데이터를 다양화하기 위해 Albumentations 증강 활용하기

컴퓨터 비전 솔루션을 구축할 때 비전 AI 모델 학습을 위해 다양한 이미지 세트를 수집하는 것은 프로세스에서 매우 중요한 부분일 수 있습니다. 이 작업에는 많은 시간과 비용이 소요되는 경우가 많으며, 수집한 이미지가 모델이 효과적으로 학습하기에 충분히 다양하지 않은 경우도 있습니다.

예를 들어 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 다양한 애플리케이션과 관련된 여러 컴퓨터 비전 작업을 위해 이미지 데이터셋으로 커스텀 학습할 수 있습니다. 다양한 데이터가 중요한 이유는 모델의 일반화 성능을 높여 폭넓은 실제 환경에서 객체와 패턴을 인식할 수 있도록 지원하기 때문입니다.

다양한 데이터가 부족하여 어려움을 겪고 있다면 이미지 데이터 증강 기법이 훌륭한 해결책이 될 수 있습니다. 회전, 뒤집기, 밝기 조정과 같은 방법을 사용하면 데이터셋의 다양성을 높여 더 광범위한 조건을 처리하는 모델의 성능을 개선할 수 있습니다.

Ultralytics가 이미지 데이터 증강 통합을 지원하는 이유가 바로 여기에 있습니다. 다양한 변환 기능을 제공하는 인기 도구인 Albumentations을 사용하면 시각 데이터를 다양화할 수 있습니다. 이 통합 기능은 학습 이미지를 자동으로 증강하여 YOLO11 학습 프로세스를 간소화하고 모델 성능을 향상합니다.

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

Albumentations란 무엇인가요?#

컴퓨터 비전 모델은 다양한 환경에서 객체를 인식하기 위해 폭넓은 고품질 이미지 세트로 학습할 수 있습니다. 실제 환경에서 대규모 데이터셋을 수집하는 작업은 느리고 비용이 많이 들며 비효율적일 수 있습니다. 이 작업을 간소화하려면 이미지 데이터 증강을 사용하여 기존 이미지의 새로운 변형을 만들 수 있으며, 이를 통해 더 많은 데이터를 수집하지 않고도 모델이 다양한 시나리오에서 학습하도록 지원할 수 있습니다.

구체적으로는 2018년에 효율적인 이미지 데이터 증강을 위해 출시된 오픈 소스 라이브러리인 Albumentations를 활용할 수 있습니다. Albumentations는 회전과 뒤집기 같은 단순한 기하학적 변경부터 밝기, 대비, 노이즈 추가와 같은 보다 복잡한 조정까지 다양한 작업을 지원합니다.

그림 1. 다양한 유형의 이미지 데이터 증강 예시입니다.

Albumentations의 주요 기능#

Albumentations는 높은 성능으로 잘 알려져 있으며, 이미지를 빠르고 효율적으로 처리할 수 있습니다. OpenCV와 NumPy 같은 최적화된 라이브러리를 기반으로 구축되어 최소한의 처리 시간으로 대규모 데이터셋을 처리하므로 모델 학습 중 빠른 데이터 증강에 적합합니다.

Albumentations의 다른 주요 기능은 다음과 같습니다.

• 다양한 변환: Albumentations는 70가지가 넘는 증강 유형을 제공합니다. 이러한 변형을 통해 조명, 각도 또는 배경이 바뀌더라도 모델이 객체를 감지하도록 학습할 수 있습니다.
• 속도에 최적화: 이미지 증강 속도를 높이고 대규모 데이터셋을 효율적으로 처리하기 위해 여러 데이터 포인트를 한 번에 처리하는 SIMD (단일 명령어, 다중 데이터)와 같은 고급 최적화 기법을 사용합니다.
• 세 가지 증강 수준: 데이터를 세 가지 방식으로 향상합니다. 예를 들어 픽셀 수준 증강은 객체를 변경하지 않고 밝기와 색상을 조정합니다. 한편 공간 수준 증강은 핵심 세부 정보를 유지하면서 객체의 위치를 수정하고, 혼합 수준 증강은 서로 다른 이미지의 일부를 결합하여 새로운 샘플을 생성합니다.

