컴퓨터 비전에 사용되는 AI 학습 기술 유형

Machine learning은 컴퓨터가 각 작업에 대한 세부적인 프로그래밍 없이도 스스로 의사결정을 내릴 수 있도록 데이터로부터 학습하는 artificial intelligence (AI)의 한 유형입니다. 이는 데이터에서 패턴을 식별할 수 있는 algorithmic models을 생성하는 것을 포함합니다. 이러한 알고리즘은 data에서 패턴을 식별하고 그로부터 학습함으로써 시간이 지남에 따라 performance를 점진적으로 향상시킬 수 있습니다.

Machine learning이 중추적인 역할을 하는 영역 중 하나는 visual data에 초점을 맞추는 AI 분야인 computer vision입니다. Computer vision은 머신러닝을 활용하여 컴퓨터가 이미지와 비디오에서 패턴을 감지하고 인식하도록 돕습니다. 머신러닝의 발전으로 힘입어, 컴퓨터 비전의 global market value는 2032년까지 약 1,757억 2,000만 달러에 이를 것으로 추산됩니다.

이 글에서는 지도학습, 비지도학습, 강화학습, 전이학습을 포함하여 computer vision에 사용되는 다양한 유형의 머신러닝과 각각이 다양한 응용 분야에서 어떤 역할을 하는지 살펴보겠습니다. 시작하겠습니다!

컴퓨터 비전 내 머신러닝 개요#

컴퓨터 비전은 시각 정보를 해석하고 분석하기 위해 머신러닝, 특히 deep learning 및 neural networks과 같은 기술에 의존합니다. 이러한 방식을 통해 컴퓨터는 이미지에서 detecting objects, 카테고리별 classifying images, 그리고 recognizing faces와 같은 computer vision tasks를 수행할 수 있게 됩니다. 또한 머신러닝은 manufacturing의 quality control 및 healthcare의 medical imaging과 같은 실시간 computer vision applications에도 필수적입니다. 이러한 경우 neural networks은 컴퓨터가 detect tumors를 위해 analyzing brain scans을 수행하는 등 복잡한 시각 데이터를 해석하는 데 도움을 줍니다.

실제로 Ultralytics YOLO11과 같은 많은 고급 컴퓨터 비전 모델은 신경망을 기반으로 구축되었습니다.

그림 1. Ultralytics YOLO11을 사용한 뇌 스캔 세분화.

지도 학습, 비지도 학습, 전이 학습, 강화 학습과 같이 컴퓨터 비전의 가능성을 넓히고 있는 머신러닝에는 여러 가지 학습 방법이 있습니다. 다음 섹션에서는 각 유형을 살펴보고 컴퓨터 비전에 어떻게 기여하는지 알아보겠습니다.

지도 학습 탐구#

Supervised learning은 가장 흔하게 사용되는 머신러닝 유형입니다. 지도학습에서는 모델이 labeled data를 사용하여 trained됩니다. 각 입력에는 올바른 출력이 태그되어 모델의 학습을 돕습니다. 마치 교사로부터 student learning하는 학생처럼, 이 레이블이 지정된 데이터는 안내자 또는 감독자 역할을 합니다.

Training 동안 모델에는 입력 데이터(처리해야 하는 정보)와 출력 데이터(정답)가모두 제공됩니다. 이 설정을 통해 모델은 입력과 출력 간의 연결 관계를 학습할 수 있습니다. 지도학습의 주된 목표는 모델이 각 입력을 올바른 출력에 정확하게 연결하는 규칙이나 패턴을 찾아내는 것입니다. 이러한 매핑을 통해 모델은 새로운 데이터를 마주했을 때 정확한 예측을 수행할 수 있습니다. 예를 들어, computer vision에서의 안면 인식은 이러한 학습된 패턴을 기반으로 얼굴을 식별하기 위해 지도학습에 의존합니다.

이에 대한 흔한 활용 사례는 안면 인식으로 smartphone 잠금을 해제하는 것입니다. 모델은 사용자의 얼굴이 레이블된 이미지로 학습되어, 스마트폰 잠금을 해제할 때 실시간 이미지와 학습된 내용을 비교합니다. 일치하는 항목이 감지되면 휴대폰 잠금이 해제됩니다.

Fig 2. 안면 인식을 사용하여 스마트폰 잠금을 해제할 수 있습니다.

