포즈 추정이란 무엇이며 어디에 사용할 수 있나요?

누군가 몸을 구부정하게 하고 있거나 어깨를 뒤로 편 채 똑바로 서 있는 모습을 보면, 자세가 좋지 않은지 자신감 있어 보이는지 즉시 알 수 있습니다. 누구도 이를 설명해 줄 필요가 없습니다. 시간이 지나면서 우리가 자연스럽게 신체 언어를 해석하는 법을 배웠기 때문입니다.

경험과 관찰을 통해 인간을 포함한 다양한 객체의 자세를 인식하는 능력이 뇌에서 매우 발달했습니다. 최근 인공지능(AI)과 컴퓨터 비전의 발전 덕분에, 세상의 시각 정보를 해석할 수 있게 하는 이 분야에서 기계도 이제 이러한 능력을 학습하고 재현하기 시작했습니다.

포즈 추정은 이미지나 동영상을 분석하여 사람이나 객체의 위치와 방향을 파악하도록 지원하는 컴퓨터 비전 작업입니다. 관절과 팔다리 같은 신체의 주요 포인트를 식별하여 사람이나 사물이 어떻게 움직이는지 이해합니다.

이 기술은 피트니스, 헬스케어, 애니메이션 등 다양한 분야에서 널리 사용되고 있습니다. 예를 들어 작업장 환경에서는 직원의 자세를 모니터링하고 안전 및 웰니스 이니셔티브를 지원하는 데 사용할 수 있습니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 사람의 포즈를 실시간으로 추정하여 이를 가능하게 합니다.

그림 1. Ultralytics YOLO11을 사용하여 작업자의 자세를 모니터링하는 예시입니다.

이 글에서는 포즈 추정과 작동 방식, 그리고 실제 환경에서 변화를 이끌어 내고 있는 활용 사례를 자세히 살펴보겠습니다. 시작해 보겠습니다!

포즈 추정의 발전#

포즈 추정에 관한 연구는 1960년대 후반과 1970년대에 시작되었습니다. 수년에 걸쳐 이 컴퓨터 비전 작업에 대한 접근 방식은 기본적인 수학과 기하학에서 인공지능을 기반으로 하는 더욱 발전된 방법으로 변화해 왔습니다.

초기에는 고정된 카메라 각도와 알려진 기준점에 의존하는 기술이 사용되었습니다. 이후 3D 모델과 특징 매칭을 포함하는 방식으로 발전했습니다. 오늘날에는 Ultralytics YOLO11과 같은 딥러닝 모델이 이미지나 동영상에서 신체 위치를 실시간으로 감지하여, 그 어느 때보다 빠르고 정확하게 포즈를 추정할 수 있습니다.

기술이 발전하면서 연구자들은 다양한 객체, 특히 사람과 동물의 포즈를 모니터링하고 추적할 수 있는 잠재적 활용 분야를 발견했습니다. 포즈 추정은 이전에는 불가능했던 방식으로 AI 도구가 자세와 움직임을 이해하고 측정할 수 있도록 하기 때문에 특히 중요합니다.

예를 들어 컴퓨터가 손을 사용하지 않는 상호작용을 위해 제스처를 인식하고, 선수의 움직임을 분석하여 경기력을 향상하며, 비디오 게임에서 사실적인 애니메이션을 구현하도록 합니다. 또한 환자의 회복 진행 상황을 추적하여 헬스케어를 지원하기도 합니다.

다른 컴퓨터 비전 작업과 어떻게 다릅니까?#

포즈 추정은 객체 감지 및 인스턴스 세그멘테이션과 같은 다른 컴퓨터 비전 작업과 다릅니다. 이러한 작업은 주로 이미지 내 객체를 식별하고 위치를 찾는 데 초점을 맞춥니다.

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

그러나 이 두 방법은 주로 객체가 무엇이며 어디에 있는지에 관심을 둡니다. 객체가 어떤 자세를 취하고 있는지 또는 무엇을 하고 있는지에 대한 정보는 제공하지 않습니다. 바로 이 지점에서 포즈 추정이 중요해집니다.

포즈 추정은 팔꿈치, 무릎, 심지어 꼬리와 같은 신체의 주요 포인트를 식별하여 자세와 움직임을 해석할 수 있습니다. 이를 통해 3D 공간에서의 움직임을 포함하여 행동, 제스처, 신체 동역학을 더욱 깊이 이해할 수 있습니다.

