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 도입으로 이 과정은 더욱 빠르고 스마트하며 효율적으로 변모하고 있으며, 인간 관찰자의 부담을 줄이고 정확도를 높이고 있습니다. 특히 computer vision을 활용하면 실시간으로 동물을 추적하고 위험 요소를 감지하며 의사결정을 내릴 수 있습니다. 몇 시간씩 걸리던 작업을 이제 몇 분 만에 완료할 수 있게 되어 동물 행동을 이해하는 새로운 길이 열리고 있습니다.

Ultralytics가 주최하는 연례 하이브리드 이벤트인 YOLO Vision 2024(YV24)에서 전문가와 혁신가들이 모여 AI가 일상의 과제를 어떻게 해결하고 있는지 살펴보았습니다. 선보인 주제 중 일부에는 실시간 object detection 및 animal monitoring의 발전상이 포함되었으며, AI가 다양한 분야에서 안전성과 효율성을 어떻게 향상시키고 있는지 보여주었습니다.

이번 이벤트의 하이라이트 중 하나는 AI Master Group의 설립자 Jim Griffin의 발표였습니다. 그는 상어가 해변에 너무 가까이 오기 전에 감지하여 해변을 더 안전하게 만드는 vision AI의 기술을 시연했습니다. 또한 거친 파도, 눈부심, 수중 장애물 등 까다로운 조건에서도 실시간으로 상어를 정확하게 식별하기 위해 최첨단 computer vision 모델인 Ultralytics YOLOv8을 어떻게 활용했는지 설명했습니다.

본 아티클에서는 SharkEye project를 자세히 살펴보고 Jim의 발표에서 얻은 흥미로운 인사이트를 공유하고자 합니다.

SharkEye 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 산타바바라(University of California, Santa Barbara)의 지원을 받아 이 문제를 해결하기 위해 개발되었습니다. Jim은 고해상도 AI cameras가 탑재된 드론이 수면 위 약 200피트 상공을 비행하며 실시간으로 바다를 스캔하는 방식을 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.

상어 탐지를 위한 Ultralytics YOLOv8 사용#

세부적인 사항으로 들어가서, Jim은 SharkEye의 내부 구조와 상어 감지 솔루션이 단순한 object detection 작업 그 이상이었던 이유에 대해 설명했습니다. 상어로 쉽게 오인될 수 있는 떠다니는 해초와 같이 역동적이고 예측 불가능한 환경을 처리해야 했습니다. 정지된 객체를 감지하는 것과 달리, 상어를 식별하려면 정밀성과 적응력이 필요하며, 이로 인해 Ultralytics YOLOv8이 이상적인 선택이 되었습니다.

Ultralytics YOLOv8의 또 다른 장점은 클라우드 서버에 의존하지 않고 deployed on a drone할 수 있다는 점이었습니다. Jim은 이 접근 방식 덕분에 SharkEye가 즉각적인 경고를 보낼 수 있게 되었다고 설명했으며, 이는 예측할 수 없는 해양 환경에서 시기적절한 대응을 보장하는 데 필수적인 부분입니다.

단 6줄의 코드로 구현하는 객체 탐지#

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

Jim Griffin은 Ultralytics YOLO models을 위한 "hello world" 코드 스니펫이라는 친숙한 예제를 청중에게 소개하며 라이브 데모를 시작했습니다. 단 6줄의 Python 코드로, 사전 학습된 Ultralytics YOLOv8 모델이 이미지 속 버스를 손쉽게 감지하는 모습을 선보였습니다.

그림 2. YOLO Vision 2024에서 Jim의 데모.

그의 데모에서는 드론과 같은 저전력 기기를 위한 경량 버전인 Ultralytics YOLOv8 Nano 모델을 사용했습니다. 동일한 모델이 실시간 상어 감지를 위해 SharkEye에 사용되었습니다.

