2025년 데이터 증강에 대한 궁극의 가이드

AI 붐으로 인해 공장에서 작업하는 로봇이나 거리를 주행하는 자율주행 자동차와 같은 현상이 더 자주 뉴스에 등장하고 있습니다. AI는 의료 영상 개선부터 생산 라인의 품질 관리 지원에 이르기까지 기계가 세상과 상호 작용하는 방식을 변화시키고 있습니다.

이러한 발전의 상당부분은 기계가 이미지를 이해하고 해석할 수 있도록 만드는 AI의 한 분야인 computer vision에서 비롯됩니다. 인간이 시간이 지나며 사물과 패턴을 인식하는 법을 배우는 것처럼, Ultralytics YOLO11과 같은 vision AI 모델은 시각적 이해력을 개발하기 위해 대량의 이미지 데이터로 학습되어야 합니다.

그러나 이처럼 방대한 시각 데이터를 수집하는 일이 항상 쉬운 것은 아닙니다. computer vision 커뮤니티에서 많은 대규모 datasets을 구축해 왔음에도 불구하고, 저조도의 사물, 부분적으로 가려진 항목, 또는 다른 각도에서 본 사물이 포함된 이미지와 같은 특정 변형이 여전히 누락될 수 있습니다. 이러한 차이점은 특정 조건에서만 학습된 computer vision 모델에게 혼란을 줄 수 있습니다.

이미지 data augmentation은 기존 데이터에 새로운 변형을 도입하여 이 문제를 해결하는 기법입니다. 색상 조정, 회전 또는 원근 변경과 같은 이미지를 변경함으로써 데이터셋이 더욱 다양해지며, vision AI 모델이 실제 상황에서 사물을 더 잘 인식하도록 돕습니다.

이 글에서는 이미지 데이터 증강이 어떻게 작동하는지, 그리고 이것이 컴퓨터 비전 애플리케이션에 어떤 영향을 미칠 수 있는지 살펴보겠습니다.

이미지 데이터 증강이란 무엇입니까?#

군중 속에서 친구를 찾으려 하는데 친구가 선글라스를 쓰고 있거나 그늘진 곳에 서 있다고 가정해 봅시다. 이러한 사소한 외모 변화에도 우리는 그 사람이 누구인지 알 수 있습니다. 반면, 비전 AI 모델은 다양한 환경에서 물체를 인식하도록 학습되지 않았다면 이러한 변형으로 인해 어려움을 겪을 수 있습니다.

이미지 데이터 증강은 수천 개의 새로운 이미지를 수집하는 대신, 기존 이미지의 수정된 버전을 학습 데이터에 추가하여 컴퓨터 비전 모델의 성능을 향상시킵니다.

이미지 뒤집기, 회전, 밝기 조정 또는 약간의 왜곡과 같은 변화는 비전 AI 모델이 더 넓은 범위의 조건에 노출되도록 합니다. 거대한 데이터셋에 의존하는 대신, 모델은 증강된 이미지가 포함된 더 작은 학습 데이터셋으로부터 효율적으로 학습할 수 있습니다.

Fig 1. 자동차의 증강된 이미지 예시.

컴퓨터 비전에서 데이터 증강의 중요성#

데이터 증강이 컴퓨터 비전에 필수적인 핵심 이유는 다음과 같습니다.

• 데이터 요구 사항 감소: 대규모 이미지 데이터셋을 수집하는 데는 시간과 자원이 필요합니다. 증강을 사용하면 방대한 데이터셋 없이도 모델을 효과적으로 학습시킬 수 있습니다.
• 과적합(Overfitting) 방지: 너무 적은 예제로 학습된 모델은 일반적인 패턴을 인식하는 대신 세부 사항을 암기할 수 있습니다. 증강을 통해 다양성을 추가하면 비전 AI 모델이 새롭고 보지 못한 데이터에도 적용할 수 있는 방식으로 학습하게 됩니다.
• 불완전한 이미지 모사: 데이터셋의 이미지는 너무 완벽한 경우가 많지만, 실제 사진은 흐릿하거나 가려지거나 왜곡될 수 있습니다. 노이즈, 폐색(occlusion) 또는 기타 변형으로 이미지를 증강하면 훨씬 더 현실적인 데이터가 됩니다.
• 모델 견고성(Robustness) 향상: 다양한 이미지로 학습하면 AI가 현실 세계의 변화를 처리하는 데 도움이 되어 다양한 환경, 조명 조건 및 상황에서 더 신뢰할 수 있게 됩니다.

