과적이지만, SharkEye에는 실제 시나리오의 복잡성을 처리할 수 있는 애플리케이션 전용 상어 탐지 데이터셋이 필요했다고 그는 지적했습니다.

Link to this sectionSharkEye를 위한 YOLOv8 커스텀 학습#

Jim에 따르면 SharkEye 프로젝트의 가장 어려운 부분은 AI 모델 학습이 아니라 올바른 데이터를 수집하는 것이었습니다. 그는 "이 프로젝트의 주된 작업은 AI가 아니었습니다. 이 프로젝트의 핵심은 5년 동안 드론을 띄워 영상에서 이미지를 추출하고 적절하게 태깅하는 것이었습니다."라고 말했습니다.

그는 팀이 Padaro Beach에서 15,000개의 이미지를 수집한 과정을 설명했습니다. 각 이미지는 상어, 해초 및 물속의 다른 물체를 구별하기 위해 수동으로 레이블을 지정해야 했습니다. 이 과정은 느리고 고되었지만, 이후의 모든 결과물을 만드는 토대가 되었습니다.

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

데이터셋이 준비되자 Ultralytics YOLOv8을 사용하여 custom-trained했습니다. Jim은 "실제 학습 과정은 어렵지 않았습니다. T4 GPU[그래픽 처리 장치]에서 단 20시간밖에 걸리지 않았습니다."라고 말했습니다. 또한 그는 A100 GPU와 같은 더 강력한 하드웨어를 사용했다면 이 시간을 5시간으로 단축할 수 있었을 것이라고 덧붙였습니다.

Link to this sectionSharkEye 평가: 재현율보다 정밀도#

이어 Jim은 SharkEye의 성능이 어떻게 평가되었는지 논의했습니다. 그는 핵심 지표가 정밀도(시스템이 실제 상어를 얼마나 정확하게 식별했는지)임을 설명했습니다. SharkEye는 92%라는 인상적인 정밀도를 달성하여 복잡한 해양 환경 속에서도 상어를 정확하게 식별하는 데 매우 효과적임을 입증했습니다.

정밀도의 중요성에 대해 더 깊이 파고들며 Jim은 왜 이 사례에서 재현율보다 정밀도가 더 중요했는지 명확히 했습니다. "대부분의 경우 사람들은 recall에 관심을 갖습니다. 특히 헬스케어 분야처럼 양성 사례를 놓치는 것이 치명적일 수 있는 곳에서는 더욱 그렇습니다. 하지만 이 경우 우리는 바다에 상어가 몇 마리나 있는지 알 수 없었기 때문에 우리가 중요하게 생각한 것은 정밀도였습니다."라고 그는 설명했습니다. SharkEye는 정밀도에 초점을 맞춰 오탐지를 최소화함으로써 인명 구조원과 다른 대응팀이 신속하게 조치를 취할 수 있도록 했습니다.

그림 4. YOLO Vision 2024에서 SharkEye를 시연하는 Jim.

그는 SharkEye의 92% 정밀도가 인간 전문가의 60% 정확도를 훨씬 능가한다는 점을 언급하며 AI와 인간의 성능을 비교하는 것으로 발표를 마쳤습니다. 그는 "그 이유는 우리가 인간이기 때문입니다. 당신이나 내가 아무리 전문가라 할지라도 하루 종일 화면 앞에서 상어를 찾고 있다면 결국 정신이 산만해질 것입니다."라며 이러한 격차를 강조했습니다. 사람과 달리 AI 모델은 지치거나 주의가 산만해지지 않으므로 지속적인 모니터링이 필요한 작업에 신뢰할 수 있는 솔루션입니다.

Link to this sectionUltralytics YOLO11: 최신 YOLO#

Jim Griffin의 발표 중 "6줄의 코드가 언젠가 당신의 생명을 구할 수도 있습니다"라는 흥미로운 인용구는 AI가 얼마나 발전했으면서도 접근하기 쉬워졌는지를 완벽하게 보여줍니다. Ultralytics YOLO 모델은 이러한 점을 염두에 두고 만들어졌으며, 최첨단 컴퓨터 비전 기술을 모든 규모의 개발자와 기업이 이용할 수 있도록 합니다. Ultralytics YOLO11은 더 빠른 추론과 더 높은 정확도로 이를 기반으로 발전했습니다.

YOLO11의 차별점은 다음과 같습니다:

• 재설계된 아키텍처: 향상된 백본 및 넥 아키텍처를 통해 더 나은 특징 추출과 개선된 정밀도를 제공합니다.
• 사용 편의성: Python 코딩 또는 Ultralytics HUB와 같은 노코드 도구를 통해 액세스할 수 있습니다.
• 작업 간 유연성: YOLO11은 객체 탐지, 인스턴스 분할, 이미지 분류, 추적, 자세 추정 및 방향성 경계 상자(OBB)와 같은 computer vision tasks를 지원합니다.
• 정확도 향상: YOLO11은 COCO 데이터셋에서 YOLOv8m 대비 22% 더 높은 mAP(mean average precision)를 달성하여 더 정밀한 탐지 성능을 제공합니다.

이러한 기능 덕분에 YOLO11은 농장이든 야생이든 관계없이 역동적인 환경에서 동물의 행동을 추적하는 데 매우 적합합니다.

Link to this section핵심 요약#

비전 AI의 발전은 다양한 분야에 실용적인 도구를 제공함으로써 실제적인 과제를 해결하는 것을 더 쉽게 만들고 있습니다. 예를 들어, YOLO11과 같은 컴퓨터 비전 모델은 까다로운 조건에서도 실시간 동물 모니터링 및 추적에 사용될 수 있습니다.

YV24에서 진행된 Jim Griffin의 기조연설은 최소한의 코딩으로 YOLOv8을 사용하여 복잡한 문제를 어떻게 해결할 수 있는지 보여주었습니다. 드론과 AI를 결합하여 실시간 상어를 탐지하는 SharkEye 프로젝트는 기술이 어떻게 해변의 안전을 향상시킬 수 있는지 증명했습니다.

이는 접근하기 쉬운 AI가 어떻게 서로 다른 배경을 가진 사람들이 효과적인 솔루션을 만들 수 있도록 힘을 실어주는지 보여주는 흥미로운 사례 연구였습니다. AI가 계속 진화함에 따라 AI는 산업을 변화시키고 있으며, 개인이 잠재력을 활용하여 세상을 더 안전하고 스마트하며 효율적인 곳으로 만들 수 있게 하고 있습니다.

our community에 참여하고 GitHub repository를 탐색하여 AI에 대해 더 깊이 알아보세요. computer vision in agriculture에서 AI in self-driving cars까지, 이러한 기술이 어떻게 혁신을 주도하고 있는지 확인해 보세요. our licensing options을 확인하고 지금 바로 AI 프로젝트를 시작하세요!