Albumentations 통합을 사용해야 하는 이유는 무엇인가요?#

데이터셋에 증강을 적용하는 방법은 다양하며 OpenCV와 같은 도구를 사용하여 직접 만들 수도 있는데, Albumentations와 같은 라이브러리를 지원하는 통합 기능을 선택해야 하는 이유가 무엇인지 궁금할 수 있습니다.

OpenCV와 같은 도구로 증강을 직접 만들려면 많은 시간이 걸리고 어느 정도의 전문 지식이 필요합니다. 최상의 결과를 얻도록 변환을 미세 조정하는 작업도 까다로울 수 있습니다. Albumentations 통합은 이 프로세스를 더 쉽게 만듭니다. 바로 사용할 수 있는 다양한 변환을 제공하므로 데이터셋을 준비할 때 시간과 노력을 절약할 수 있습니다.

Albumentations 통합을 선택해야 하는 또 다른 이유는 Ultralytics 모델 학습 파이프라인과 원활하게 작동한다는 점입니다. 학습 중 증강이 자동으로 적용되므로 YOLO11을 커스텀 학습하기가 훨씬 쉬워집니다. 이 기능은 프로세스를 간소화하므로 데이터 준비를 처리하는 대신 모델 개선에 더 집중할 수 있습니다.

Albumentations 통합 시작하기#

흥미롭게도 Albumentations 통합을 사용하여 Ultralytics YOLO11을 학습하는 과정은 생각보다 간단합니다. 필요한 라이브러리를 설정하면 통합 기능이 학습 중 이미지 데이터 증강을 자동으로 적용합니다. 이를 통해 모델은 동일한 데이터셋을 사용하면서 다양한 이미지 변형으로 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. 기본적으로 두 라이브러리가 원활하게 연동되도록 통합 기능이 구축되어 있으므로 복잡한 구성을 걱정할 필요가 없습니다.

아래 이미지에 나와 있듯이 Python 라이브러리를 설치하는 패키지 관리 도구인 단일 pip 명령으로 전체 설치 프로세스를 몇 분 안에 완료할 수 있습니다.

그림 2. Ultralytics 및 Albumentations 설치입니다.

Albumentations가 설치되면 Ultralytics 모델 학습 모드가 학습 중 이미지 증강을 자동으로 적용합니다. Albumentations가 설치되어 있지 않으면 이러한 증강이 적용되지 않습니다. 자세한 내용은 공식 Ultralytics 문서를 참조할 수 있습니다.

Albumentations 통합을 활용한 Ultralytics YOLO11 학습#

Albumentations 통합의 내부 동작을 자세히 살펴보겠습니다.

Ultralytics YOLO11 학습 중 적용되는 증강을 자세히 살펴보면 다음과 같습니다.

• 블러: 이 변환은 이미지에 약간의 흐림 효과를 추가합니다. 초점이 맞지 않는 상황에서도 모델이 객체를 감지하도록 지원합니다.
• 미디언 블러: 이미지의 객체 가장자리를 보존하면서 무작위 노이즈를 줄입니다. 이를 통해 복잡한 환경에서 모델이 객체를 더 쉽게 감지할 수 있습니다.
• 그레이스케일: 이미지를 흑백으로 변환하면 이 증강을 통해 모델이 색상보다 형태와 질감에 집중하도록 지원할 수 있습니다.
• CLAHE (대비 제한 적응형 히스토그램 평활화): 이 증강은 특히 저조도 또는 안개 낀 환경처럼 지나치게 어둡거나 식별하기 어려운 영역의 이미지 대비를 높입니다. 이를 통해 해당 영역의 객체가 더 선명해지고 모델이 더 쉽게 식별할 수 있습니다.

그림 3. 고양이 이미지에 그레이스케일 증강을 적용한 예시입니다.

Ultralytics YOLO11 및 Albumentations 통합의 활용 분야#

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

의료 영상 개선#

헬스케어 분야의 비전 AI는 의사가 의료 이미지를 더 정확하게 분석하여 진단을 지원하고 환자 치료를 개선하도록 돕고 있습니다. 실제로 헬스케어 조직의 약 5분의 1이 이미 AI 솔루션을 사용하고 있습니다.