이미지 데이터 증강은 언제 사용해야 합니까?#

이미지 데이터 증강은 컴퓨터 비전 모델이 다양한 상황에서 물체를 인식해야 하지만 충분히 다양한 이미지를 확보하지 못했을 때 특히 유용합니다.

예를 들어 연구자들이 사진에 거의 찍히지 않는 희귀한 수중 생물을 식별하도록 vision AI 모델을 학습시키는 경우 데이터셋이 작거나 다양성이 부족할 수 있습니다. 이미지를 증강함으로써(다양한 수심을 시뮬레이션하기 위한 색상 조정, 탁한 조건을 모방하기 위한 노이즈 추가, 자연스러운 움직임을 반영하기 위한 형태의 약간의 변경 등), 모델은 detect underwater objects을 더욱 정확하게 수행하는 법을 학습할 수 있습니다.

증강이 큰 차이를 만드는 다른 상황은 다음과 같습니다.

• 데이터셋 균형 조정: 일부 물체는 학습 데이터에 적게 나타나 비전 AI 모델에 편향을 줄 수 있습니다. 증강은 희귀한 물체에 대한 더 많은 예제를 생성하여 모델이 모든 범주를 공정하게 인식할 수 있도록 돕습니다.
• 다양한 카메라에 적응: 이미지는 기기에 따라 다르게 보일 수 있습니다. 증강은 비전 AI 모델이 다양한 해상도, 조명 및 품질을 가진 사진에서 우수한 성능을 발휘하도록 돕습니다.
• 사소한 라벨링 오류 수정: 약간의 이동, 크롭(자르기) 또는 회전은 원본 라벨이 완벽하게 정렬되지 않았더라도 컴퓨터 비전 모델이 물체를 정확하게 인식하도록 돕습니다.

이미지 데이터 증강의 작동 원리#

computer vision의 초기에는 이미지 data augmentation이 주로 데이터셋의 다양성을 높이기 위해 뒤집기, 회전, 자르기와 같은 기본적인 image processing 기법을 포함했습니다. AI가 발전함에 따라 학습을 강화하기 위해 색상 조정(색공간 변환), 이미지 선명화 또는 흐림 처리(커널 필터), 여러 이미지 혼합(이미지 블렌딩)과 같은 보다 고급 방법들이 도입되었습니다.

증강은 model training 전과 도중에 발생할 수 있습니다. 학습 전에 수정된 이미지를 데이터셋에 추가하여 더 많은 다양성을 제공할 수 있습니다. 학습 중에는 이미지를 실시간으로 무작위 변경하여 vision AI 모델이 다양한 조건에 적응하도록 도울 수 있습니다.

이러한 변경은 수학적 변환을 사용하여 이루어집니다. 예를 들어 회전은 이미지를 기울이고, 자르기는 다른 뷰를 모방하기 위해 일부를 제거하며, 밝기 변경은 조명 변화를 시뮬레이션합니다. 흐림 처리는 이미지를 부드럽게 만들고, 선명화는 디테일을 더 선명하게 만들며, 이미지 혼합은 서로 다른 이미지의 부품을 결합합니다. OpenCV, TensorFlow, PyTorch와 같은 Vision AI frameworks 및 도구는 이러한 프로세스를 자동화하여 증강을 빠르고 효과적으로 만듭니다.

주요 이미지 데이터 증강 기술#

이미지 데이터 증강이 무엇인지 논의했으니, 이제 학습 데이터를 강화하는 데 사용되는 기본적인 이미지 데이터 증강 기술을 자세히 살펴보겠습니다.

방향 및 위치 조정#

YOLO11과 같은 Computer vision models은 종종 다양한 각도와 시점에서 사물을 인식해야 합니다. 이를 돕기 위해 이미지를 수평 또는 수직으로 뒤집어 AI 모델이 다양한 시점에서 사물을 인식하는 법을 학습할 수 있도록 합니다.

마찬가지로, 이미지를 약간 회전하면 각도가 변경되어 모델이 다각도에서 물체를 식별할 수 있습니다. 또한, 이미지를 여러 방향으로 이동(translation)하면 모델이 작은 위치 변화에 적응하는 데 도움이 됩니다. 이러한 변환은 이미지 내 물체 배치가 예측 불가능한 실제 상황에서 모델이 더 잘 일반화되도록 합니다.

Fig 2. 다양한 방향 및 위치 관련 증강 방법.

크기 조정 및 크롭(자르기)#

실제 computer vision solutions과 관련하여 이미지 속 사물은 다양한 거리와 크기로 나타날 수 있습니다. Vision AI 모델은 이러한 차이에 관계없이 사물을 감지할 수 있을 만큼 견고해야 합니다.

