회전된 객체 탐지(OBB)란 무엇인가요?

사람은 사물이 어떻게 배치되어 있든, 어느 방향을 향하고 있든 상관없이 자연스럽게 사물을 인식합니다. 교차로의 자동차든 항구의 배든, 우리는 그것이 무엇이며 어느 방향을 가리키고 있는지 쉽게 알 수 있습니다. 하지만 인공지능(AI) 시스템의 경우 그리 간단하지 않습니다.

예를 들어, 이미지와 비디오 이해에 중점을 둔 AI 분야인 컴퓨터 비전은 기계가 장면 내의 객체를 식별하고 위치를 파악하도록 돕는 객체 탐지와 같은 작업을 가능하게 합니다. 기존의 객체 탐지는 축 정렬 바운딩 박스를 사용하여 객체 주변에 상자를 그리는 방식에 의존합니다. 이 상자들은 직선 변과 고정된 직각을 가지고 있습니다. 이러한 접근 방식은 객체가 똑바로 서 있고 너무 가깝게 붙어 있지 않을 때 잘 작동합니다.

그러나 객체가 기울어지거나 회전하거나 서로 가깝게 붙어 있을 때, 기존의 객체 탐지 방식은 정확하게 포착하는 데 어려움을 겪는 경우가 많습니다. 이러한 더 복잡한 상황을 처리하기 위해 지향성 바운딩 박스(OBB) 탐지와 같은 기술이 도입되었습니다. 표준 바운딩 박스와 달리 OBB는 객체의 각도와 모양에 맞춰 회전할 수 있어 더 밀착되고 정확한 피팅이 가능합니다.

OBB 탐지를 지원하는 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 특히 항공 감시와 같이 객체 방향이 중요한 시나리오에서 다양한 실시간 애플리케이션을 가능하게 합니다. 그 외에도 OBB 탐지는 의료, 농업 및 문서 분석 분야에서도 사용됩니다.

이 글에서는 OBB 탐지가 무엇인지, 어떻게 작동하는지, 그리고 실제 시나리오에서 어디에 적용되고 있는지 살펴볼 것입니다. 시작해 보겠습니다!

Fig 1. 보트의 OBB 탐지를 위해 YOLO11을 사용하는 예시 데모입니다.

Link to this section지향성 바운딩 박스란 무엇입니까?#

지향성 바운딩 박스는 컴퓨터 비전에서 이미지 내의 탐지된 객체를 표현하는 데 사용되는 직사각형 상자의 한 유형입니다. 표준 바운딩 박스는 이미지의 가로 및 세로 축에 정렬되지만, OBB는 객체의 실제 각도에 맞춰 회전할 수 있습니다.

이러한 회전 기능은 몇 가지 장점을 제공합니다. OBB는 객체의 방향과 더 밀접하게 정렬될 수 있어 상자가 객체의 모양과 방향에 딱 맞게 밀착될 수 있습니다. 결과적으로 탐지가 더욱 정확하고 정밀해집니다.

OBB는 항공 영상에서 곡선 도로를 도는 자동차, 책상 위의 기울어진 책, 의료 스캔에서의 회전된 종양 등 객체가 완벽하게 똑바로 서 있지 않을 때 특히 유용합니다. OBB는 객체의 각도를 더 정확하게 일치시킴으로써 탐지 성능을 향상하고 배경 간섭을 줄이며, 특히 객체의 위치만큼이나 방향이 중요한 애플리케이션에 매우 적합합니다.

Fig 2. 객체 탐지와 OBB 탐지 비교.

Link to this sectionOBB 탐지 대 객체 탐지#

OBB 탐지와 기존 객체 탐지는 처음에는 비슷해 보일 수 있지만, 서로 다른 상황에서 다른 방식으로 사용됩니다. 예시를 통해 이 두 가지가 어떻게 비교되는지 자세히 살펴보겠습니다.

YOLO11과 같은 컴퓨터 비전 모델은 산업 검사와 같은 다양한 실제 애플리케이션에서 객체를 탐지하고 분류하도록 훈련될 수 있습니다. 컨베이어 벨트를 따라 다양한 기계 부품이 이동하는 공장 조립 라인을 생각해 보십시오. 일부 부품은 깔끔하게 배치될 수 있지만, 다른 부품은 진동이나 속도로 인해 약간 회전하거나 기울어지거나 겹칠 수 있습니다.

기존 객체 탐지는 이미지의 가로 및 세로 가장자리에 정렬되는 똑바른 직사각형 상자를 사용합니다. 따라서 부품이 회전하면 상자가 제대로 맞지 않아 객체의 일부가 잘리거나 배경이 너무 많이 포함될 수 있습니다. 이는 탐지 정확도를 떨어뜨리고 시스템이 부품을 확실하게 식별하기 어렵게 만들 수 있습니다.

이제 OBB 탐지를 사용하는 경우를 생각해 보겠습니다. 이 경우 모델은 각 부품의 정확한 각도에 맞춰 회전하는 상자를 그릴 수 있습니다. 기울어진 기어나 각진 구성 요소는 그 모양과 방향에 딱 맞는 상자로 단단히 둘러싸입니다. 이는 특히 자동화된 품질 관리나 로봇 분류와 같은 사용 사례와 관련하여 정밀도가 향상되고 오류가 줄어들며 더욱 신뢰할 수 있는 결과를 의미합니다.

