Ultralytics YOLO 모델을 사용한 골프공 추적

골프를 접하는 사람이 그 어느 때보다 많아지고 있습니다. 2024년에는 미국에서 약 1억 3,800만 명이 어떤 형태로든 골프를 즐겼으며, 그중 4,720만 명은 골프 코스나 드라이빙 레인지와 시뮬레이터 같은 코스 외 시설에서 실제로 골프를 쳤습니다.

참여도와 관심이 계속 높아지면서 골퍼들은 연습, 피드백, 경기력 추적을 위한 더 나은 도구를 점점 더 기대하고 있습니다. 골프는 경기 상황을 명확하게 파악할 수 있을 때 더욱 재미있기 때문입니다.

그림 1. 전 세계 수백만 명이 골프를 즐기고 있습니다.

티에서 치는 장거리 샷인 드라이브를 날린 뒤, 공이 정확히 어떻게 날아갔는지, 어디에 떨어졌는지, 왼쪽이나 오른쪽으로 휘었는지 알고 싶다고 가정해 보겠습니다. 이때 최첨단 공 추적 및 분석 기술이 큰 차이를 만들 수 있습니다.

이러한 공 추적 시스템의 핵심에는 시각 데이터를 처리하는 컴퓨터 비전 기술 분야인 인공지능 (AI)이 있습니다. 컴퓨터 비전 시스템은 고속 카메라와 Ultralytics YOLO11, 출시 예정인 Ultralytics YOLO26과 같은 딥러닝 모델을 사용하여 실시간으로 공의 움직임을 감지하고 추적합니다.

공이 감지되어 프레임 단위로 추적되면 공의 위치를 사용해 비행 경로를 매핑하고, 착지 지점을 예측하며, 속도, 발사각, 스핀과 같은 세부 정보를 추정할 수 있습니다. 그 결과 더 나은 연습, 코칭, 시청을 위한 즉각적인 피드백을 제공할 수 있습니다.

이 글에서는 컴퓨터 비전과 Ultralytics YOLO 모델을 골프공 추적에 활용하는 방법을 살펴보겠습니다. 지금부터 시작하겠습니다!

골프공 추적 기술의 유형#

골프공 추적에 컴퓨터 비전을 활용하는 방법을 살펴보기 전에, 골프공을 추적하는 몇 가지 다른 방법을 간단히 알아보겠습니다.

한 가지 방법은 스마트 골프공을 사용하는 것입니다. 스마트 골프공은 내부 센서, Bluetooth 연결, RFID 태그, GPS 기반 위치 시스템까지 탑재한 하드웨어 장치입니다.

이러한 기능을 통해 정밀한 추적과 경기력 모니터링이 가능합니다. 하지만 제한적인 배터리 수명, 내구성 문제, 스마트 골프공이 일반 골프공과 같은 타격감을 제공하는지에 대한 우려와 같은 상충 요소도 있습니다.

스마트 골프공 외에도 외부 추적 시스템이 인기를 얻고 있습니다. 예를 들어 레이더 기반 런치 모니터와 고속 광학 카메라 시스템은 공의 비행, 궤적, 스핀에 대한 상세한 데이터를 높은 정확도로 수집하여 모든 수준의 골퍼에게 중요한 인사이트를 제공합니다.

그림 2. 골프공 추적의 예시입니다. (출처)

골프 분석에 Vision AI 통합하기#

컴퓨터 비전은 외부 추적의 또 다른 훌륭한 예입니다. 특히 YOLO11과 출시 예정인 YOLO26과 같은 모델은 객체 감지, 포즈 추정, 인스턴스 세그멘테이션, 객체 추적 등의 컴퓨터 비전 작업을 지원합니다. 이러한 기능을 함께 활용하면 공을 더 쉽게 식별하고, 프레임 단위로 추적하고, 샷을 자동으로 기록하며, 일반 카메라 영상에서 유용한 경기력 인사이트를 생성할 수 있습니다.

이러한 인사이트는 모바일 앱, Garmin 웨어러블(라운드와 샷을 추적하는 GPS 시계 등), 골프 시뮬레이터 플랫폼을 비롯한 더 큰 연결형 생태계에도 연동할 수 있습니다. 이를 통해 골퍼는 데이터를 간편하게 저장하고, 시간에 따른 경기력을 검토하며, 여러 기기에서 인사이트에 액세스할 수 있습니다.