포즈 추정의 작동 방식 이해하기#

포즈 추정 모델은 일반적으로 상향식과 하향식이라는 두 가지 주요 접근 방식을 따릅니다. 상향식 접근 방식에서는 모델이 먼저 팔꿈치, 무릎, 어깨와 같은 개별 주요 포인트를 감지한 다음 이를 그룹화하여 어느 사람이나 객체에 속하는지 파악합니다. 반면 하향식 접근 방식은 각 객체(예: 이미지 속 사람)를 먼저 감지한 다음 해당 객체의 주요 포인트를 찾습니다.

그림 2. 상향식 및 하향식 포즈 추정 방법입니다.

Ultralytics YOLO11과 같은 일부 최신 모델은 두 접근 방식의 장점을 결합합니다. 수동 그룹화 단계를 생략하여 상향식 방식의 효율성을 유지하는 동시에, 사람을 감지하고 포즈를 한 번에 추정하는 단일 간소화 프로세스를 통해 하향식 시스템의 정밀도도 활용합니다.

포즈 추정을 위한 Ultralytics YOLO11 커스텀 학습#

포즈 추정 모델의 작동 방식을 살펴보다 보면, 이러한 모델이 다양한 객체의 포즈를 실제로 어떻게 추정하는지 궁금할 수 있습니다. 바로 여기에서 커스텀 학습이라는 개념이 등장합니다.

커스텀 학습은 자체 데이터를 사용하여 특정 주요 포인트를 인식하도록 모델을 가르치는 것을 의미합니다. 처음부터 모델을 구축하려면 많은 양의 라벨링된 이미지와 상당한 시간이 필요하므로, 많은 사용자가 전이 학습을 선택합니다. 전이 학습에서는 먼저 COCO-Pose 데이터셋으로 사전 학습된 Ultralytics YOLO11 포즈 추정 모델과 같이 대규모 데이터셋으로 이미 학습된 모델을 사용한 다음, 특정 작업이나 활용 사례에 맞게 자체 데이터로 파인튜닝합니다.

요가 포즈를 다룬다고 가정해 보겠습니다. 각 포즈에 해당 활동에 특화된 주요 포인트가 라벨링된 이미지를 사용하여 Ultralytics YOLO11을 파인튜닝할 수 있습니다. 이를 위해서는 모델이 학습할 수 있도록 주석이 달린 이미지로 구성된 커스텀 데이터셋이 필요합니다.

학습 중에는 배치 크기(한 번에 처리되는 이미지 수), 학습률(모델이 학습 내용을 업데이트하는 속도), 에포크(모델이 데이터셋을 순회하는 횟수)와 같은 설정을 조정하여 정확도를 향상할 수 있습니다. 이를 통해 특정 요구 사항에 맞춘 포즈 추정 모델을 훨씬 쉽게 구축할 수 있습니다.

포즈 추정의 실제 활용 사례#

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

물리치료에 포즈 추정 사용하기#

포즈 추정은 헬스케어 산업, 특히 물리치료 분야에서 점차 신뢰할 수 있는 도구가 되고 있습니다. AI와 컴퓨터 비전을 사용하면 이러한 시스템이 실시간으로 자세와 움직임을 추적하고 물리치료사가 제공하는 것과 유사한 피드백을 제공할 수 있습니다.

예를 들어 무릎 수술 후 회복 중인 환자는 포즈 추정 시스템을 사용하여 재활 운동을 올바르게 수행하고 있는지 확인할 수 있습니다. 시스템은 잘못된 움직임을 포착하고 개선을 위한 제안을 제공하여 환자가 계획을 따르고 부상을 방지하도록 지원합니다.

그림 3. 물리치료에 Ultralytics YOLO11을 사용하는 예시입니다.

재활을 넘어 포즈 추정은 피트니스 앱에도 활용되고 있습니다. 예를 들어 집에서 운동하는 사람은 앱을 사용하여 운동 중 자세를 확인할 수 있습니다. 앱은 스쿼트 각도를 조정하거나 데드리프트 중 등을 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 쉽게 이용할 수 있도록 했습니다. 과거에는 사람의 신체에 마커를 부착하고 특수 카메라로 이를 추적해야 했기 때문에 모션 캡처가 까다롭고 비용이 많이 들 수 있었습니다.

