방향성 바운딩 박스(OBB) detection이란 무엇인가요?

사물이 어떻게 배치되어 있든 또는 어느 방향을 향하고 있든 인식하는 일은 인간에게 자연스럽습니다. 교차로의 자동차든 항구의 보트든, 우리는 그것이 무엇인지와 어느 방향을 향하는지 쉽게 알아낼 수 있습니다. 하지만 인공지능(AI) 시스템에서는 그리 간단하지 않습니다.

예를 들어, 이미지와 동영상을 이해하는 데 중점을 둔 AI의 한 분야인 컴퓨터 비전은 기계가 장면 내 객체를 식별하고 위치를 찾도록 지원하는 객체 검출과 같은 작업을 가능하게 합니다. 기존 객체 검출은 축 정렬 바운딩 박스를 사용해 객체 주위에 박스를 그립니다. 이러한 박스는 직선 변과 고정된 직각으로 구성됩니다. 이 방식은 객체가 똑바로 세워져 있고 서로 너무 가깝지 않을 때 효과적으로 작동합니다.

하지만 객체가 기울어져 있거나 회전되어 있거나 서로 가까이 있으면 기존 객체 검출은 객체를 정확하게 포착하는 데 어려움을 겪는 경우가 많습니다. 이러한 복잡한 상황을 처리하기 위해 방향성 바운딩 박스(OBB) 검출과 같은 기법이 도입되었습니다. 표준 바운딩 박스와 달리 OBB는 객체의 각도와 형태에 맞게 회전할 수 있어 더 정밀하고 정확하게 객체를 둘러쌀 수 있습니다.

Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 OBB 검출을 지원하며, 특히 항공 감시처럼 객체의 방향이 중요한 상황에서 다양한 실시간 애플리케이션을 구현할 수 있습니다. 또한 OBB 검출은 의료, 농업, 문서 분석 분야에서도 사용됩니다.

이 글에서는 OBB 검출이 무엇인지, 어떻게 작동하는지, 실제 환경에서 어디에 적용되고 있는지 살펴보겠습니다. 시작해 보겠습니다!

그림 1. YOLO11을 사용한 보트 OBB 검출 데모 예시입니다.

방향성 바운딩 박스란 무엇인가요?#

방향성 바운딩 박스는 컴퓨터 비전에서 이미지 내 검출된 객체를 나타내는 데 사용되는 직사각형 박스의 한 유형입니다. 표준 바운딩 박스가 이미지의 가로축과 세로축에 맞춰 정렬되는 반면, OBB는 객체의 실제 각도에 맞게 회전할 수 있습니다.

이러한 회전 기능은 여러 가지 이점을 제공합니다. OBB는 객체의 방향에 더욱 밀접하게 맞출 수 있으므로, 객체의 형태와 방향을 따라 박스를 촘촘하게 배치할 수 있습니다. 그 결과 검출이 더욱 정확하고 정밀해집니다.

OBB는 항공 영상에서 곡선 도로를 주행하는 자동차, 책상 위에 기울어진 책, 의료 스캔에서 회전된 종양처럼 객체가 완전히 똑바로 서 있지 않은 경우에 특히 유용합니다. OBB는 객체의 각도에 더욱 정확하게 맞춰 객체 검출 성능을 향상하고 배경 간섭을 줄이며, 객체의 방향이 위치만큼 중요한 애플리케이션에 특히 적합합니다.

그림 2. 객체 검출과 OBB 검출 비교입니다.

OBB 검출과 객체 검출 비교#

OBB 검출과 기존 객체 검출은 처음에는 비슷해 보일 수 있지만, 서로 다른 방식과 상황에 사용됩니다. 예시를 통해 두 방식을 자세히 비교해 보겠습니다.

YOLO11과 같은 컴퓨터 비전 모델은 산업 검사와 같은 다양한 실제 애플리케이션에서 객체를 검출하고 분류하도록 학습할 수 있습니다. 다양한 기계 부품이 컨베이어 벨트를 따라 이동하는 공장 조립 라인을 생각해 보겠습니다. 일부 부품은 가지런히 배치되어 있을 수 있지만, 다른 부품은 진동이나 속도 때문에 약간 회전하거나 기울어져 있거나 서로 겹칠 수 있습니다.

기존 객체 검출은 이미지의 가로 및 세로 가장자리에 맞춰 정렬되는 똑바른 직사각형 박스를 사용합니다. 따라서 부품이 회전하면 박스가 제대로 맞지 않을 수 있으며, 객체의 일부를 제외하거나 배경을 지나치게 많이 포함할 수 있습니다. 이로 인해 검출 정확도가 낮아지고 시스템이 해당 부품을 확신을 가지고 식별하기 어려워질 수 있습니다.

이번에는 OBB 검출을 사용한다고 가정해 보겠습니다. 이 경우 모델은 각 부품의 정확한 각도에 맞게 회전하는 박스를 그릴 수 있습니다. 기울어진 기어나 각진 부품도 형태와 방향에 맞는 박스로 빈틈없이 둘러쌀 수 있습니다. 따라서 정밀도가 향상되고 오류가 줄어들며, 자동 품질 관리나 로봇 분류와 같은 사용 사례에서 더욱 신뢰할 수 있는 결과를 얻을 수 있습니다.

