방향성 바운딩 박스(OBB) 감지란 무엇인가요?

사람은 물체의 배치나 방향에 관계없이 자연스럽게 물체를 인식합니다. 교차로의 자동차든 항구의 보트든 무엇인지, 어느 방향을 향하는지 쉽게 알아볼 수 있습니다. 그러나 인공지능(AI) 시스템에는 그렇게 간단하지 않습니다.

예를 들어 이미지와 동영상을 이해하는 데 중점을 둔 AI 분야인 컴퓨터 비전은 객체 감지와 같은 작업을 가능하게 합니다. 객체 감지는 장면 안에서 물체를 식별하고 위치를 찾도록 기계를 지원합니다. 기존 객체 감지는 축에 정렬된 바운딩 박스로 물체 주위에 상자를 그립니다. 이러한 상자는 변이 직선이고 고정된 직각을 이룹니다. 이 방식은 물체가 똑바로 놓여 있고 서로 너무 가까이 있지 않을 때 효과적입니다.

그러나 물체가 기울거나 회전했거나 서로 가까이 있으면 기존 객체 감지는 물체를 정확하게 포착하는 데 어려움을 겪습니다. 이러한 더 복잡한 상황에 대응하기 위해 방향성 바운딩 박스(OBB) 감지와 같은 기법이 도입되었습니다. 표준 바운딩 박스와 달리 OBB는 물체의 각도와 형태에 맞춰 회전할 수 있으므로 더 촘촘하고 정확하게 둘러쌀 수 있습니다.

OBB 감지를 지원하는 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 다양한 실시간 애플리케이션을 지원합니다. 특히 항공 감시처럼 물체의 방향이 중요한 상황에서 유용합니다. OBB 감지는 이 외에도 헬스케어, 농업, 문서 분석 분야에서 활용됩니다.

이 글에서는 OBB 감지가 무엇인지, 어떻게 작동하는지, 실제 환경의 어떤 상황에 적용되는지 살펴보겠습니다.

그림 1. YOLO11을 사용해 보트를 OBB 감지하는 데모 예시입니다.

방향성 바운딩 박스란 무엇인가요?#

방향성이 있는 바운딩 박스는 이미지에서 감지된 물체를 표현하기 위해 컴퓨터 비전에서 사용하는 직사각형 상자의 한 종류입니다. 표준 바운딩 박스는 이미지의 수평 및 수직 축에 맞춰 정렬되지만, OBB는 물체의 실제 각도에 맞춰 회전할 수 있습니다.

회전 기능은 여러 가지 이점을 제공합니다. OBB는 물체의 방향에 더 정확히 맞출 수 있어 상자가 물체의 형태와 방향을 촘촘하게 감쌉니다. 그 결과 감지가 더욱 정확하고 정밀해집니다.

OBB는 물체가 완벽하게 똑바로 놓여 있지 않은 경우 특히 유용합니다. 예를 들어 항공 영상에서 곡선 도로를 도는 자동차, 책상 위에 기울어진 책, 의료 영상에서 회전된 종양 등이 있습니다. 물체의 각도에 더 정확하게 맞추면 OBB는 감지 성능을 높이고 배경 간섭을 줄입니다. 또한 물체의 위치만큼 방향도 중요한 애플리케이션에 특히 적합합니다.

그림 2. 객체 감지와 OBB 감지 비교입니다.

OBB 감지와 객체 감지 비교#

OBB 감지와 기존 객체 감지는 처음에는 비슷해 보일 수 있지만, 서로 다른 방식으로 서로 다른 상황에 사용됩니다. 예를 통해 두 방식을 자세히 비교해 보겠습니다.

YOLO11과 같은 컴퓨터 비전 모델은 산업 검사와 같은 다양한 실제 애플리케이션에서 물체를 감지하고 분류하도록 학습할 수 있습니다. 컨베이어 벨트에서 여러 기계 부품이 이동하는 공장 조립 라인을 생각해 보세요. 일부 부품은 가지런히 놓여 있지만, 다른 부품은 진동이나 속도 때문에 약간 회전하거나 기울어지거나 서로 겹칠 수 있습니다.

기존 객체 감지는 이미지의 수평 및 수직 가장자리에 맞춰 정렬된 직립형 직사각형 상자를 사용합니다. 따라서 부품이 회전하면 상자가 제대로 맞지 않아 물체의 일부를 놓치거나 배경을 너무 많이 포함할 수 있습니다. 이로 인해 감지 정확도가 낮아지고 시스템이 부품을 확신 있게 식별하기 어려워질 수 있습니다.

이제 OBB 감지를 사용한다고 가정해 보겠습니다. 이 경우 모델은 각 부품의 정확한 각도에 맞춰 회전하는 상자를 그릴 수 있습니다. 기울어진 톱니바퀴나 각진 부품도 형태와 방향에 맞는 상자로 빈틈없이 둘러쌀 수 있습니다. 이를 통해 정밀도가 향상되고 오류가 줄어들며 결과의 신뢰성이 높아집니다. 특히 자동 품질 관리나 로봇 분류와 같은 활용 사례에서 효과적입니다.

