포즈 추정이란 무엇이며 어디에 사용할 수 있나요?

누군가 구부정하게 앉아 있거나 어깨를 펴고 꼿꼿이 서 있는 모습을 보면 자세가 좋지 않은지 자신감 있어 보이는지 즉시 알 수 있습니다. 누구도 이를 설명해 줄 필요가 없습니다. 시간이 흐르면서 우리가 자연스럽게 몸짓 언어를 해석하는 법을 배웠기 때문입니다.

경험과 관찰을 통해 우리의 뇌는 사람을 포함한 다양한 대상의 자세를 매우 잘 인식하게 되었습니다. 최근 인공지능(AI)과 세상이 제공하는 시각 정보를 기계가 해석할 수 있게 하는 분야인 컴퓨터 비전의 발전 덕분에, 기계도 이러한 능력을 학습하고 모방하기 시작했습니다.

포즈 추정은 이미지나 동영상을 분석해 사람이나 물체의 위치와 방향을 파악하는 컴퓨터 비전 작업입니다. 관절과 팔다리 같은 신체의 주요 지점을 식별해 사람이나 사물이 어떻게 움직이는지 이해합니다.

이 기술은 피트니스, 의료, 애니메이션과 같은 분야에서 널리 사용되고 있습니다. 예를 들어 작업장에서는 직원의 자세를 모니터링하고 안전 및 웰니스 프로그램을 지원하는 데 활용할 수 있습니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 사람의 포즈를 실시간으로 추정해 이를 가능하게 합니다.

그림 1. Ultralytics YOLO11을 사용해 작업자의 자세를 모니터링하는 예입니다.

이 글에서는 포즈 추정의 개념과 작동 방식, 그리고 실제로 변화를 만들어 내는 활용 사례를 자세히 살펴보겠습니다.

포즈 추정의 발전 과정#

포즈 추정 연구는 1960년대 후반과 1970년대에 시작되었습니다. 수년에 걸쳐 이 컴퓨터 비전 작업에 대한 접근 방식은 기초적인 수학과 기하학에서 인공지능 기반의 고급 방법으로 변화했습니다.

초기 기법은 고정된 카메라 각도와 알려진 기준점에 의존했습니다. 이후 3D 모델과 특징 매칭을 포함하도록 발전했습니다. 오늘날에는 Ultralytics YOLO11과 후속 모델인 Ultralytics YOLO26 같은 딥러닝 모델이 이미지나 동영상에서 신체 위치를 실시간으로 탐지할 수 있어 포즈 추정이 그 어느 때보다 빠르고 정확해졌습니다.

기술이 발전하면서 연구자들은 다양한 물체, 특히 사람과 동물의 포즈를 모니터링하고 추적하는 일의 잠재적 활용 가능성을 확인했습니다. 포즈 추정은 이전에는 불가능했던 방식으로 AI 도구가 자세와 움직임을 이해하고 측정할 수 있게 해주므로 특히 중요합니다.

예를 들어, 컴퓨터가 핸즈프리 상호작용을 위해 제스처를 인식하고, 운동선수의 움직임을 분석해 경기력을 향상시키며, 비디오 게임에서 실감 나는 애니메이션을 구현하고, 환자의 회복 과정을 추적해 의료 분야를 지원할 수도 있습니다.

다른 컴퓨터 비전 작업과 어떻게 다를까요?#

포즈 추정은 객체 감지나 인스턴스 세그멘테이션과 같은 다른 컴퓨터 비전 작업과 다릅니다. 이러한 작업은 주로 이미지 안의 객체를 식별하고 위치를 찾는 데 중점을 둡니다.

예를 들어 객체 감지는 사람, 차량, 동물과 같은 항목 주위에 바운딩 박스를 그려 해당 객체의 존재와 위치를 표시합니다. 인스턴스 세그멘테이션은 한 단계 더 나아가 픽셀 단위로 각 객체의 정확한 형태를 표시합니다.

그러나 두 방법 모두 주로 객체가 무엇이고 어디에 있는지에 초점을 맞춥니다. 객체의 자세나 무엇을 하고 있는지에 대한 정보는 제공하지 않습니다. 이 지점에서 포즈 추정이 중요해집니다.

포즈 추정은 팔꿈치, 무릎, 심지어 꼬리와 같은 신체의 주요 지점을 식별해 자세와 움직임을 해석할 수 있습니다. 이를 통해 3D 공간에서의 움직임을 포함해 동작, 제스처, 신체 역학을 더 깊이 이해할 수 있습니다.