AI에서 비지도 학습은 어떻게 작동할까요?#

Unsupervised learning은 레이블이 지정되지 않은 데이터를 사용하는 머신러닝 유형으로, 학습 과정에서 모델에 어떠한 가이드나 정답도 제공되지 않습니다. 대신 스스로 패턴과 인사이트를 찾아내도록 학습합니다.

비지도 학습은 다음 세 가지 주요 방법을 사용하여 패턴을 식별합니다:

• Clustering: 유사한 데이터 포인트를 그룹화합니다. 유사한 고객을 behaviors 또는 속성에 따라 그룹화할 수 있는 customer segmentation 같은 작업에 유용합니다.
• Association: 항목 간의 관계를 식별하는 데 사용되며, 데이터 내의 연관성을 발견하는 데 도움을 줍니다(예: market basket analysis에서 자주 함께 구매되는 제품 찾기).
• Dimensionality reduction: 중복된 특성을 제거하여 데이터셋을 단순화하며, 시각화와 처리를 돕습니다.

비지도학습의 핵심 응용 분야는 image compression이며, 여기서는 k-means clustering과 같은 기술이 시각적 품질에 영향을 주지 않으면서 이미지 크기를 줄입니다. 픽셀은 클러스터로 그룹화되고 각 클러스터는 평균 색상으로 표현되어, 결과적으로 색상이 적고 파일 크기가 작은 이미지가 생성됩니다.

그림 3. 비지도 이미지 압축의 예시.

그러나 비지도학습에도 특정한 한계가 있습니다. 미리 정의된 정답이 없기 때문에 정확도와 performance evaluation에 어려움을 겪을 수 있습니다. 결과를 해석하고 그룹에 레이블을 지정하는 데 수동 작업이 종종 필요하며, 누락된 값이나 노이즈 같은 문제에 민감하여 결과의 품질에 영향을 미칠 수 있습니다.

강화 학습 설명#

지도학습 및 비지도학습과 달리, reinforcement learning은 학습 데이터에 의존하지 않습니다. 대신 신경망 에이전트를 사용하여 환경과 상호 작용하며 특정 목표를 달성합니다.

이 과정은 세 가지 주요 구성 요소를 포함합니다:

• 에이전트: 학습자 또는 의사 결정자.
• 환경: 에이전트가 상호 작용하는 모든 것으로, 실제 환경일 수도 있고 가상 환경일 수도 있습니다.
• 보상 신호: 각 행동 후에 제공되는 수치 값으로, 에이전트가 목표를 향해 나아가도록 유도합니다.

에이전트가 행동을 취하면 환경에 영향을 미치고, 환경은 피드백으로 반응합니다. 이 피드백은 에이전트가 자신의 선택을 평가하고 행동을 조정하는 데 도움이 됩니다. 보상 신호는 어떤 행동이 목표 달성에 더 가까워지는지 에이전트가 이해하도록 돕습니다.

강화학습은 autonomous driving 및 robotics과 같은 유스케이스의 핵심입니다. autonomous driving에서는 차량 제어, 객체 감지 및 회피 같은 작업이 피드백을 기반으로 학습됩니다. 모델은 보행자나 기타 객체를 감지하고 avoid collision을 위한 적절한 조치를 취하도록 신경망 에이전트를 사용하여 학습됩니다. 이와 유사하게 robotics에서도 강화학습을 통해 객체 조작 및 이동 제어 같은 작업이 가능해집니다.

실제 적용된 강화학습의 훌륭한 예시는 OpenAI의 프로젝트로, 연구원들이 인기 멀티플레이어 video game인 Dota 2를 플레이하도록 trained AI agents를 학습시켰습니다. 이러한 에이전트는 신경망을 사용하여 game environment로부터 막대한 양의 정보를 처리하여 빠르고 전략적인 결정을 내렸습니다. 지속적인 피드백을 통해 에이전트는 학습하고 시간이 지남에 따라 개선되어, 마침내 game’s top players 중 일부를 이길 수 있을 만큼 높은 수준의 기술에 도달했습니다.

Fig 4. 도타 매트릭스에 대한 인간 대 AI의 해석.

전이 학습의 기초 이해#

Transfer learning is different from other types of learning. Instead of training a model from scratch, it uses a pre-trained model on a large dataset and fine-tunes it for a new, but related, task. The knowledge gained during the initial training is used to improve the performance of the new task. Transfer learning reduces the time required to train for a new task, depending on its complexity. It works by retaining the initial layers of the model that capture the general features and replacing the final layers with that of the new specific task.