주요 OBB 검출 모델#

이제 OBB 검출이 무엇인지 더 잘 이해했으므로, 이를 지원하는 가장 널리 사용되는 Vision AI 모델을 살펴보겠습니다.

회전되거나 기울어진 객체를 검출하기 위해 특별히 개발된 고급 컴퓨터 비전 모델이 여러 가지 있습니다. 그중에서도 Ultralytics YOLO 모델은 안정적이고 효율적인 OBB 검출 기능으로 특히 잘 알려져 있습니다.

Ultralytics YOLOv5와 같은 초기 버전은 표준 객체 검출을 위해 설계되었습니다. 이후 버전인 Ultralytics YOLOv8과 최신 YOLO11은 OBB 검출을 기본적으로 지원하기 시작했습니다. 특히 YOLO11은 속도를 저하하지 않으면서 최첨단 정확도를 제공하므로 실시간 애플리케이션에 효과적인 선택지입니다.

YOLO11n-obb와 같은 사전 학습된 YOLO11 OBB 모델은 DOTAv1과 같은 데이터셋으로 학습됩니다. DOTAv1은 다양한 각도와 방향으로 나타나는 비행기, 선박, 테니스 코트 등의 객체 클래스에 주석이 달린 항공 이미지로 구성됩니다.

또한 이러한 모델은 nano(n-obb)부터 extra-large(x-obb)까지 다섯 가지 크기로 제공되어 다양한 성능 요구 사항에 맞출 수 있습니다. 이러한 유연성 덕분에 도시 인프라 모니터링과 기계 검사부터 스캔한 문서의 기울어진 텍스트 판독까지 다양한 산업에 적용할 수 있습니다.

방향성 바운딩 박스 검출을 위한 Ultralytics YOLO11 커스텀 학습#

많은 실제 상황에서 검출해야 하는 객체는 표준 학습 데이터셋의 객체와 완전히 다를 수 있습니다. 예를 들어 생산 라인의 도구, 제품 패키지 또는 회로 기판의 부품은 회전되어 있거나 불규칙하게 배치되어 있거나 형태가 서로 다를 수 있습니다.

이러한 커스텀 객체를 정확하게 검출하려면, 특히 방향이 중요한 경우 자체 이미지와 라벨을 사용해 Ultralytics YOLO11과 같은 모델을 학습하는 것이 중요합니다. 이 과정을 커스텀 학습이라고 합니다.

Ultralytics YOLO11을 OBB 검출용으로 학습하는 단계별 과정을 자세히 살펴보겠습니다:

• 이미지 수집: 다양한 각도, 위치 및 실제 환경에서 대상 객체를 보여 주는 이미지를 수집합니다.
• 객체 주석: OBB를 지원하는 주석 도구를 사용해 회전된 바운딩 박스(OBB)로 각 객체에 라벨을 지정하여 위치와 방향을 모두 표시합니다.
• 데이터셋 준비: 이미지와 라벨을 YOLO 디렉터리 구조로 구성하고, 클래스 이름과 데이터셋 경로가 포함된 YAML 구성 파일을 생성합니다.
• 모델 학습: 필요에 맞는 Ultralytics YOLO11 모델 버전을 선택하고 학습 프로세스를 실행하여 모델이 라벨이 지정된 이미지에서 학습하도록 합니다.
• 평가 및 배포: 새로운 이미지에서 학습된 모델을 테스트하고 정확도를 평가한 다음 제조, 항공 감시 또는 문서 분석과 같은 실제 애플리케이션에 배포합니다.

OBB 검출로 구현되는 애플리케이션#

중심에서 벗어나 있거나 기울어진 객체는 실제 환경에서 매우 흔합니다. OBB 검출이 이러한 객체를 정확하게 검출하여 실질적인 차이를 만들어 내는 몇 가지 예시를 살펴보겠습니다.

OBB 검출을 활용한 X선 이미지 분석#

OBB 검출은 정밀도를 향상하여 의료 이미지 분석을 한 단계 발전시킬 수 있습니다. 의료 이미지에는 종양, 장기 또는 뼈와 같은 해부학적 구조가 포함되는 경우가 많습니다. 이러한 구조는 불규칙한 형태와 다양한 방향으로 나타나는 경우가 많습니다. OBB는 객체의 각도에 맞게 회전할 수 있으므로 더 정확한 위치 파악과 측정을 제공하며, 이는 진단과 치료 계획 수립에 매우 중요합니다.

이 방식은 뼈의 위치와 정렬이 핵심 요소인 골절 X선 이미지를 분석할 때 특히 효과적입니다. 예를 들어 OBB 검출은 소아 팔꿈치 X선 분석에 사용된 바 있습니다. 뼈의 방향에 맞춰 조정함으로써 검출 정확도를 향상하는 데 도움이 되었습니다.

그림 3. 객체 검출(b, e) 및 방향성 바운딩 박스 검출(c, f)이 적용된 X선 이미지(a, d)입니다.