그러나 이러한 컴퓨터 비전 솔루션을 구축하는 데에는 여러 가지 고유한 과제가 따릅니다. 의료 스캔은 병원마다 크게 다를 수 있으며, 장비, 설정, 심지어 기술자의 경험과 같은 요인의 영향을 받습니다. 밝기, 대비, 노출의 차이는 비전 AI 모델의 일관성과 정확도에 영향을 미칠 수 있어 모델이 서로 다른 환경에서 안정적으로 작동하기 어려워집니다.

이러한 상황에서 Albumentations와 같은 도구의 통합이 필수적입니다. Albumentations는 동일한 스캔의 여러 증강 버전을 생성하여 모델이 다양한 이미지 품질을 학습할 수 있도록 합니다. 이를 통해 모델의 견고성이 향상되고 고품질 이미지와 저품질 이미지 모두에서 질병을 정확하게 감지할 수 있습니다.

그림 4. 증강된 X선 이미지입니다.

보안 및 감시 강화#

비전 AI의 또 다른 흥미로운 활용 분야는 보안 및 감시입니다. 실시간 객체 감지를 통해 보안 팀이 잠재적인 위협을 신속하게 식별할 수 있습니다.

이 애플리케이션과 관련된 주요 우려 사항은 보안 카메라가 하루 동안 다양한 조명 조건에서 영상을 촬영하며, 이러한 조건이 모델의 이미지 이해 방식에 큰 영향을 줄 수 있다는 점입니다. 저조도 환경, 눈부심 또는 낮은 가시성과 같은 요인으로 인해 컴퓨터 비전 모델이 객체를 감지하거나 잠재적인 위협을 일관되게 인식하기 어려울 수 있습니다.

Albumentations 통합은 다양한 조명 조건을 모방하는 변환을 적용하여 이러한 문제를 해결하는 데 도움이 됩니다. 이를 통해 모델은 밝은 환경과 저조도 환경 모두에서 객체를 감지하도록 학습할 수 있으며, 까다로운 조건에서 신뢰성과 대응 속도를 향상할 수 있습니다.

리테일 워크플로 및 고객 경험 재정의#

슈퍼마켓 통로의 유출물, 매장 안을 달리는 개, 상품 진열대를 넘어뜨리는 아이는 리테일 환경의 비전 AI에서 엣지 케이스가 될 수 있는 일상적인 사건의 몇 가지 예에 불과합니다. 컴퓨터 비전은 쇼핑객 행동 추적, 유동 인구 모니터링, 진열대 상품 식별을 통해 고객 경험을 개선하는 데 점점 더 많이 사용되고 있습니다. 그러나 이러한 실제 상황은 AI 시스템이 이해하고 정확하게 처리하기 어려울 수 있습니다.

모든 시나리오를 컴퓨터 비전 데이터셋에 표현할 수는 없지만, Albumentations 통합은 예상치 못한 조명, 특이한 각도 또는 장애물과 같은 다양한 상황을 다루도록 데이터를 증강하여 지원합니다. 이를 통해 컴퓨터 비전 모델이 다양한 조건에 적응하고 엣지 케이스를 처리하며 동적인 리테일 환경에서 정확한 예측을 수행하는 능력을 향상할 수 있습니다.

핵심 요점#

모델 학습을 위한 다양한 실제 데이터를 수집하는 작업은 복잡할 수 있지만, Albumentations는 모델이 다양한 조건에 적응하도록 돕는 이미지 변형을 생성하여 이 과정을 더 쉽게 만듭니다.

Ultralytics가 지원하는 Albumentations 통합은 YOLO11을 커스텀 학습할 때 이러한 증강을 적용하는 프로세스를 간소화합니다. 그 결과 데이터셋 품질이 향상되며, 더 정확하고 안정적인 비전 AI 모델을 생성하여 다양한 산업에 도움을 줄 수 있습니다.

커뮤니티에 참여하고 GitHub 리포지토리를 살펴보며 AI에 대해 자세히 알아보세요. 또한 라이선스 옵션을 확인하여 비전 AI 프로젝트를 시작해 보세요. 제조 분야의 AI 또는 자율주행의 컴퓨터 비전과 같은 혁신에 관심이 있으신가요? 솔루션 페이지를 방문하여 더 자세히 알아보세요.