Link to this section주요 OBB 탐지 모델#

이제 OBB 탐지가 무엇인지 더 잘 이해했으니, 이를 지원하는 가장 널리 사용되는 Vision AI 모델 몇 가지를 살펴보겠습니다.

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

Ultralytics YOLOv5와 같은 초기 버전은 표준 객체 탐지를 위해 설계되었습니다. 이후 Ultralytics YOLOv8 및 더 최근의 YOLO11과 같은 반복 모델들은 OBB 탐지에 대한 기본 지원을 도입했습니다. 특히 YOLO11은 속도를 희생하지 않으면서 최첨단 정확도를 제공하여 실시간 애플리케이션을 위한 효과적인 옵션이 됩니다.

YOLO11n-obb와 같은 사전 훈련된 YOLO11 OBB 모델은 다양한 각도와 방향으로 나타나는 비행기, 선박, 테니스 코트와 같은 다양한 객체 클래스로 주석이 달린 항공 이미지 데이터셋인 DOTAv1과 같은 데이터셋에서 훈련됩니다.

또한 이러한 모델은 나노(n-obb)부터 엑스트라 라지(x-obb)까지 다섯 가지 크기로 제공되어 다양한 성능 요구 사항을 충족합니다. 이러한 범용성 덕분에 도시 인프라 모니터링 및 기계 검사부터 스캔된 문서의 왜곡된 텍스트 읽기에 이르기까지 다양한 산업 전반에 적용할 수 있습니다.

Link to this section지향성 바운딩 박스 탐지를 위한 YOLO11 사용자 지정 훈련#

많은 실제 상황에서 탐지해야 하는 객체는 표준 훈련 데이터셋에 있는 객체와 완전히 다를 수 있습니다. 예를 들어, 생산 라인의 도구, 제품 패키지 또는 회로 기판의 구성 요소와 같은 객체는 회전되어 있거나 불규칙하게 배치되어 있거나 모양이 다를 수 있습니다.

이러한 맞춤형 객체를 정확하게 탐지하려면, 특히 방향이 중요한 경우 자체 이미지와 레이블을 사용하여 YOLO11과 같은 모델을 훈련하는 것이 중요합니다. 이 프로세스를 사용자 지정 훈련이라고 합니다.

OBB 탐지를 위해 YOLO11을 훈련하는 단계별 프로세스를 자세히 살펴보겠습니다.

• 이미지 수집: 다양한 각도, 위치 및 실제 환경에서 대상 객체를 보여주는 이미지를 수집합니다.
• 객체 주석: OBB 지원 주석 도구를 사용하여 각 객체에 회전된 바운딩 박스(OBB)로 레이블을 지정하여 위치와 방향을 모두 포착합니다.
• 데이터셋 준비: 이미지와 레이블을 YOLO 디렉토리 구조로 정리하고 클래스 이름과 데이터셋 경로가 포함된 YAML 구성 파일을 만듭니다.
• 모델 훈련: 필요에 맞는 YOLO11 모델 버전을 선택하고 훈련 프로세스를 실행하여 모델이 레이블이 지정된 이미지에서 학습할 수 있도록 합니다.
• 평가 및 배포: 훈련된 모델을 새 이미지에서 테스트하고 정확도를 평가한 다음 제조, 항공 감시 또는 문서 분석과 같은 실제 애플리케이션에 배포합니다.

Link to this sectionOBB 탐지에 의해 활성화되는 애플리케이션#

중심에서 벗어나거나 기울어진 객체는 실생활 시나리오에서 매우 흔합니다. OBB 탐지가 이러한 객체를 정확하게 탐지하여 실질적인 차이를 만드는 몇 가지 예시를 살펴보겠습니다.

Link to this sectionOBB 탐지를 사용한 X-레이 이미지 분석#

OBB 탐지는 정밀도를 향상하여 의료 이미지 분석을 한 단계 더 발전시킬 수 있습니다. 의료 이미지에는 종양, 장기 또는 뼈와 같은 해부학적 구조가 포함되는 경우가 많습니다. 이러한 구조는 불규칙한 모양과 다양한 방향으로 나타나는 경우가 많습니다. OBB는 객체의 각도에 맞춰 회전할 수 있으므로 더 정확한 위치 파악 및 측정이 가능하며 이는 진단 및 치료 계획에 중요합니다.

이 접근 방식은 뼈의 위치와 정렬이 핵심 요소인 뼈 골절의 X-레이 이미지를 분석할 때 특히 효과적입니다. 예를 들어, OBB 탐지는 소아 팔꿈치 X-레이를 분석하는 데 사용되었습니다. 뼈의 방향에 맞게 조정됨으로써 탐지 정확도를 향상하는 데 도움이 되었습니다.

Fig 3. X-레이(a, d), 객체 탐지(b, e) 및 지향성 바운딩 박스 탐지(c, f).

