Ultralytics Platform을 이용한 컴퓨터 비전의 스마트 데이터셋 관리

비전 AI, 즉 컴퓨터 비전은 초기 연구 단계에서 발전하여 오늘날 실제 애플리케이션을 구동하는 핵심 기술로 자리 잡으며 비약적인 발전을 이루었습니다. 오늘날 AI 애호가들은 접근하기 쉬운 도구와 프레임워크를 사용하여 객체 탐지 및 인스턴스 세그멘테이션과 같은 작업을 위한 강력한 모델을 구축할 수 있습니다.

그러나 이러한 애플리케이션이 실험 단계를 넘어 프로덕션으로 전환됨에 따라 데이터셋 관리는 여전히 중요하면서도 간과되기 쉬운 과제로 남아 있습니다. 컴퓨터 비전 데이터셋의 크기와 복잡성이 커짐에 따라 팀들은 일관된 주석 유지, 버전 간 변경 사항 추적, 전반적인 데이터 품질 보장에 어려움을 겪곤 합니다.

학습 데이터가 불완전하거나 편향되어 있거나 제대로 관리되지 않으면 최첨단 모델이라 할지라도 실제 환경에서는 성능이 저하될 수 있습니다. 개발 단계의 성능과 실제 환경에서의 신뢰성 사이의 격차가 벌어지는 이유는 바로 더욱 체계적인 데이터셋 관리 접근 방식이 필요하기 때문입니다.

또 다른 흔한 한계점은 데이터 수집, 주석 처리, 학습이 서로 다른 도구로 처리되는 경우가 많다는 것입니다. 파편화된 워크플로우는 데이터셋을 효율적으로 관리하기 어렵게 만들고, 불일치 위험을 높이며, 반복 과정을 늦춥니다.

데이터셋 관리 및 파편화된 워크플로우와 같은 비전 AI의 병목 현상을 해결하기 위해 최근 Ultralytics Platform을 출시했습니다. 이는 데이터셋 관리, 주석 처리, 학습, 배포 및 모니터링을 하나의 통합된 워크플로우로 가져오는 엔드 투 엔드 작업 공간입니다.

컴퓨터 비전 수명 주기의 각 단계를 연결함으로써 데이터셋 변경 사항을 추적하고, 버전 간 성능을 비교하며, 더 나은 결과를 위해 데이터를 지속적으로 개선하기가 더 쉬워집니다.

그림 1. Ultralytics Platform 내에서 데이터셋 이미지를 확인하는 예시 (출처)

이 글에서는 Ultralytics Platform이 어떻게 데이터셋을 추적, 비교 및 개선하여 더 안정적인 컴퓨터 비전 모델을 구축하도록 돕는지 자세히 알아보겠습니다. 시작해 보겠습니다!

Link to this section컴퓨터 비전에서 데이터셋 관리의 중요성#

컴퓨터 비전 모델의 성능은 학습 데이터와 밀접하게 관련되어 있습니다. 모델의 정확도와 예측의 정확성은 알고리즘뿐만 아니라 데이터셋이 실제 환경 조건을 얼마나 잘 반영하느냐에 따라 달라집니다.

간단히 말해, 모델은 데이터로부터 패턴을 직접 학습하므로 데이터셋의 격차, 편향, 불일치는 예측 방식에 영향을 줄 수 있습니다. 즉, 저품질 데이터, 잘못된 주석, 조명 조건, 객체 각도, 배경, 폐색 수준 등 이미지의 실제 변화에 대한 제한적인 커버리지는 모델 아키텍처 자체가 뛰어나더라도 정확도를 크게 떨어뜨릴 수 있습니다.

이는 사전 학습된 모델을 특정 사용 사례나 환경에 맞게 조정하기 위해 새로운 데이터나 업데이트된 데이터로 추가 학습하는 파인튜닝 시에도 동일하게 적용됩니다. 모델 정확도는 데이터에 크게 의존하므로 데이터를 적절하게 관리하는 것이 필수적입니다.

데이터셋 관리에는 데이터가 정확하고 관련성을 유지할 수 있도록 데이터를 정리, 라벨링 및 지속적으로 업데이트하는 과정이 포함됩니다. 이를 통해 새로운 데이터로 모델을 재학습하거나 파인튜닝할 때 성능을 점진적으로 개선하기가 더 쉬워집니다.