이러한 방법이 인기를 얻는 또 다른 이유는 골퍼들이 이미 신뢰하는 골프공을 그대로 사용할 수 있기 때문입니다. 많은 시스템은 Titleist Pro V1, Callaway, TaylorMade, Srixon과 같은 프리미엄 골프 브랜드와 호환되며, 일반적인 고성능 우레탄 골프공에서도 잘 작동합니다. 따라서 장비를 바꾸지 않고도 고급 추적 기능을 이용할 수 있습니다.

골프공 추적에 Ultralytics YOLO 모델을 사용하는 방법#

Ultralytics YOLO 모델은 COCO와 같은 인기 데이터셋으로 학습된 사전 학습 컴퓨터 비전 모델로 제공되므로, 사람, 자동차, 자전거, 동물과 같은 다양한 일상적인 객체를 별도의 설정 없이 감지할 수 있습니다. 따라서 다양한 실제 애플리케이션을 시작하기에 적합합니다.

하지만 자체 데이터로 커스텀 학습할 수도 있으며, 이는 대상이 작고 빠르며 놓치기 쉬운 골프공 추적에서 특히 중요합니다. 골프공을 감지하고 추적하도록 Ultralytics YOLO 모델을 학습하려면 먼저 관련 데이터셋을 수집하거나 찾아야 합니다.

일반적으로 여기에는 각 프레임에서 공에 라벨이 지정된 골프 샷 동영상이나 이미지가 사용됩니다. 그런 다음 다양한 조명 조건, 배경, 카메라 각도에서 공을 안정적으로 감지하도록 모델을 파인튜닝할 수 있습니다.

Ultralytics Python 패키지는 데이터 로딩, 모델 학습, 검증, 배포를 위한 간단한 도구를 제공하여 학습 과정을 간소화합니다. 학습이 완료되면 새 동영상에서 프레임 단위로 골프공을 감지할 수 있습니다.

YOLO 모델 자체는 시간의 흐름에 따라 객체를 추적하지 않는다는 점을 유념해야 합니다. 대신 Ultralytics Python 패키지가 YOLO의 감지 결과를 BoT-SORT 및 ByteTrack과 같은 다중 객체 추적 알고리즘과 결합하여 추적 기능을 제공합니다.

이러한 추적기는 과거의 움직임과 노이즈가 있는 측정값을 사용해 객체의 다음 위치를 예측하는 수학적 모델인 칼만 필터를 기반으로 하는 경우가 많은 움직임 예측을 사용하여, 다음 프레임에서 공이 나타날 위치를 추정하고 프레임 전체에서 일관된 ID를 유지합니다. 이 설정을 사용하면 시스템이 공의 이동, 다른 객체와의 짧은 겹침, 프레임 밖으로의 이탈, 이후 재등장을 추적할 수 있습니다.

감지 결과를 안정적인 궤적으로 변환하기#

골프공을 감지하고 추적하는 것이 어떻게 더 정확한 분석으로 이어지는지 궁금할 수 있습니다. 간단히 말하면 점들을 연결하는 것과 같습니다.

각 감지 결과는 하나의 점이며, 추적은 이러한 점들을 부드러운 경로로 연결하여 공이 공중에서 어떻게 이동했는지를 보여줍니다. 이러한 공의 궤적을 확보하면 속도, 발사각, 샷의 구질, 공이 착지할 가능성이 높은 위치와 같은 주요 샷 세부 정보를 추정할 수 있습니다.

예를 들어 빠르게 움직이는 소형 객체의 물리 기반 3D 추적에 관한 최근 연구에서 연구진은 Ultralytics YOLOv8 감지기를 물리 기반 추적 모델과 결합했습니다. Ultralytics YOLOv8은 객체 감지에 사용되어 각 프레임에서 공의 위치를 찾았고, 움직임 모델은 공이 다음에 나타날 위치를 예측했습니다. 이를 통해 시스템은 모션 블러, 짧은 가림, 감지 누락 상황에서도 추적을 유지할 수 있었습니다.

그림 3. YOLO 모델과 3D 추적을 사용하여 소형 객체를 추적하는 시스템입니다. (출처)

이러한 시스템의 주요 장점은 과거에는 전문 장비가 필요했던 기능을 이제 일반 골퍼도 사용할 수 있다는 점입니다. 샷이 스마트폰, 웨어러블, 시뮬레이터 화면에 실시간으로 시각화되어 즉각적인 피드백을 제공합니다. 이러한 인사이트는 드라이브부터 퍼트까지 모든 샷에 적용되므로 골퍼가 패턴을 파악하고, 골프 클럽을 비교하며, 더 빠르게 실력을 향상할 수 있습니다.