널리 사용되는 OBB 감지 모델#

OBB 감지가 무엇인지 살펴봤으니, 이제 OBB를 지원하는 널리 사용되는 Vision AI 모델을 알아보겠습니다.

회전되거나 기울어진 물체를 감지하도록 특별히 개발된 고급 컴퓨터 비전 모델이 여러 가지 있습니다. 그중 Ultralytics YOLO 모델은 신뢰성과 효율성이 높은 OBB 감지 기능으로 특히 잘 알려져 있습니다.

Ultralytics YOLOv5와 같은 초기 버전은 표준 객체 감지를 위해 설계되었습니다. 이후 버전인 Ultralytics YOLOv8과 더 최근의 YOLO11(이후 Ultralytics YOLO26으로 대체됨)은 OBB 감지를 기본적으로 지원하기 시작했습니다. 특히 YOLO11은 속도를 유지하면서 최첨단 정확도를 제공하므로 실시간 애플리케이션에 효과적으로 활용할 수 있습니다.

YOLO11n-obb와 같은 사전 학습된 YOLO11 OBB 모델은 DOTAv1과 같은 데이터셋으로 학습됩니다. 이 데이터셋은 다양한 각도와 방향으로 나타나는 비행기, 선박, 테니스 코트 등의 객체 클래스를 주석 처리한 항공 이미지로 구성됩니다.

또한 이 모델은 나노(n-obb)부터 초대형(x-obb)까지 다섯 가지 크기로 제공되어 다양한 성능 요구 사항에 맞출 수 있습니다. 이러한 유연성 덕분에 도시 인프라 모니터링, 기계 검사부터 스캔 문서의 기울어진 텍스트 판독까지 여러 산업 분야에서 활용할 수 있습니다.

방향성 바운딩 박스 감지를 위한 Ultralytics YOLO11 커스텀 학습#

실제 상황에서는 감지해야 할 물체가 표준 학습 데이터셋의 물체와 완전히 다를 수 있습니다. 예를 들어 생산 라인의 도구, 제품 패키지, 회로 기판의 부품은 회전되어 있거나 불규칙하게 배치되어 있거나 형태가 다를 수 있습니다.

특히 방향이 중요한 경우 이러한 맞춤형 물체를 정확하게 감지하려면 자체 이미지와 라벨을 사용해 Ultralytics YOLO11과 같은 모델을 학습하는 것이 중요합니다. 이 과정을 커스텀 학습이라고 합니다.

다음은 OBB 감지를 위한 Ultralytics YOLO11 학습의 단계별 과정을 자세히 살펴본 내용입니다.

• 이미지 수집: 다양한 각도와 위치, 실제 환경에서 대상 물체를 보여주는 이미지를 수집합니다.
• 객체 주석: OBB를 지원하는 주석 도구를 사용해 회전된 바운딩 박스(OBB)로 각 객체에 라벨을 지정하여 위치와 방향을 모두 표시합니다.
• 데이터셋 준비: 이미지를 정리하고 레이블을 YOLO OBB 데이터셋 형식에 맞춰 구성한 다음, 클래스 이름과 데이터셋 경로를 포함한 YAML 구성 파일을 만듭니다.
• 모델 학습: 요구 사항에 맞는 Ultralytics YOLO11 모델 버전을 선택하고 학습을 실행해 모델이 라벨이 지정된 이미지에서 학습하도록 합니다.
• 평가 및 배포: 학습된 모델을 새 이미지로 테스트하고 정확도를 평가한 뒤 제조, 항공 감시, 문서 분석과 같은 실제 애플리케이션에 배포합니다.

OBB 감지를 활용한 애플리케이션#

중심에서 벗어나 있거나 기울어진 객체는 실제 환경에서 흔히 볼 수 있습니다. OBB 감지가 이러한 객체를 정확하게 감지해 실질적인 차이를 만들어 내는 몇 가지 사례를 살펴보겠습니다.

OBB 감지를 활용한 X선 이미지 분석#

OBB 감지는 정밀도를 높여 의료 영상 분석을 한 단계 발전시킬 수 있습니다. 의료 영상에는 종양, 장기 또는 뼈와 같은 해부학적 구조가 자주 포함됩니다. 이러한 구조는 불규칙한 모양과 다양한 방향으로 나타나는 경우가 많습니다. OBB는 객체의 각도에 맞춰 회전할 수 있으므로 더 정확한 위치 파악과 측정이 가능하며, 이는 진단과 치료 계획에 매우 중요합니다.

이 접근 방식은 특히 뼈의 위치와 정렬이 중요한 골절 X선 이미지 분석에 효과적입니다. 예를 들어, OBB 감지는 소아 팔꿈치 X선 이미지를 분석하는 데 사용되었습니다. 뼈의 방향에 맞춰 조정함으로써 감지 정확도를 높이는 데 도움이 되었습니다.

그림 3. 객체 감지(b, e) 및 방향 바운딩 박스 감지(c, f)가 적용된 X선 이미지(a, d).