Link to this section데이터셋 품질이 실제 환경의 신뢰성에 미치는 영향#

보안 모니터링 시스템과 같은 컴퓨터 비전 사용 사례는 적절한 데이터 관리가 왜 중요한지를 보여주는 좋은 예입니다. 이러한 시스템은 다양한 조명 환경, 카메라 각도, 혼잡도, 부분적 폐색 등 다양한 실제 환경 조건 전반에서 안정적으로 작동해야 합니다.

학습 데이터가 이러한 변화를 다루지 못하거나 다양한 장면과 조건에서 객체가 나타나는 방식의 다양성이 부족하면, 모델이 객체를 정확하게 탐지하는 데 어려움을 겪을 수 있습니다. 예를 들어, 조명이 밝고 정돈된 환경에서 주로 학습된 모델은 저조도 환경이나 혼잡한 상황에서 성능이 저하될 수 있습니다. 보안 시스템의 경우 이는 이벤트 누락이나 잘못된 경고로 이어질 수 있습니다.

이를 방지하려면 데이터셋을 단순히 깔끔하고 정확하게 라벨링하는 것뿐만 아니라 균형 잡힌 상태로 유지하고 지속적으로 업데이트하는 것이 중요합니다. 즉, 데이터의 공백을 식별하고, 상황 변화에 따라 새로운 예시를 추가하며, 다양한 클래스와 환경이 고르게 표현되도록 해야 합니다.

더 완벽하고 구조화된 데이터셋을 사용하면 모델이 실제 환경의 가변성을 처리하고 더욱 신뢰할 수 있는 예측을 생성할 준비를 더 잘 갖추게 됩니다.

Link to this section데이터셋 관리의 주요 측면#

그렇다면 데이터셋 관리는 실제로 어떤 모습일까요? 이는 모델 개발 과정 전반에서 효과적으로 데이터를 사용할 수 있도록 데이터를 정리, 라벨링 및 유지 관리하는 작업을 포함합니다.

예를 들어, 데이터 정리는 데이터셋을 구조화하고 학습, 검증, 테스트 세트로 분할하는 작업을 포함합니다. 학습 세트는 모델을 학습시키는 데 사용되고, 검증 세트는 개발 중 성능을 모니터링하고 조정 방향을 잡는 데 사용되며, 테스트 세트는 완전히 새로운 데이터에 대해 최종 모델이 얼마나 잘 수행되는지 평가하는 데 사용됩니다.

한편, 라벨링은 클래스 라벨, BBox, 또는 세그멘테이션 마스크와 같은 세부 정보로 이미지에 주석을 다는 과정을 의미합니다. 모델은 이러한 주석을 통해 학습하므로, 모델이 의미 있는 패턴을 배우고 신뢰할 수 있는 예측을 하도록 돕기 위해서는 정확성과 일관성이 매우 중요합니다.

이에 더해 데이터셋을 유지 관리하는 과정에는 시간이 지남에 따라 데이터를 검토하고 업데이트하는 작업이 포함됩니다. 여기에는 주석 오류 수정, 저품질 데이터나 중복 데이터 제거, 누락된 사례를 다루거나 변화하는 환경을 반영하기 위한 새로운 예시 추가 등이 포함될 수 있습니다.

더 넓게 보면, 데이터셋 관리는 지속적인 과정입니다. 모델이 평가되고 새로운 데이터가 수집됨에 따라 데이터셋은 실제 환경 조건과 엣지 케이스를 반영하도록 업데이트되어야 합니다. 이러한 업데이트를 추적하고 서로 다른 버전을 비교하면 팀은 무엇이 성능을 개선하는지, 어디에 추가 변경이 필요한지 이해하는 데 도움이 됩니다.

Link to this sectionUltralytics Platform을 사용한 데이터셋 관리#

Ultralytics Platform은 데이터 준비부터 내보내기까지 모든 것을 아우르는 단일 환경 내에서 데이터셋을 관리하기 위한 구조화된 워크플로우를 제공합니다. 이는 개인 개발자와 팀 모두를 지원하도록 설계되어 독립적으로 작업하든 여러 프로젝트에서 협업하든 상관없이 데이터셋을 일관되게 관리하기 쉽도록 만듭니다.

각 단계는 모델 개발 수명 주기 전반에서 데이터셋이 정리, 처리 및 사용되는 방식을 단순화하도록 설계되었습니다. 이러한 단계를 한곳으로 모음으로써 플랫폼은 파편화를 줄이고 워크플로우 전반에서 일관성을 유지하기가 더 수월해집니다.

