데이터 다양성 향상을 위한 Albumentations 증강 활용하기

컴퓨터 비전 솔루션을 구축할 때 Vision AI 모델의 학습용 이미지를 다양하게 수집하는 작업은 중요한 과정일 수 있습니다. 여기에는 많은 시간과 비용이 들며, 때로는 수집한 이미지가 모델의 효과적인 학습에 충분한 다양성을 제공하지 못하기도 합니다.

예를 들어 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 다양한 애플리케이션과 관련된 여러 컴퓨터 비전 작업을 위해 이미지 데이터셋으로 커스텀 학습할 수 있습니다. 다양한 데이터는 모델의 일반화 성능을 높이고, 여러 실제 상황에서 객체와 패턴을 인식하도록 돕기 때문에 중요합니다.

다양한 데이터가 부족해 어려움을 겪고 있다면 이미지 데이터 증강 기법이 좋은 해결책이 될 수 있습니다. 회전, 뒤집기, 밝기 조정 등의 방법은 데이터셋의 다양성을 높여 더 폭넓은 조건에 대응하는 모델의 능력을 개선할 수 있습니다.

이 때문에 Ultralytics는 이미지 데이터 증강 통합을 지원합니다. 다양한 변환 모음을 제공하는 인기 도구 Albumentations를 사용하면 다양한 시각 데이터를 만들 수 있습니다. 이 통합 기능은 학습 이미지를 자동으로 증강하여 YOLO11 학습 과정을 간소화하고 모델 성능을 향상합니다.

이 문서에서는 Albumentations 통합을 사용하는 방법과 그 이점, 모델 학습에 미치는 영향을 살펴봅니다.

Albumentations란 무엇인가요?#

컴퓨터 비전 모델은 고품질 이미지를 폭넓게 학습해 다양한 환경에서 객체를 인식할 수 있습니다. 실제 출처에서 대규모 데이터셋을 수집하는 일은 느리고 비용이 많이 들며 비효율적일 수 있습니다. 이 작업을 간소화하려면 이미지 데이터 증강을 사용해 기존 이미지의 새로운 변형을 만들 수 있으며, 이를 통해 더 많은 데이터를 수집하지 않고도 모델이 다양한 상황을 학습하도록 할 수 있습니다.

특히 2018년에 효율적인 이미지 데이터 증강을 위해 공개된 오픈소스 라이브러리인 Albumentations를 활용할 수 있습니다. 이 라이브러리는 회전과 뒤집기 같은 단순한 기하학적 변경부터 밝기, 대비 조정 및 노이즈 추가와 같은 더 복잡한 조정까지 다양한 작업을 지원합니다.

그림 1. 다양한 유형의 이미지 데이터 증강 예시입니다.

Albumentations의 주요 기능#

Albumentations는 높은 성능으로 잘 알려져 있어 이미지를 빠르고 효율적으로 처리할 수 있습니다. OpenCV와 NumPy 같은 최적화된 라이브러리를 기반으로 구축되어 처리 시간을 최소화하면서 대규모 데이터셋을 다루므로, 모델 학습 중 빠른 데이터 증강에 적합합니다.

Albumentations의 다른 주요 기능은 다음과 같습니다.

• 폭넓은 변환 범위: Albumentations는 70가지가 넘는 증강 유형을 제공합니다. 이러한 변형은 조명, 각도, 배경이 달라져도 모델이 객체를 감지하도록 학습하는 데 도움이 됩니다.
• 속도 최적화: SIMD(단일 명령 다중 데이터)와 같은 고급 최적화 기법을 사용합니다. SIMD는 여러 데이터 지점을 한 번에 처리하여 이미지 증강 속도를 높이고 대규모 데이터셋을 효율적으로 다룹니다.
• 세 가지 수준의 증강: 세 가지 방식으로 데이터를 향상합니다. 예를 들어 픽셀 수준 증강은 객체를 변경하지 않고 밝기와 색상을 조정합니다. 공간 수준 증강은 주요 세부 정보를 보존하면서 객체 위치를 수정하고, 혼합 수준 증강은 서로 다른 이미지의 일부를 혼합해 새로운 샘플을 만듭니다.

Albumentations 통합을 사용해야 하는 이유#

데이터셋에 증강을 적용하는 방법은 다양하고 OpenCV와 같은 도구를 사용해 직접 만들 수도 있는데, Albumentations와 같은 라이브러리를 지원하는 통합 기능을 선택해야 하는 이유가 궁금하실 수 있습니다.