예술적 스타일 전이는 컴퓨터 비전에서 전이학습의 흥미로운 응용 사례입니다. 이 기술을 통해 모델은 이미지를 변환하여 다양한 artwork의 스타일에 맞출 수 있습니다. 이를 달성하기 위해, 먼저 신경망이 예술적 스타일과 쌍을 이룬 대규모 이미지 데이터셋으로 학습됩니다. 이 과정을 통해 모델은 일반적인 이미지 특징과 스타일 패턴을 식별하는 법을 학습합니다.

모델이 학습되면 미세 조정을 통해 특정 그림의 스타일을 새 이미지에 적용할 수 있습니다. 네트워크는 학습된 스타일 특징을 보존하면서 새 이미지에 적응하여, 원본 콘텐츠와 선택한 예술적 스타일을 결합한 독특한 결과를 생성합니다. 예를 들어, 산맥 사진을 찍고 에드바르 뭉크의 절규 스타일을 적용하면 장면은 그대로 유지되면서 그림의 대담하고 표현력이 풍부한 스타일을 입힌 이미지를 얻을 수 있습니다.

Fig 5. 전이학습을 사용한 예술적 스타일 전이의 예시.

머신러닝 유형 간의 차이점 살펴보기#

이제 주요 머신러닝 유형을 다루었으니, 각 유형을 자세히 살펴보고 다양한 응용 분야에 가장 적합한 것을 이해해 보겠습니다.

• 지도 학습: 레이블이 지정된 데이터로 작업할 때 매우 정확하지만 많은 양의 데이터가 필요하며 노이즈에 민감할 수 있습니다.
• 비지도 학습: 숨겨진 패턴을 찾기 위해 레이블이 없는 데이터를 탐색하는 데 유용하지만, 결과가 덜 정확하고 해석하기 어려울 수 있습니다.
• 강화 학습: 복잡한 환경에서 단계별 결정을 내리도록 에이전트를 학습시키지만, 종종 상당한 컴퓨팅 성능이 필요합니다.
• 전이 학습: 이 접근 방식은 사전 학습된 모델을 사용하여 학습 속도를 높이고 새로운 작업에 대한 성능을 향상시키며, 특히 데이터가 제한적일 때 유용합니다.

그림 6. 모든 머신러닝 유형 비교. 이미지 제공: 저자.

올바른 머신러닝 유형을 선택하는 것은 여러 요인에 따라 달라집니다. 지도학습은 풍부한 레이블된 데이터와 명확한 작업이 있는 경우에 잘 작동합니다. 비지도학습은 데이터 탐색이나 레이블된 예시가 부족할 때 유용합니다. 강화학습은 단계별 의사결정이 필요한 복잡한 작업에 이상적이며, 전이학습은 데이터가 제한적이거나 리소스가 부족할 때 훌륭한 선택입니다. 이러한 요소를 고려하여 computer vision project에 가장 적합한 접근 방식을 선택할 수 있습니다.

마무리하며#

머신러닝 기법은 특히 컴퓨터 비전과 같은 영역에서 다양한 과제를 해결할 수 있습니다. 지도 학습, 비지도 학습, 강화 학습, 전이 학습의 여러 유형을 이해함으로써 필요에 가장 적합한 접근 방식을 선택할 수 있습니다.

지도 학습은 높은 정확도와 레이블 데이터가 필요한 작업에 적합하며, 비지도 학습은 레이블이 없는 데이터에서 패턴을 찾는 데 이상적입니다. 강화 학습은 복잡하고 결정 기반인 설정에서 잘 작동하며, 전이 학습은 제한된 데이터로 사전 학습된 모델을 활용하고 싶을 때 도움이 됩니다.

각 방법은 얼굴 인식부터 로봇 공학, 예술적 스타일 전이에 이르기까지 고유한 강점과 응용 분야를 가지고 있습니다. 올바른 유형을 선택하면 헬스케어, 자동차, 엔터테인먼트와 같은 산업 전반에서 새로운 가능성을 열 수 있습니다.

더 자세히 알아보려면 GitHub 저장소를 방문하고 커뮤니티에 참여해 보세요. 솔루션 페이지에서 자율주행차 및 농업 분야의 AI 애플리케이션을 살펴보세요. 🚀