다음으로, 관련된 주요 단계와 플랫폼이 각 단계를 어떻게 지원하는지 살펴보겠습니다.

Link to this sectionUltralytics Platform에 데이터셋 업로드#

플랫폼에서 데이터셋을 시작하는 것은 유연하며, 데이터를 가져오거나 재사용할 수 있는 여러 방법이 있습니다. 직접 데이터를 업로드하거나 플랫폼에서 제공되는 공개 데이터셋을 사용하여 더 빠르게 시작할 수 있습니다. 또한 커뮤니티에서 공유된 기존 데이터셋을 복제하여 그 위에 구축할 수도 있습니다.

플랫폼의 커뮤니티 기능을 통해 기존 작업을 쉽게 탐색하고 재사용할 수 있습니다. 수백만 개의 이미지와 주석을 포함하여 다른 사용자가 만든 데이터셋에 액세스하면 직접 수집하고 라벨을 붙일 필요 없이 빠르게 시작할 수 있습니다. 데이터셋을 복제하면 작업 공간에 사본이 생성되어 원본을 보존하면서도 수정 및 확장할 수 있습니다.

업로드의 경우, 플랫폼은 개별 이미지, 동영상, 그리고 ZIP, TAR 또는 GZ 파일과 같은 데이터셋 아카이브를 지원합니다. 또한 YOLO 및 COCO와 같이 널리 사용되는 데이터셋 형식을 지원하여 추가 변환 없이도 기존 데이터셋과 주석을 쉽게 가져올 수 있습니다. 이를 넘어 플랫폼에서 내보낸 NDJSON 파일을 사용하여 데이터셋을 업로드할 수 있으므로 프로젝트 전반에서 데이터셋을 원활하게 재현하거나 재사용할 수 있습니다.

데이터가 업로드되면 플랫폼은 구조화된 파이프라인을 통해 데이터를 처리합니다. 여기에는 파일 형식 및 크기 검증, 필요 시 이미지 크기 조정, 주석 파싱, 데이터셋 통계 생성이 포함됩니다.

예를 들어, 동영상은 학습에 사용할 수 있도록 프레임으로 변환되며, 이미지는 더 쉬운 탐색 및 분석을 위해 최적화되고 준비됩니다. 처리 후 데이터셋은 플랫폼 내에서 주석 처리, 분석 및 모델 학습에 사용할 준비가 완료됩니다.

Link to this sectionUltralytics Platform에서의 데이터 주석 처리#

데이터셋이 업로드되면 플랫폼 내에서 직접 검토하고 주석을 달 수 있습니다. 플랫폼에는 객체 탐지, 인스턴스 세그멘테이션, 포즈 추정, OBB(Oriented Bounding Box) 탐지, 이미지 분류 등 다양한 컴퓨터 비전 작업을 위한 내장 이미지 주석 도구가 포함되어 있습니다.

그림 2. 데이터 라벨링을 위해 Ultralytics Platform 사용하기 (출처)

주석은 이러한 도구를 사용하여 수동으로 생성하거나 SAM 기반 스마트 주석과 같은 AI 보조 기능으로 가속화할 수 있습니다. SAM을 사용하면 이미지와 상호 작용하여 마스크, BBox 또는 방향이 지정된 박스를 생성할 수 있으므로 정확성을 유지하면서 라벨링 과정을 빠르게 진행할 수 있습니다.

Link to this sectionUltralytics Platform을 통한 데이터셋 품질 분석#

데이터 준비 및 주석 처리 외에도 신뢰할 수 있는 컴퓨터 비전 모델을 구축하려면 데이터셋 품질을 이해하는 것이 필수적입니다. 클래스 분포, 주석 품질, 데이터셋 분할, 다양한 조건에서 데이터가 어떻게 표현되는지와 같은 요소를 명확하게 파악하지 못하면 모델 성능에 영향을 미치는 문제를 찾기가 어려울 수 있습니다.

Ultralytics Platform에는 데이터셋을 더 효과적으로 분석하도록 돕는 내장 기능이 포함되어 있습니다. 이러한 통찰은 이미지, 클래스, 차트와 같은 탭 전반에 걸쳐 데이터셋 인터페이스 내에서 직접 확인할 수 있습니다.