OpenCV와 같은 도구로 증강을 직접 만들려면 많은 시간과 전문 지식이 필요할 수 있습니다. 최상의 결과를 얻도록 변환을 미세 조정하는 일도 까다로울 수 있습니다. Albumentations 통합은 이 과정을 더 쉽게 만듭니다. 바로 사용할 수 있는 다양한 변환을 제공해 데이터셋을 준비하는 데 드는 시간과 노력을 줄여줍니다.

Albumentations 통합을 선택해야 하는 또 다른 이유는 Ultralytics의 모델 학습 파이프라인과 원활하게 작동하기 때문입니다. 학습 중 Ultralytics의 내장 증강과 함께 증강이 자동으로 적용되므로 YOLO11을 맞춤 학습하기가 훨씬 쉬워집니다. 이 통합으로 과정이 간소화되어 데이터 준비를 처리하는 대신 모델 개선에 더 집중할 수 있습니다.

Albumentations 통합 시작하기#

흥미롭게도 Albumentations 통합을 사용해 Ultralytics YOLO11을 학습하는 일은 생각보다 간단합니다. 적절한 라이브러리를 설치하면 학습 중 이미지 데이터 증강이 자동으로 적용됩니다. 동일한 데이터셋에서 다양한 이미지 변형을 활용해 모델을 학습할 수 있습니다.

이제 Ultralytics YOLO11을 커스텀 학습할 때 Albumentations 통합을 설치하고 사용하는 방법을 살펴보겠습니다.

Ultralytics Python 패키지 및 Albumentations 설치#

증강을 적용하기 전에 Ultralytics Python 패키지와 Albumentations를 모두 설치해야 합니다. 두 라이브러리가 기본적으로 함께 작동하도록 통합이 구축되어 있어 복잡한 설정을 걱정할 필요가 없습니다.

아래 이미지에 나온 것처럼 Python 라이브러리 설치용 패키지 관리자 pip를 사용해 단일 명령을 실행하면 몇 분 만에 전체 설치 과정을 완료할 수 있습니다.

그림 2. Ultralytics 및 Albumentations 설치.

Albumentations를 설치하면 Ultralytics 모델 학습 모드에서 학습 중 이미지 증강이 자동으로 적용됩니다. Albumentations가 설치되어 있지 않으면 이러한 증강은 적용되지 않습니다. 학습 인수 augmentations에 전달해 기본 증강을 직접 만든 맞춤 Albumentations 변환으로 대체할 수도 있습니다.

Albumentations 통합을 활용한 Ultralytics YOLO11 학습#

Albumentations 통합 내부에서 어떤 작업이 이루어지는지 자세히 살펴보겠습니다.

Ultralytics YOLO11 학습 중 적용되는 증강을 자세히 살펴보겠습니다.

• 블러: 이 변환은 이미지에 약한 흐림 효과를 추가합니다. 초점이 맞지 않는 경우에도 모델이 객체를 감지하도록 돕습니다.
• 미디언 블러: 이미지의 객체 가장자리를 보존하면서 무작위 노이즈를 줄입니다. 이를 통해 모델이 복잡한 환경에서 객체를 더 쉽게 감지할 수 있습니다.
• 그레이스케일: 이미지를 흑백으로 변환하는 이 증강은 모델이 색상 대신 형태와 질감에 집중하도록 도울 수 있습니다.
• CLAHE(대비 제한 적응형 히스토그램 평활화): 이 증강은 저조도나 안개가 낀 조건처럼 지나치게 어둡거나 보기 어려운 영역의 대비를 높입니다. 이를 통해 해당 영역의 객체가 더 선명해져 모델이 쉽게 식별할 수 있습니다.

그림 3. 고양이 이미지에 그레이스케일 증강을 적용한 예시입니다.

Ultralytics YOLO11 및 Albumentations 통합의 활용 사례#

특정 애플리케이션을 위해 Ultralytics YOLO11을 커스텀 학습하는 경우 Albumentations 통합은 다양한 조건에 적응하여 모델 성능을 높이는 데 도움이 될 수 있습니다. 이 통합으로 해결할 수 있는 실제 활용 사례와 문제를 살펴보겠습니다.