포즈 추정의 작동 방식 이해하기#

포즈 추정 모델은 일반적으로 상향식과 하향식, 두 가지 주요 접근 방식을 따릅니다. 상향식 접근 방식에서는 모델이 먼저 팔꿈치, 무릎, 어깨와 같은 개별 주요 지점을 감지한 다음, 각 지점이 어떤 사람이나 객체에 속하는지 파악하도록 그룹화합니다. 반면 하향식 접근 방식은 먼저 각 객체(예: 이미지 속 사람)를 감지한 다음 해당 객체의 주요 지점을 찾습니다.

그림 2. 상향식 및 하향식 포즈 추정 방법.

Ultralytics YOLO11과 같은 최신 모델은 두 접근 방식의 장점을 결합합니다. YOLO11은 수동 그룹화 단계를 생략해 상향식 방식의 효율성을 유지하는 동시에 사람을 탐지하고 포즈를 한 번에, 간소화된 단일 프로세스로 추정해 하향식 시스템의 정밀도도 활용합니다.

포즈 추정을 위한 Ultralytics YOLO11 커스텀 학습#

포즈 추정 모델의 작동 방식을 살펴보다 보면, 모델이 서로 다른 객체의 포즈를 추정하는 방법을 실제로 어떻게 학습하는지 궁금할 수 있습니다. 여기서 커스텀 학습이라는 개념이 등장합니다.

커스텀 학습은 자체 데이터를 사용해 모델이 특정 주요 지점을 인식하도록 학습시키는 것을 의미합니다. 처음부터 모델을 구축하려면 라벨이 지정된 이미지가 대량으로 필요하고 시간도 많이 들기 때문에, 많은 사람이 전이 학습을 선택합니다. 전이 학습은 COCO-Pose 데이터셋으로 사전 학습된 Ultralytics YOLO11 포즈 추정 모델처럼 대규모 데이터셋으로 이미 학습된 모델에서 시작한 다음, 특정 작업이나 사용 사례에 맞게 자체 데이터로 파인튜닝하는 방식입니다.

요가 포즈를 다룬다고 가정해 보겠습니다. 각 포즈에 해당 활동의 특징적인 키포인트가 표시된 이미지를 사용해 Ultralytics YOLO11을 파인튜닝할 수 있습니다. 이를 위해서는 모델이 학습할 수 있도록 주석이 달린 이미지로 구성된 맞춤형 포즈 데이터셋이 필요합니다.

학습 중에는 배치 크기(한 번에 처리하는 이미지 수), 학습률(모델이 학습 내용을 업데이트하는 속도), 에포크(모델이 데이터셋을 순회하는 횟수)와 같은 설정을 조정해 정확도를 높일 수 있습니다. 이를 통해 특정 요구에 맞는 포즈 추정 모델을 훨씬 쉽게 구축할 수 있습니다.

포즈 추정의 실제 활용 사례#

포즈 추정이 무엇이고 어떻게 작동하는지 살펴보았으니, 이제 실제 활용 사례를 자세히 알아보겠습니다.

물리치료에 포즈 추정 활용하기#

포즈 추정은 의료 업계, 특히 물리치료 분야에서 점차 신뢰할 수 있는 도구로 자리 잡고 있습니다. AI와 컴퓨터 비전을 사용하는 이러한 시스템은 실시간으로 자세와 움직임을 추적하고 물리치료사가 제공하는 것과 유사한 피드백을 제공할 수 있습니다.

예를 들어, 무릎 수술에서 회복 중인 환자는 포즈 추정 시스템을 사용해 재활 운동을 올바르게 하고 있는지 확인할 수 있습니다. 시스템은 잘못된 움직임을 감지하고 개선 방법을 제안해 환자가 계획대로 재활을 이어가고 부상을 방지하도록 도울 수 있습니다.

그림 3. 물리치료에 Ultralytics YOLO11을 활용하는 예입니다.

재활을 넘어 포즈 추정은 피트니스 앱에도 활용되고 있습니다. 예를 들어, 집에서 운동하는 사람은 앱을 사용해 운동 중 자세를 확인할 수 있습니다. 앱은 스쿼트 각도를 조정하거나 데드리프트 중 허리를 곧게 펴도록 하는 등 실시간 피드백을 제공할 수 있습니다. 이를 통해 사용자는 트레이너 없이도 자세를 개선하고 부상을 예방할 수 있습니다.

포즈 추정으로 구현하는 엔터테인먼트용 모션 캡처#

포즈 추정은 엔터테인먼트 분야의 모션 캡처 방식을 바꾸어 더 간단하고 접근하기 쉽게 만들었습니다. 과거에는 사람의 몸에 마커를 부착하고 특수 카메라로 추적해야 했기 때문에 모션 캡처가 까다롭고 비용이 많이 들 수 있었습니다.