Link to this sectionOBB 탐지로 구동되는 항공 감시#

항공 감시는 공공 안전, 환경 모니터링 및 도시 계획과 같은 부문에서 필수적인 도구입니다. 드론이나 위성이 촬영한 이미지는 선박, 차량 및 건물과 같은 객체를 식별하는 데 도움이 될 수 있습니다. 그러나 이러한 이미지에서 객체는 종종 작고 특이한 각도로 나타나 정확하게 탐지하기가 더 어렵습니다.

OBB 탐지는 바운딩 박스를 기울여 각 객체의 각도에 맞춤으로써 이 문제를 해결합니다. 이는 객체의 크기와 방향을 더 정확하게 측정할 수 있게 하여 도시 계획, 국방, 재난 대응 및 환경 모니터링과 같은 분야에서 더 나은 의사 결정을 지원합니다.

OBB 탐지의 흥미로운 예는 해양 감시에서의 선박 추적입니다. 위성 이미지는 날씨, 조명 또는 움직임으로 인해 종종 다양한 각도와 크기의 선박을 포착합니다. OBB는 이러한 변화에 적응하여 특히 더 작거나 부분적으로 가려진 선박에 대한 탐지를 향상할 수 있습니다.

Fig 4. 해양 감시를 위한 OBB 탐지 사용에 대한 살펴보기.

Link to this section농업에서의 OBB 탐지 사용#

수확 후 작물을 분류하는 것은 시장에 포장되어 전달되기 전에 품질을 보장하는 중요한 단계입니다. 사과나 오렌지와 같은 둥근 과일에는 많은 시스템이 잘 작동하지만, 당근이나 줄풀 새순과 같은 길고 좁은 작물은 다루기가 훨씬 더 어려울 수 있습니다. 모양이 다양하고 종종 서로 다른 각도로 놓이게 되어 정확하게 탐지하고 분류하기가 까다롭습니다.

이를 해결하기 위해 연구원들은 지향성 바운딩 박스(OBB) 탐지를 사용하여 이러한 작물을 더 정확하게 등급 분류하는 시스템을 개발했습니다. 이 시스템은 작물이 기울어지거나 겹쳐져 있더라도 한 이미지에서 여러 작물을 탐지하고 실시간으로 품질과 위치를 평가할 수 있습니다.

Link to this sectionOBB 탐지의 장단점#

OBB 탐지 사용의 이점은 다음과 같습니다.

• 다운스트림 작업에 대한 향상된 입력: 인스턴스 분할 및 객체 추적과 같은 컴퓨터 비전 작업은 더 정확한 객체 탐지 결과를 제공받을 때 더 나은 성능을 발휘할 수 있습니다.
• 향상된 공간 추론: OBB는 방향 각도를 포착함으로써 객체의 정렬 및 방향을 이해할 수 있게 합니다.
• 혼잡한 장면에서 겹침 감소: OBB는 바쁜 장면이나 혼잡한 장면에서도 객체에 더 밀착함으로써 모호함을 줄입니다.

복잡한 장면에서 탐지 정확도를 향상하는 데 도움이 되지만, OBB 탐지에는 고려해야 할 몇 가지 제한 사항이 있습니다.

• 노이즈에 대한 더 큰 민감도: 각도 예측의 작은 오류가 탐지 정확도에 더 큰 영향을 미칠 수 있으며, 특히 빽빽하게 뭉쳐 있거나 길쭉한 객체의 경우 더욱 그렇습니다.
• 특수 도구 필요: 모든 레이블 지정 및 훈련 플랫폼이 OBB를 기본적으로 지원하는 것은 아니므로, 이를 작업하려면 추가 도구나 설정이 필요할 수 있습니다.
• 제한된 데이터셋 가용성: 표준 객체 탐지에 비해 현재 공개적으로 사용 가능한 OBB 주석이 포함된 데이터셋이 적어 시작하거나 결과를 비교하는 것이 약간 더 어려울 수 있습니다.

Link to this section핵심 요약#

지향성 바운딩 박스 탐지는 컴퓨터 비전 솔루션이 완벽하게 직선적이거나 정렬되지 않은 객체를 더 쉽게 인식할 수 있도록 합니다. 객체의 위치와 방향을 모두 포착함으로써 OBB 탐지는 의료 이미지 스캔, 농지 모니터링 또는 위성 사진 분석과 같은 실제 사용 사례 전반에서 정확도를 높입니다.

YOLO11과 같은 모델이 OBB 탐지를 더욱 접근하기 쉽게 만듦에 따라, 이는 많은 산업 분야에서 실용적인 선택이 되고 있습니다. 기울어지거나 겹치거나 모양이 이상한 객체를 다루든 상관없이, OBB 탐지는 기존 방식이 종종 놓치는 정밀도를 한층 더 추가해 줍니다.

AI가 궁금하신가요? GitHub 저장소를 탐색하고, 커뮤니티에 참여하며, 라이선스 옵션을 확인하여 컴퓨터 비전 프로젝트를 시작해 보세요. 소매업에서의 AI 및 물류 산업에서의 컴퓨터 비전과 같은 혁신에 대해 솔루션 페이지에서 더 자세히 알아보세요.