컴퓨터 비전을 지원하는 골프공 추적기의 장단점#

컴퓨터 비전이 골프공 추적을 가능하게 하는 방식을 더 잘 이해했으므로, 이제 몇 가지 장점을 자세히 살펴보겠습니다.

• 실시간 피드백: 이러한 시스템은 공의 비행, 궤적, 착지 위치에 관한 데이터를 즉시 제공하므로 골퍼가 스윙과 샷 전략을 바로 조정할 수 있습니다.
• 분실되는 공 감소: 공을 지속적으로 추적하면 골퍼가 잃어버린 공을 찾는 데 쓰는 시간이 줄어들어 골프 코스, 연습장, 페어웨이에서 전반적인 플레이 속도가 향상됩니다.
• 범용 호환성: Vision AI 시스템은 공 내부의 센서가 아니라 카메라를 사용해 공을 추적하므로 일반적으로 Titleist Pro V1, Callaway, TaylorMade, Srixon과 같은 프리미엄 모델을 포함한 표준 골프공과 함께 사용할 수 있습니다.

이러한 이점에도 불구하고 컴퓨터 비전 기반 골프공 추적에는 고려해야 할 몇 가지 한계가 있습니다. 다음은 고려해야 할 몇 가지 요소입니다.

• 선명한 시야에 대한 의존성: 이러한 시스템은 방해가 없는 카메라 시야와 안정적인 조명을 필요로 하며, 그림자, 눈부심, 장애물로 인해 감지 정확도가 떨어질 수 있습니다.
• 장거리 또는 고속 샷의 어려움: 매우 긴 드라이브나 매우 빠른 공의 속도로 인해 공이 카메라 프레임 밖으로 나가는 경우가 있어 추적의 신뢰성이 떨어질 수 있습니다.
• 규정상의 제한: 특정 컴퓨터 비전 추적 시스템은 USGA 및 PGA Tour 경기 규정에 따라 제한될 수 있으므로 공식 대회에서의 사용이 제한됩니다.

스마트 골프공 추적의 미래#

골프공 추적 기술은 더 나은 모델, 센서, 온디바이스 처리 성능을 바탕으로 빠르게 발전하고 있습니다. 출시 예정인 Ultralytics YOLO26과 같은 최신 아키텍처는 이전 모델을 기반으로 정확도를 개선하고 추론 효율성을 높여, 연습장, 시뮬레이터, 훈련 환경에서 사용되는 엣지 디바이스에서 실시간 감지를 더욱 실용적으로 구현할 수 있습니다.

동시에 추적 시스템은 컴퓨터 비전과 레이더 기반 런치 모니터를 결합하고, 카메라 기반 공 비행 데이터에 더욱 풍부한 클럽 및 임팩트 데이터를 함께 제공하면서 더욱 종합적인 시스템으로 발전하고 있습니다. 이러한 도구가 드라이빙 레인지와 모바일 앱으로 확산되면서 더 많은 골퍼가 자신이 사용하는 골프공을 바꾸지 않고도 즉각적인 피드백을 받을 수 있습니다.

그림 4. 런치 모니터 데이터를 사용하는 딥러닝 골프공 비행 모델의 모습입니다. (출처)

AI 기반 인사이트가 훈련과 코칭부터 코스에서의 의사 결정에 이르기까지 골프의 더 많은 영역을 계속 지원할 가능성이 높습니다. 추적 및 샷 트레이서 시스템이 더욱 지능화되면서 골퍼는 더욱 자동화된 분석, 개인화된 추천, 증강 현실 (AR) 오버레이로 향상된 연습 도구를 기대할 수 있습니다.

핵심 요점#

Ultralytics YOLO 모델과 컴퓨터 비전은 골프공을 추적하는 방식을 바꾸고 있습니다. 이러한 기술은 정확한 궤적을 생성하고 유용한 경기력 인사이트와 함께 실시간 피드백을 제공할 수 있습니다. 이러한 도구가 레이더 시스템 및 휴대폰과 연결되면서 고급 샷 분석을 더 많은 골퍼가 쉽게 이용할 수 있게 되고 있습니다.

AI에 관심이 있으신가요? 활발한 커뮤니티를 확인하고 제조 분야의 AI 및 소매 분야의 Vision AI와 같은 혁신을 살펴보세요. GitHub 저장소를 방문하고 라이선스 옵션을 확인하여 지금 바로 컴퓨터 비전을 시작해 보세요.