의료 영상 개선#

헬스케어 분야의 Vision AI는 의사의 진단을 지원하고 환자 진료를 개선할 수 있도록 의료 이미지를 더 정확하게 분석하는 데 도움을 주고 있습니다. 실제로 의료 기관의 약 5분의 1이 이미 AI 솔루션을 사용하고 있습니다.

하지만 이러한 컴퓨터 비전 솔루션을 구축하는 데는 여러 어려움이 따릅니다. 의료 영상은 병원마다 크게 다를 수 있으며, 장비와 설정의 차이뿐 아니라 의료 기술자의 경험도 영향을 미칩니다. 밝기, 대비, 노출의 차이는 Vision AI 모델의 일관성과 정확도에 영향을 줄 수 있어, 다양한 환경에서 안정적으로 작동하기 어렵게 만듭니다.

이때 Albumentations와 같은 도구의 통합이 필수적입니다. Albumentations는 동일한 스캔 이미지의 증강 버전을 여러 개 생성해 모델이 다양한 이미지 품질을 학습하도록 합니다. 이를 통해 모델의 견고성이 높아져 고품질 이미지와 저품질 이미지 모두에서 질병을 정확하게 감지할 수 있습니다.

그림 4. 증강된 X선 이미지입니다.

보안 및 감시 강화#

Vision AI의 또 다른 흥미로운 활용 분야는 보안 및 감시입니다. 실시간 객체 감지를 활용하면 보안팀이 잠재적 위협을 신속하게 식별할 수 있습니다.

이 애플리케이션의 주요 문제는 보안 카메라가 하루 동안 다양한 조명 조건에서 영상을 촬영하며, 이러한 조건이 모델의 이미지 해석에 큰 영향을 미칠 수 있다는 점입니다. 저조도 환경, 눈부심, 낮은 가시성 등의 요인으로 인해 컴퓨터 비전 모델이 객체를 감지하거나 잠재적 위협을 일관되게 인식하기 어려울 수 있습니다.

Albumentations 통합은 다양한 조명 조건을 모방하는 변환을 적용해 이 문제를 해결합니다. 이를 통해 모델이 밝은 환경과 저조도 환경 모두에서 객체를 감지하도록 학습할 수 있어, 까다로운 조건에서 신뢰성과 대응 속도가 향상됩니다.

리테일 워크플로와 고객 경험의 재정의#

슈퍼마켓 통로에 액체를 쏟는 일, 매장 안을 뛰어다니는 개, 상품 진열대를 넘어뜨리는 아이는 리테일 환경의 Vision AI에서 엣지 케이스가 될 수 있는 일상적인 상황의 몇 가지 예입니다. 컴퓨터 비전은 쇼핑객 행동 추적, 유동 인구 모니터링, 진열 상품 식별을 통해 고객 경험을 개선하는 데 점점 더 많이 활용되고 있습니다. 하지만 이러한 실제 상황은 AI 시스템이 이해하고 정확하게 처리하기 어려울 수 있습니다.

모든 상황을 컴퓨터 비전 데이터셋에 담을 수는 없지만, Albumentations 통합은 예상치 못한 조명, 특이한 각도, 장애물 등 다양한 가능성을 다루도록 데이터를 증강해 도움을 줍니다. 이를 통해 컴퓨터 비전 모델이 다양한 조건에 적응하고, 역동적인 리테일 환경에서 엣지 케이스에 대응하며 정확한 예측을 내릴 수 있습니다.

핵심 요점#

모델 학습을 위한 다양한 실제 데이터를 수집하는 일은 복잡할 수 있지만, Albumentations는 모델이 다양한 조건에 적응하도록 돕는 이미지 변형을 만들어 이 과정을 쉽게 합니다.

Ultralytics가 지원하는 Albumentations 통합은 YOLO11을 커스텀 학습할 때 이러한 증강을 적용하는 과정을 간소화합니다. 그 결과 데이터셋 품질이 향상되며, 더 정확하고 신뢰할 수 있는 Vision AI 모델을 만들어 다양한 산업에 이점을 제공합니다.

커뮤니티에 참여하고 GitHub 저장소를 살펴보며 AI에 대해 자세히 알아보세요. Vision AI 프로젝트를 시작하려면 라이선스 옵션을 확인하세요. 제조 분야의 AI 또는 자율주행 분야의 컴퓨터 비전과 같은 혁신에 관심이 있으신가요? 솔루션 페이지를 방문해 자세히 알아보세요.