AI와 컴퓨터 비전의 발전으로 이제 일반 카메라와 알고리즘을 사용해 마커 없이도 신체 움직임을 추적할 수 있습니다. 이에 따라 실시간으로 처리하더라도 프로세스를 더 효율적이고 정확하게 수행할 수 있습니다.

대표적인 예로 디즈니의 증강 현실(AR) Poser가 있습니다. 이 재미있는 도구를 사용하면 휴대폰으로 사진을 찍고 증강 현실 속 디지털 캐릭터가 사용자의 포즈를 따라 하도록 할 수 있습니다. 사진 속 포즈를 분석해 3D 캐릭터의 포즈와 일치시키는 방식으로 작동하며, 재미있고 개인화된 AR 셀카를 만들어 줍니다.

그림 4. 포즈 추정을 사용해 사람의 포즈를 따라 하는 AR 캐릭터.

동물 포즈 추정을 활용한 사회적 행동 연구#

동물 행동을 연구하면 동물이 어떻게 의사소통하고, 짝을 찾고, 새끼를 돌보며, 무리를 이루어 살아가는지 이해하는 데 도움이 됩니다. 이러한 지식은 야생동물을 보호하고 자연 세계를 더 깊이 이해하는 데 매우 중요합니다.

포즈 추정은 동물에게 센서나 태그를 부착하지 않고 이미지와 동영상을 사용해 동물의 움직임과 자세를 추적함으로써 이 과정을 간소화합니다. 이러한 시스템은 동물의 포즈를 자동으로 모니터링해 털 고르기, 놀이, 싸움과 같은 행동에 대한 통찰을 제공할 수 있습니다.

흥미로운 사례로는 포즈 추정을 활용한 유인원 행동 연구가 있습니다. 실제로 연구자들은 여섯 종의 유인원에서 수집한 라벨 지정 이미지 71,000장 이상이 포함된 OpenApePose와 같은 데이터셋을 구축했습니다.

그림 5. 유인원 포즈 추정.

포즈 추정의 장단점#

포즈 추정이 다양한 업계에 제공할 수 있는 주요 이점은 다음과 같습니다.

• 확장성: 포즈 추정 시스템은 스마트폰부터 고급 카메라 설정까지 다양한 기기에 배포할 수 있어, 여러 사용 사례와 환경에서 확장성과 접근성이 뛰어납니다.
• 비용 효율성: 포즈 추정은 일반 카메라를 활용하며 값비싼 센서나 태그가 필요하지 않으므로, 연구 및 상업적 애플리케이션에서 움직임을 추적하는 데 더 비용 효율적인 솔루션이 될 수 있습니다.
• 지속적인 모니터링: 포즈 추정 시스템은 지속적인 실시간 추적을 제공할 수 있어, 재활 환자의 경과나 야생 동물의 행동 추적 등 시간에 따른 변화를 모니터링할 수 있습니다.

포즈 추정은 다양한 분야에서 분명한 장점을 제공하지만, 고려해야 할 과제도 있습니다. 유의해야 할 주요 한계는 다음과 같습니다.

• 제한적인 일반화 성능: 사람 데이터셋으로 학습한 많은 모델은 특정 데이터셋으로 다시 학습하지 않으면 동물이나 일반적이지 않은 신체 구조에 잘 일반화되지 않습니다.
• 환경적 제약: 조명이 좋지 않거나 빠른 움직임으로 블러가 발생하거나 배경이 복잡한 경우 성능이 저하될 수 있습니다.
• 가림 현상에 대한 높은 민감도: 신체 부위가 가려지거나 프레임 밖에 있으면 정확도가 떨어질 수 있으며, 특히 군중이 있거나 여러 사람을 추적하는 장면에서 이러한 현상이 두드러집니다.

핵심 요점#

포즈 추정은 초기의 마커 기반 시스템에서 Ultralytics YOLO11과 같은 딥러닝 모델 기반의 강력한 도구로 발전하며 큰 진전을 이루었습니다. 물리치료를 개선하거나 인터랙티브 AR 경험을 구현하거나 야생동물 연구를 지원하는 등 포즈 추정은 기계가 움직임과 자세를 이해하는 방식을 바꾸고 있습니다. 기술이 계속 발전함에 따라 실용적인 활용 사례를 더욱 넓히고 기계가 사람과 다른 생명체의 움직임을 더 잘 이해하도록 하려면 이러한 한계를 해결하는 일이 중요합니다.

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.