차트 탭에서는 분할 분포(학습, 검증, 테스트), 클래스 빈도, 이미지 내에서 객체가 나타나는 위치를 보여주는 주석 히트맵과 같은 데이터셋 수준의 통계를 볼 수 있습니다.

클래스 탭은 클래스당 주석 수를 분석하여 클래스 불균형을 더 쉽게 발견할 수 있도록 합니다. 한편, 이미지 탭은 크기, 주석 수, 개별 이미지 전반에 걸쳐 라벨이 어떻게 분포되어 있는지와 같은 이미지 수준의 세부 정보를 보여줍니다.

이러한 통찰을 통해 클래스 불균형, 누락된 시나리오 또는 고르지 못한 데이터 분포와 같은 문제를 더 쉽게 식별할 수 있습니다. 예를 들어, 특정 클래스의 예시가 매우 적거나 대부분의 주석이 이미지의 특정 영역에 집중되어 있음을 발견할 수 있습니다.

데이터 분석을 넘어, 플랫폼은 데이터셋 큐레이션 및 증강을 지원합니다. 즉, 문제가 있는 데이터를 수정하거나 제거하고 기존 데이터의 변형을 생성하여 모델 성능을 향상하는 방식으로 데이터셋을 개선합니다. 이러한 개선 사항은 분석에서 얻은 통찰을 바탕으로 주석을 업데이트하거나, 새로운 데이터를 추가하거나, 데이터셋 분할을 재구성함으로써 플랫폼 내에서 직접 수행할 수 있습니다.

Link to this sectionUltralytics Platform에서 데이터셋 내보내기#

데이터셋이 준비되고 검증되면 다른 환경에서 사용하기 위해 내보낼 수 있습니다. 이를 통해 로컬, 클라우드, 또는 다른 도구 및 워크플로우에서 모델을 학습시키든 컴퓨터 비전 데이터를 선호하는 방식으로 유연하게 활용할 수 있습니다.

Ultralytics Platform은 YOLO, COCO, NDJSON을 포함한 다중 내보내기 형식을 지원하여 데이터셋을 다양한 학습 워크플로우 및 도구에 쉽게 통합할 수 있습니다.

그림 3. Ultralytics Platform에서 데이터셋 내보내기 (출처)

데이터셋을 내보내면 이미지, 주석 및 구조를 포함하여 특정 시점의 데이터 고정 스냅샷이 생성됩니다. 새로운 데이터가 추가되거나 주석이 업데이트되거나 분할이 조정됨에 따라 데이터셋이 자주 변경되기 때문에 이는 유용합니다. 스냅샷을 내보내면 특정 학습 실행에 사용된 데이터셋의 정확한 버전을 보존할 수 있습니다.

이렇게 하면 나중에 결과를 재현하기가 더 간단해집니다. 동일한 데이터 설정으로 모델을 다시 학습시키고 서로 다른 데이터셋 버전 간의 성능을 비교할 수 있기 때문입니다. 예를 들어, 무엇이 바뀌었는지 추측하는 대신 새로운 이미지를 추가하거나 주석을 수정하는 것이 실제로 모델 정확도를 향상하는지 평가할 수 있습니다.

내보내기는 비동기식으로 처리되며, 준비가 완료되면 데이터셋을 다운로드하여 로컬, 클라우드 또는 오프라인 학습 환경에서 사용할 수 있습니다.

Link to this sectionUltralytics Platform에서의 반복을 통한 데이터셋 품질 향상#

머신러닝 및 딥러닝 워크플로우에서 실제 데이터는 학습 시 사용된 데이터와 다른 경우가 많기 때문에 데이터셋 관리는 배포 후에도 계속됩니다.

모델이 새로운 입력을 접하게 되면 저조도 환경, 다른 카메라 각도, 폐색, 혼잡한 장면과 같은 누락된 조건이나 주석 오류와 같은 데이터셋의 공백이 더 명확해지므로 시간이 지남에 따라 데이터를 수정해야 할 필요성이 생깁니다.

데이터셋을 개선하는 방법은 여러 가지가 있습니다. 저조도 환경, 다른 카메라 각도, 폐색 또는 혼잡한 장면과 같이 누락된 조건을 다루기 위해 새로운 이미지나 동영상을 추가하여 데이터의 사각지대를 줄이는 데 도움을 줄 수 있습니다.