맥락을 더 제공하기 위해 Jim은 데모에 사용된 모델이 널리 사용되는 COCO dataset.의 더 작은 하위 집합인 COCO128로 학습되고 있다고 언급했습니다. COCO dataset은 80개의 서로 다른 object categories에 걸쳐 20,000장이 넘는 이미지를 포함하고 있습니다. COCO128은 빠른 데모용으로는 적합하지만, SharkEye에는 실제 시나리오의 복잡성을 처리할 수 있는 더욱 견고한 애플리케이션 전용 상어 탐지 dataset이 필요하다고 그는 지적했습니다.

SharkEye를 위한 Ultralytics 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.

dataset이 준비되면 그 위에 Ultralytics YOLOv8이 custom-trained되었습니다. Jim은 "실제 학습은 어려운 부분이 아니었습니다. T4 GPUs [Graphics processing units]에서 단 20시간밖에 걸리지 않았습니다."라고 말했습니다. 또한 A100 GPUs와 같은 더 강력한 하드웨어를 사용하면 시간을 불과 5시간으로 단축할 수 있었을 것이라고 덧붙였습니다.

SharkEye 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 파고들면서 Jim은 이 경우 왜 재현율(recall)보다 정밀도가 더 중요했는지 명확히 밝혔습니다. "대부분의 경우 사람들은 recall에 관심이 많습니다. 특히 양성 사례를 놓치는 것이 치명적일 수 있는 의료 같은 분야에서는 더욱 그렇습니다. 하지만 이 경우 바다에 상어가 얼마나 있는지 알 수 없었기 때문에 우리가 신경 쓴 것은 정밀도였습니다."라고 그는 설명했습니다. SharkEye는 정밀도에 집중하여 오탐지를 최소화함으로써 인명 구조원과 기타 대응 요원들이 신속하게 조치를 취할 수 있도록 지원했습니다.

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.

Ultralytics YOLO11: 최신 YOLO#

Jim Griffin의 발표 중 나온 "코드 여섯 줄이 언젠가 당신의 목숨을 구할 수도 있습니다(Six lines of code could save your life one day)"라는 흥미로운 인용구는 AI가 얼마나 발전하면서도 접근하기 쉬워졌는지를 완벽하게 포착하고 있습니다. Ultralytics YOLO models은 이러한 점을 염두에 두고 제작되어, 모든 규모의 개발자와 기업이 최첨단 computer vision 기술을 쉽게 이용할 수 있도록 합니다. Ultralytics YOLO11은 더 빠른 inference와 더 높은 정확도로 이를 기반으로 발전합니다.

다음은 Ultralytics YOLO11의 차별점을 간략하게 보여줍니다:

• 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.
• 다양한 작업 지원: Ultralytics YOLO11은 객체 감지, 인스턴스 세분화, 이미지 분류, 추적, 자세 추정, 회전된 경계 상자(OBB)와 같은 computer vision tasks를 지원합니다.
• 향상된 정확도: Ultralytics YOLO11은 COCO 데이터셋에서 YOLOv8m에 비해 22% 더 높은 평균 정밀도(mAP)를 달성하여 더 정밀한 탐지를 제공합니다.

이러한 기능 덕분에 Ultralytics YOLO11은 농장이든 야생이든 역동적인 환경에서 동물 행동을 추적하는 데 매우 적합합니다.

핵심 요약#

비전 AI의 발전은 다양한 분야에 실용적인 도구를 제공함으로써 현실 세계의 난제를 더 쉽게 해결할 수 있도록 돕고 있습니다. 예를 들어, Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 까다로운 조건에서도 동물의 실시간 모니터링 및 추적에 활용될 수 있습니다.

Jim Griffin은 YV24 기조연설에서 최소한의 코딩으로 복잡한 문제를 해결하는 데 Ultralytics YOLOv8이 어떻게 사용될 수 있는지 설명했습니다. 드론과 AI를 결합하여 상어를 실시간으로 탐지하는 SharkEye 프로젝트는 기술이 해변 안전을 어떻게 향상할 수 있는지 보여주었습니다.

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