OBB 감지를 활용한 항공 감시#

항공 감시는 공공 안전, 환경 모니터링, 도시 계획과 같은 분야에서 필수적인 도구입니다. 드론이나 위성으로 촬영한 이미지는 선박, 차량, 건물과 같은 객체를 식별하는 데 도움이 됩니다. 하지만 이러한 이미지에서 객체는 작고 특이한 각도로 나타나는 경우가 많아 정확하게 감지하기가 더 어렵습니다.

OBB 감지는 바운딩 박스를 기울여 각 객체의 각도에 맞춤으로써 이 문제를 해결합니다. 이를 통해 객체의 크기와 방향을 더 정확하게 측정할 수 있어 도시 계획, 국방, 재난 대응, 환경 모니터링 등의 분야에서 더 나은 의사 결정을 지원합니다.

OBB 감지의 흥미로운 사례로 해상 감시에서의 선박 추적을 들 수 있습니다. 위성 이미지는 날씨, 조명 또는 움직임의 영향으로 다양한 각도와 크기의 선박을 포착하는 경우가 많습니다. OBB는 이러한 변화에 맞춰 조정할 수 있어 특히 작거나 일부가 가려진 선박의 감지 성능을 높입니다.

그림 4. 해상 감시에 OBB 감지를 활용하는 방법을 보여 줍니다.

농업에서 OBB 감지 활용#

수확 후 작물을 선별하는 과정은 포장해 시장에 보내기 전에 품질을 보장하는 데 매우 중요합니다. 사과나 오렌지처럼 둥근 과일은 여러 시스템에서 잘 처리하지만, 당근이나 줄기처럼 길고 가느다란 작물은 처리하기가 훨씬 까다로울 수 있습니다. 작물의 모양은 다양하고 서로 다른 각도로 놓이는 경우가 많아 정확하게 감지하고 선별하기가 어렵습니다.

이 문제를 해결하기 위해 연구자들은 방향성 경계 상자(OBB) 감지를 사용해 작물을 더 정확하게 식별하고 등급을 분류하는 시스템을 개발했습니다. 이 시스템은 이미지 하나에서 기울어지거나 서로 겹친 여러 작물을 감지하고, 품질과 위치를 실시간으로 평가할 수 있습니다.

OBB 감지의 장단점#

OBB 감지를 사용하면 다음과 같은 이점이 있습니다.

• 후속 작업에 더 정확한 입력 제공: 인스턴스 분할 및 객체 추적과 같은 컴퓨터 비전 작업은 더 정확한 객체 감지 결과를 입력으로 사용할 때 성능이 향상될 수 있습니다.
• 공간 추론 향상: OBB는 방향 각도를 포착하므로 객체의 정렬 상태와 방향을 파악할 수 있습니다.
• 혼잡한 장면에서 겹침 감소: OBB는 복잡하거나 객체가 빽빽한 장면에서도 객체에 더 밀착해 맞춤으로써 모호성을 줄입니다.

복잡한 장면에서 감지 정확도를 높이는 데 도움이 되지만, OBB 감지에는 고려해야 할 몇 가지 한계도 있습니다.

• 노이즈에 대한 민감도 증가: 각도 예측의 작은 오차도 감지 정확도에 더 큰 영향을 미칠 수 있으며, 특히 객체가 빽빽하게 배치되거나 길쭉한 경우 더욱 그렇습니다.
• 전문 도구 필요: 모든 라벨링 및 학습 플랫폼이 기본적으로 OBB를 지원하는 것은 아니므로, OBB를 사용하려면 추가 도구나 설정이 필요할 수 있습니다.
• 데이터셋 가용성 제한: 표준 객체 감지와 비교하면 현재 공개적으로 이용할 수 있는 OBB 어노테이션 데이터셋이 적어, 시작하거나 결과를 비교하는 일이 다소 어려울 수 있습니다.

핵심 요점#

방향 바운딩 박스 감지를 사용하면 컴퓨터 비전 솔루션이 완벽하게 똑바르거나 정렬되지 않은 객체를 더 쉽게 인식할 수 있습니다. 객체의 위치와 방향을 모두 포착하는 OBB 감지는 의료 영상 스캔, 농경지 모니터링, 위성 사진 분석과 같은 실제 활용 사례에서 정확도를 높입니다.

Ultralytics YOLO11과 같은 모델이 OBB 감지를 더 쉽게 이용할 수 있도록 지원하면서, OBB 감지는 다양한 산업 분야에서 실용적인 선택지가 되고 있습니다. 기울어지거나 서로 겹치거나 모양이 특이한 객체를 다룰 때 OBB 감지를 활용하면 표준 방식이 놓치는 부분까지 정밀하게 처리할 수 있습니다.

AI에 관심이 있으신가요? GitHub 리포지토리를 살펴보고, 커뮤니티에 참여하고, 라이선스 옵션을 확인해 컴퓨터 비전 프로젝트를 시작해 보세요. 솔루션 페이지에서 리테일 분야의 AI 및 물류 업계의 컴퓨터 비전과 같은 혁신 사례를 자세히 알아보세요.