이제 AI와 컴퓨터 비전의 발전으로 일반 카메라와 알고리즘을 사용하여 마커 없이도 신체 움직임을 추적할 수 있습니다. 따라서 실시간 환경에서도 프로세스를 더욱 효율적이고 정확하게 수행할 수 있습니다.

대표적인 예로 Disney의 AR(증강 현실) Poser를 들 수 있습니다. 이 재미있는 도구를 사용하면 휴대폰으로 사진을 찍고 디지털 캐릭터가 증강 현실에서 사용자의 포즈를 따라 하도록 만들 수 있습니다. 사진 속 사용자의 포즈를 분석하여 3D 캐릭터에 매칭함으로써 재미있고 개인화된 AR 셀카를 생성합니다.

그림 4. 포즈 추정을 사용하여 사람의 포즈를 따라 하는 AR 캐릭터입니다.

동물 포즈 추정으로 수행하는 사회적 행동 연구#

동물 행동을 연구하면 과학자들이 동물이 소통하고, 짝을 찾고, 새끼를 돌보고, 무리를 지어 살아가는 방식을 이해하는 데 도움이 됩니다. 이러한 지식은 야생동물을 보호하고 자연 세계를 더욱 깊이 이해하는 데 매우 중요합니다.

포즈 추정은 동물에 센서나 태그를 부착하지 않고 이미지와 동영상을 사용하여 동물의 움직임과 자세를 추적함으로써 이 과정을 간소화합니다. 이러한 시스템은 동물의 포즈를 자동으로 모니터링하여 털 손질, 놀이, 싸움과 같은 행동에 대한 인사이트를 제공할 수 있습니다.

흥미로운 사례로 과학자들이 포즈 추정을 사용하여 유인원의 행동을 연구하는 경우가 있습니다. 실제로 연구자들은 6종의 유인원에서 수집한 71,000개 이상의 라벨링된 이미지가 포함된 OpenApePose와 같은 데이터셋을 구축했습니다.

그림 5. 유인원 포즈 추정입니다.

포즈 추정의 장단점#

포즈 추정은 다양한 산업에 다음과 같은 주요 이점을 제공할 수 있습니다.

• 확장성: 포즈 추정 시스템은 스마트폰부터 고급 카메라 구성까지 다양한 디바이스에 배포할 수 있으므로, 다양한 활용 사례와 환경에서 높은 확장성과 접근성을 제공합니다.
• 비용 효율성: 포즈 추정은 일반 카메라를 사용하며 고가의 센서나 태그가 필요하지 않으므로, 연구 및 상업적 애플리케이션에서 움직임을 추적하는 더욱 비용 효율적인 솔루션이 될 수 있습니다.
• 지속적인 모니터링: 포즈 추정 시스템은 지속적인 실시간 추적을 제공하여 재활 중인 환자의 경과나 야생 동물의 행동 추적 등 시간에 따른 변화를 모니터링할 수 있도록 합니다.

다양한 분야에서 포즈 추정의 장점은 분명하지만, 고려해야 할 몇 가지 과제도 있습니다. 다음은 염두에 두어야 할 주요 한계입니다.

• 제한적인 일반화: 사람 데이터셋으로 학습된 많은 모델은 특정 데이터셋으로 재학습하지 않으면 동물이나 일반적이지 않은 신체 구조에 잘 일반화되지 않습니다.

• 환경적 한계: 조명이 좋지 않거나 빠른 움직임으로 모션 블러가 발생하거나 배경이 복잡한 경우 성능이 저하될 수 있습니다.

• 가림 현상에 대한 높은 민감도: 신체 부위가 가려지거나 프레임 밖에 있을 때, 특히 사람이 많은 장면이나 다중 인물 추적에서 정확도가 떨어질 수 있습니다.

핵심 요점#

포즈 추정은 초기의 마커 기반 시스템에서 Ultralytics YOLO11과 같은 딥러닝 모델로 구동되는 영향력 있는 도구로 발전하며 긴 여정을 거쳐 왔습니다. 물리치료를 개선하거나, 상호작용형 AR 경험을 구현하거나, 야생동물 연구를 지원하는 등 포즈 추정은 기계가 움직임과 자세를 이해하는 방식을 바꾸고 있습니다. 기술이 계속 발전함에 따라 이러한 한계를 해결하는 것이 더욱 실용적인 활용 사례를 열고, 기계가 우리와 다른 생명체의 움직임을 더 잘 이해하도록 하는 핵심이 될 것입니다.

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.