동시에 올바르게 라벨링된 객체와 정확한 BBox 또는 마스크와 같이 주석이 정확하고 일관되도록 보장하면 모델이 더 신뢰할 수 있는 패턴을 학습하는 데 도움이 됩니다.

이는 일반적으로 모델 학습, 결과 평가, 오류 식별, 데이터셋 개선, 재학습이라는 간단한 루프를 따릅니다. 각 단계는 잘못된 주석, 누락된 데이터 또는 과소 대표된 사례와 같은 문제를 강조하는 데 도움이 됩니다.

매장에서 제품을 탐지하는 실시간 소매 진열대 모니터링 시스템을 작업 중이라고 가정해 보겠습니다. 데이터셋 초기 버전에는 특정 제품 유형, 조명 조건 또는 혼잡한 진열대 구성이 포함되지 않았을 수 있습니다. 평가 중에 모델이 이러한 상황에서 항목을 탐지하는 데 어려움을 겪는다는 것을 알 수 있습니다.

성능을 개선하기 위해 이러한 누락된 시나리오를 다루는 새로운 이미지를 수집하고 필요한 경우 주석을 업데이트할 수 있습니다. 시간이 지남에 따라 이 과정을 반복하면 모델이 실제 환경 조건에서 더욱 정확하고 신뢰할 수 있게 됩니다.

Ultralytics Platform은 데이터셋 업데이트를 학습 및 평가와 연결하여 이 워크플로우를 지원합니다. 내장된 실험 추적 및 성능 지표를 통해 진행 상황을 모니터링하고 시간이 지남에 따라 데이터셋을 지속적으로 개선하기가 더 쉬워집니다.

Link to this sectionUltralytics Platform을 사용하여 데이터셋 변경 사항 추적#

모델 개발 과정의 일부로서 데이터셋이 시간이 지남에 따라 어떻게 진화하는지 간단히 논의했습니다. 새로운 데이터가 추가되고, 주석이 수정되며, 클래스가 업데이트됨에 따라 이러한 변경 사항을 추적하는 것은 데이터 품질을 유지하고 일관된 모델 성능을 보장하는 핵심이 됩니다.

다음은 데이터셋 추적 및 버전 관리를 지원하는 Ultralytics Platform의 주요 기능입니다:

• 데이터셋 버전 관리: NDJSON 스냅샷으로 고정된 데이터셋 버전을 생성할 수 있습니다. 각 버전은 특정 시점의 이미지 수, 클래스 수, 주석 수 및 데이터셋 크기와 같은 주요 세부 정보를 캡처합니다. 이러한 버전은 저장되고 나중에 다운로드할 수 있어 실험을 재현하고 서로 다른 데이터셋 상태 간의 결과를 비교하기가 더 쉬워집니다.
• 버전 탭: 모든 데이터셋 버전은 버전 탭에 정리되어 있으며, 여기서 버전 기록을 보고, 변경 사항에 대한 설명을 추가하며, 시간이 지남에 따라 데이터셋이 어떻게 진화하는지 추적할 수 있습니다.
• 모델과 연결: 모델 탭은 mAP 및 학습 세부 정보와 같은 지표를 포함하여 데이터셋에서 학습된 모든 모델을 보여줍니다. 데이터셋 버전은 학습 실행과 연결되어 데이터 변경 사항이 모델 성능에 어떤 영향을 미치는지 이해하도록 돕습니다.
• 오류 탭: 오류 탭은 처리 중 실패한 파일과 오류 세부 정보 및 제안 사항을 강조 표시합니다. 이를 통해 학습 전에 손상된 파일이나 지원되지 않는 형식과 같은 문제를 식별하고 수정할 수 있습니다.
• 데이터셋 인터페이스(이미지 및 클래스 탭): 이러한 뷰를 통해 이미지를 탐색하고, 주석을 검토하며, 클래스 라벨을 관리하고, 클래스 분포를 분석할 수 있습니다. 필터링, 정렬 및 주석이 없는 이미지 식별과 같은 기능을 통해 시간이 지남에 따라 데이터셋 품질을 더 간단하게 모니터링할 수 있습니다.
• 통계 및 차트: 분할 분포, 클래스 빈도 및 주석 히트맵과 같은 내장 데이터 시각화는 데이터 분포의 변경 사항을 추적하고 데이터셋이 진화함에 따라 불균형을 식별하는 데 도움이 됩니다.