OBB 검출로 구현되는 항공 감시#

항공 감시는 공공 안전, 환경 모니터링, 도시 계획과 같은 분야에서 필수적인 도구입니다. 드론이나 위성이 촬영한 이미지는 선박, 차량, 건물과 같은 객체를 식별하는 데 도움이 될 수 있습니다. 하지만 이러한 이미지에서는 객체가 작고 일반적이지 않은 각도로 나타나는 경우가 많아 정확하게 검출하기가 더 어렵습니다.

OBB 검출은 각 객체의 각도에 맞게 바운딩 박스를 기울여 이 문제를 해결합니다. 이를 통해 객체의 크기와 방향을 더욱 정확하게 측정할 수 있으며, 도시 계획, 국방, 재난 대응, 환경 모니터링과 같은 분야에서 더 나은 의사 결정을 지원합니다.

OBB 검출의 흥미로운 사례로 해상 감시에서의 선박 추적을 들 수 있습니다. 위성 이미지는 날씨, 조명 또는 움직임으로 인해 다양한 각도와 크기의 선박을 포착하는 경우가 많습니다. OBB는 이러한 변화에 맞춰 조정할 수 있어, 특히 작거나 부분적으로 가려진 선박의 검출 성능을 향상합니다.

그림 4. 해상 감시에 OBB 검출을 사용하는 예시입니다.

농업에서 OBB 검출 사용#

수확 후 작물을 선별하는 일은 포장하여 시장에 출하하기 전에 품질을 보장하는 중요한 단계입니다. 많은 시스템이 사과나 오렌지처럼 둥근 과일에는 잘 작동하지만, 당근이나 줄풀 순처럼 길고 가느다란 작물은 처리하기가 훨씬 더 어려울 수 있습니다. 이러한 작물은 형태가 다양하고 서로 다른 각도로 놓이는 경우가 많아 정확하게 검출하고 선별하기가 까다롭습니다.

이를 해결하기 위해 연구자들은 방향성 바운딩 박스(OBB) 검출을 사용하여 작물을 더욱 정확하게 식별하고 등급을 판정하는 시스템을 개발했습니다. 이 시스템은 작물이 기울어져 있거나 서로 겹쳐 있더라도 한 이미지에서 여러 작물을 검출하고 실시간으로 품질과 위치를 평가할 수 있습니다.

OBB 검출의 장단점#

OBB 검출을 사용할 때의 몇 가지 이점은 다음과 같습니다:

• 후속 작업에 대한 입력 개선: 인스턴스 세그멘테이션 및 객체 추적과 같은 컴퓨터 비전 작업은 더 정확한 객체 검출 결과를 입력으로 받을 때 성능이 향상될 수 있습니다.
• 공간 추론 향상: OBB는 방향 각도를 포착하여 객체의 정렬 상태와 방향을 파악할 수 있도록 합니다.
• 밀집된 장면에서 겹침 감소: OBB는 복잡하거나 객체가 뒤섞인 장면에서도 객체에 더욱 밀착하여 배치함으로써 모호성을 줄입니다.

OBB 검출은 복잡한 장면에서 검출 정확도를 향상하는 데 도움이 되지만, 고려해야 할 몇 가지 한계도 있습니다:

• 노이즈에 대한 민감도 증가: 각도 예측의 작은 오류도 검출 정확도에 더 큰 영향을 미칠 수 있으며, 특히 객체가 빽빽하게 배치되어 있거나 길쭉한 경우에 그렇습니다.
• 특수 도구 필요: 모든 라벨링 및 학습 플랫폼이 OBB를 기본적으로 지원하는 것은 아니므로, OBB를 사용하려면 추가 도구나 설정이 필요할 수 있습니다.
• 제한적인 데이터셋 가용성: 표준 객체 검출에 비해 현재 OBB 주석이 포함된 공개 데이터셋은 더 적으므로, 시작하거나 결과를 비교하기가 다소 어려울 수 있습니다.

핵심 요점#

방향성 바운딩 박스 검출을 사용하면 컴퓨터 비전 솔루션이 완전히 똑바르거나 정렬되어 있지 않은 객체를 더 쉽게 인식할 수 있습니다. 객체의 위치와 방향을 모두 포착함으로써 OBB 검출은 의료 이미지 스캔, 농경지 모니터링, 위성 사진 분석과 같은 실제 사용 사례 전반에서 정확도를 향상합니다.

Ultralytics YOLO11과 같은 모델을 통해 OBB 검출에 더 쉽게 접근할 수 있게 되면서, OBB 검출은 여러 산업에서 실용적인 선택지가 되고 있습니다. 기울어져 있거나 서로 겹쳐 있거나 형태가 특이한 객체를 다루는 경우 OBB 검출은 표준 방식이 놓치는 추가적인 정밀도를 제공합니다.

AI에 관심이 있으신가요? GitHub 리포지토리를 살펴보고, 커뮤니티에 참여하며, 라이선스 옵션을 확인하여 컴퓨터 비전 프로젝트를 시작해 보세요. 솔루션 페이지에서 리테일 분야의 AI 및 물류 산업의 컴퓨터 비전과 같은 혁신에 대해 자세히 알아보세요.