적응성을 향상시키기 위해 다음과 같은 증강 방법을 사용할 수 있습니다.

• 스케일링(Scaling): 크기 조정은 비율을 유지하면서 이미지 크기를 변경하여 AI 모델이 다양한 거리에서 물체를 탐지하도록 합니다.
• 크롭(Cropping): 이미지의 불필요한 부분을 제거하여 모델이 핵심 영역에 집중하도록 돕고 배경 노이즈를 줄입니다.
• 쉬어링(Shearing): 이미지를 약간 기울이거나 비틀어 기울어진 모양이나 늘어난 모양을 시뮬레이션함으로써 AI가 다른 각도에서 물체를 인식하도록 돕습니다.

이러한 조정은 컴퓨터 비전 모델이 크기나 모양이 약간 변경되더라도 물체를 인식하는 데 도움이 됩니다.

원근 및 왜곡 조정#

이미지 속 물체는 카메라 각도에 따라 다르게 보일 수 있어 컴퓨터 비전 모델의 인식이 어려울 수 있습니다. 모델이 이러한 변형을 처리하도록 돕기 위해 증강 기술을 사용하여 이미지 속 물체가 표현되는 방식을 조정할 수 있습니다.

예를 들어, 원근 변환은 시야각을 변경하여 물체가 다른 위치에서 보는 것처럼 보이게 만들 수 있습니다. 이를 통해 비전 AI 모델은 물체가 기울어져 있거나 특이한 시점에서 캡처된 경우에도 물체를 인식할 수 있습니다.

또 다른 예는 이미지를 늘리거나 구부리거나 휘게 하여 자연스러운 왜곡을 시뮬레이션하는 탄성 변환(elastic transform)으로, 물체가 반사되거나 압력을 받을 때처럼 보이게 합니다.

색상 및 조명 수정#

조명 조건과 색상 차이는 비전 AI 모델이 이미지를 해석하는 방식에 상당한 영향을 미칠 수 있습니다. 물체는 다양한 조명 설정에서 다르게 보일 수 있으므로, 다음 증강 기술이 이러한 상황을 처리하는 데 도움이 될 수 있습니다.

• 밝기 및 대비 조정: 다양한 조명 조건을 시뮬레이션하여 비전 AI 모델이 밝은 환경과 어두운 환경 모두에서 물체를 인식하도록 돕습니다.
• 색상 지터링(Color jittering): 색조, 채도 및 색 균형을 무작위로 변경하여 컴퓨터 비전 모델이 다양한 카메라와 조명 조건에 더 잘 적응하도록 만듭니다.
• 그레이스케일 변환: 이미지를 흑백으로 변환하여 비전 AI 모델이 색상보다는 모양과 질감에 집중하도록 유도합니다.

Fig 3. 색상 변화와 관련된 증강 예시.

고급 이미지 데이터 증강 기술#

지금까지는 단일 이미지를 수정하는 증강 기술만 살펴보았습니다. 그러나 일부 고급 방법은 AI 학습을 개선하기 위해 여러 이미지를 결합하는 방식을 포함합니다.

예를 들어, MixUp은 두 이미지를 혼합하여 컴퓨터 비전 모델이 물체 관계를 이해하고 다양한 시나리오에서 일반화하는 능력을 향상시킵니다. CutMix는 한 이미지의 섹션을 다른 이미지의 일부로 대체하여 이 과정을 한 단계 더 발전시키며, 모델이 동일한 이미지 내의 여러 상황에서 학습할 수 있게 합니다. 한편, CutOut은 다르게 작동하여 이미지의 무작위 부분을 제거함으로써 비전 AI 모델이 부분적으로 가려지거나 방해를 받을 때도 물체를 인식하도록 학습시킵니다.

Fig 4. 고급 이미지 data augmentation 기법.

이미지 데이터 증강에서 생성형 AI의 역할#

Generative AI는 많은 산업과 일상적인 애플리케이션에서 주목을 받고 있습니다. AI가 생성한 이미지, 딥페이크 비디오, 또는 사실적인 아바타를 만드는 앱과 관련하여 이를 접해 보셨을 것입니다. 그러나 창의성과 엔터테인먼트를 넘어, generative AI는 기존 이미지로부터 새로운 이미지를 생성함으로써 vision AI 모델을 학습시키는 데 중요한 역할을 합니다.

사진을 단순하게 뒤집거나 회전하는 대신 표정, 의상 스타일을 변경하거나 심지어 다양한 날씨 조건을 시뮬레이션하는 등 사실적인 변형을 만들 수 있습니다. 이러한 변형은 computer vision 모델이 다양하고 실제적인 시나리오에서 더욱 적응력 있고 정확해지도록 돕습니다. GAN(적대적 생성 신경망) 및 diffusion models과 같은 고급 generative AI 모델은 누락된 디테일을 채우거나 고품질의 합성 이미지를 생성할 수도 있습니다.