그림 4. Ultralytics Platform에서 데이터셋의 클래스 분포를 분석하는 모습 (출처)

Link to this sectionUltralytics Platform 내에서 데이터셋을 학습 및 배포에 연결#

Ultralytics Platform은 AI 모델 개발의 여러 단계를 단일 파이프라인으로 연결합니다. 이는 원시 데이터에서 프로덕션 준비가 완료된 비전 AI 애플리케이션으로 이동하는 과정을 간소화합니다.

데이터셋이 준비되고 주석이 달리면 플랫폼 내에서 Ultralytics YOLO26과 같은 컴퓨터 비전 모델을 직접 학습시키는 데 사용할 수 있습니다. 학습 중에 내장된 대시보드를 사용하여 성능 지표를 모니터링하고, 실험을 추적하며, 모델이 얼마나 잘 학습하고 있는지 평가할 수 있습니다.

그림 5. Ultralytics Platform에서 모델 학습 지표를 확인하는 모습 (출처)

학습 후 모델은 브라우저에서 직접 새로운 이미지로 테스트하여 예측을 평가하고 배포 전에 개선이 필요한 영역을 식별할 수 있습니다. 모델이 잘 작동하면 프로덕션에 배포할 수 있습니다.

플랫폼은 모델을 여러 형식으로 내보내거나 추론 서비스 및 전용 엔드포인트를 통해 배포하는 것을 지원하여 다양한 환경에서 실행할 수 있도록 합니다.

배포 후 내장된 모니터링 도구는 사용량 및 모델 동작 관련 지표를 포함하여 시간이 지남에 따라 시스템 성능을 추적하는 데 도움을 줍니다. 이를 통해 실제 애플리케이션에서 비전 AI 시스템을 유지 관리하고 개선하는 것이 더 간단해집니다.

Link to this sectionUltralytics Platform을 이용한 데이터셋 관리를 위한 모범 사례#

Ultralytics Platform을 사용하여 데이터셋을 관리할 때 유념해야 할 몇 가지 주요 요소는 다음과 같습니다:

• 필터를 사용하여 공백 찾기: 필터링 도구를 사용하여 라벨이 지정되지 않았거나 과소 대표된 데이터를 식별하면 주석을 완료하고 커버리지를 개선하기가 더 원활해집니다.
• 오류 조기 수정: 품질 관리를 위해 오류 탭을 사용하여 학습 전에 실패한 업로드, 손상된 파일 또는 지원되지 않는 형식을 포착하십시오.
• 데이터셋 지속적 업데이트: 새로운 데이터를 추가하고, 주석을 수정하며, 엣지 케이스가 나타날 때마다 포함하십시오. 이는 커버리지를 개선하고 모델이 실제 시나리오에서 안정적으로 수행되도록 하는 데 도움이 됩니다.
• 데이터셋 분할을 신중하게 관리: 학습, 검증 및 테스트 세트 간의 좋은 균형을 유지하십시오. 필요에 따라 분할을 수동으로 재구성하거나 자동 재분배를 사용할 수 있습니다.

Ultralytics Platform에 대해 더 알아보려면 공식 Ultralytics 문서를 확인하십시오.

Link to this section핵심 요약#

컴퓨터 비전 프로젝트가 확장됨에 따라 데이터셋을 효과적으로 관리하는 것은 모델 개발만큼이나 중요해집니다. 데이터셋 관리에 대한 구조화된 접근 방식은 데이터 품질을 향상하고, 워크플로우를 간소화하며, 시간이 지남에 따라 더 나은 모델 성능을 지원하는 데 도움이 됩니다.

Ultralytics Platform은 데이터셋 관리, 학습 및 배포를 하나의 워크플로우로 가져와 이 과정을 단순화합니다. 데이터셋 관리에 대한 구조화된 접근 방식을 채택함으로써 팀은 복잡성을 줄이고 효율성을 향상하며 더욱 확장 가능하고 신뢰할 수 있는 컴퓨터 비전 시스템을 구축할 수 있습니다.

성장하는 커뮤니티에 참여하고 AI 리소스를 위해 GitHub 리포지토리를 탐색하십시오. 오늘 바로 비전 AI로 구축하려면 라이선스 옵션을 확인하십시오. 농업 분야의 AI가 농업을 어떻게 변화시키고 있는지, 의료 분야의 비전 AI가 솔루션 페이지를 방문하여 미래를 어떻게 만들어 가고 있는지 알아보십시오.