이미지 데이터 증강의 한계#

데이터 증강은 학습 데이터셋을 개선하지만 고려해야 할 몇 가지 한계도 있습니다. 이미지 데이터 증강과 관련된 몇 가지 주요 과제는 다음과 같습니다.

• 제한된 데이터 다양성: 증강된 이미지는 기존 데이터에서 생성되므로 완전히 새로운 패턴이나 희귀한 시각을 도입할 수 없습니다.
• 잠재적인 데이터 왜곡: 과도한 변환은 이미지를 비현실적으로 만들어 실제 상황에서의 모델 정확도를 떨어뜨릴 수 있습니다.
• 계산 증가: 모델 학습 중에 발생하는 실시간 증강은 상당한 처리 능력을 필요로 하여 학습 속도를 늦추고 메모리 사용량을 증가시킬 수 있습니다.
• 클래스 불균형 잔존: 증강은 완전히 새로운 샘플을 생성하는 것이 아니므로, 적게 표현된 범주가 여전히 편향된 학습으로 이어질 수 있습니다.

이미지 데이터 증강의 실제 적용 사례#

이미지 데이터 증강의 흥미로운 활용 사례 중 하나는 자율주행차로, Ultralytics YOLO11과 같은 컴퓨터 비전 모델이 내리는 찰나의 결정이 매우 중요합니다. 모델은 도로, 사람 및 기타 객체를 정확하게 감지할 수 있어야 합니다.

그러나 자율주행 차량이 직면하는 실제 조건은 예측할 수 없습니다. 악천후, 모션 블러, 숨겨진 표지판은 이 분야의 비전 AI 솔루션을 복잡하게 만들 수 있습니다. 실제 이미지로만 컴퓨터 비전 모델을 학습시키는 것으로는 종종 충분하지 않습니다. 자율주행 자동차용 모델을 위한 이미지 데이터셋은 모델이 예상치 못한 상황을 처리하도록 학습할 수 있도록 다양해야 합니다.

이미지 데이터 증강은 안개를 시뮬레이션하고, 밝기를 조정하고, 형태를 왜곡함으로써 이 문제를 해결합니다. 이러한 변화는 모델이 다양한 조건에서 물체를 인식하도록 돕습니다. 결과적으로 모델은 더 스마트하고 신뢰할 수 있게 됩니다.

증강된 학습을 통해 vision AI solutions in self-driving cars은 더 잘 적응하고 더 안전한 결정을 내릴 수 있습니다. 더 정확한 결과는 더 적은 사고와 향상된 내비게이션을 의미합니다.

Fig 5. 자율주행차와 관련된 이미지 data augmentation의 예시.

자율주행 자동차는 단지 하나의 예일 뿐입니다. 사실 이미지 데이터 증강은 의료 영상부터 소매 분석에 이르기까지 광범위한 분야에서 중요합니다. 컴퓨터 비전에 의존하는 모든 애플리케이션은 잠재적으로 이미지 데이터 증강의 이점을 누릴 수 있습니다.

핵심 요약#

비전 AI 시스템은 다양한 조건에서 객체를 인식할 수 있어야 하지만, 학습을 위해 끝없는 실제 이미지를 수집하는 것은 어려울 수 있습니다. 이미지 데이터 증강은 기존 이미지의 변형을 생성하여 이 문제를 해결하며, 모델이 더 빠르게 학습하고 실제 상황에서 더 나은 성능을 발휘하도록 돕습니다. 이는 정확도를 향상시켜 Ultralytics YOLO11과 같은 비전 AI 모델이 다양한 조명, 각도 및 환경을 처리할 수 있도록 보장합니다.

기업과 개발자에게 이미지 데이터 증강은 컴퓨터 비전 모델을 더 신뢰할 수 있게 만드는 동시에 시간과 노력을 절약해 줍니다. 헬스케어부터 자율주행 자동차에 이르기까지 많은 산업이 이에 의존하고 있습니다. 비전 AI가 계속 발전함에 따라, 증강은 미래를 위한 더 스마트하고 적응력 있는 모델을 구축하는 데 필수적인 부분으로 남을 것입니다.

our community에 가입하고 our GitHub repository를 방문하여 작동 중인 AI를 확인하세요. 솔루션 페이지에서 our licensing options을 살펴보고 AI in agriculture 및 computer vision in manufacturing에 대해 자세히 알아보세요.