포즈 추정의 작동 방식과 실제 적용 사례, 그리고 Ultralytics YOLO11 같은 모델을 통해 기계가 신체 움직임과 자세를 해석하는 방법을 알아보세요.
구부정하거나 어깨를 뒤로 젖힌 채 서 있는 사람을 보면 자세가 좋지 않은지 자신감이 없는지 바로 알 수 있습니다. 굳이 설명할 필요가 없습니다. 시간이 지남에 따라 우리는 자연스럽게 보디랭귀지를 해석하는 법을 배웠기 때문입니다.
인간의 두뇌는 경험과 관찰을 통해 사람을 포함한 다양한 물체의 자세를 인식하는 데 매우 능숙해졌습니다. 최근 인공지능(AI)과 컴퓨터 비전(컴퓨터가 세상의 시각 정보를 해석하는 분야)의 발전으로 이제 기계도 이러한 능력을 학습하고 복제하기 시작했습니다.
포즈 추정은 이미지나 동영상을 보고 사람이나 물체의 위치와 방향을 파악하는 컴퓨터 비전 작업입니다. 이 작업은 관절이나 팔다리와 같은 신체의 주요 지점을 식별하여 사람이나 사물이 어떻게 움직이는지 이해하는 방식으로 이루어집니다.
이 기술은 피트니스, 헬스케어, 애니메이션 등 다양한 분야에서 널리 사용되고 있습니다. 예를 들어, 직장 환경에서는 직원의 자세를 모니터링하고 안전 및 웰빙 이니셔티브를 지원하는 데 사용할 수 있습니다. 다음과 같은 컴퓨터 비전 모델 Ultralytics YOLO11 와 같은 컴퓨터 비전 모델은 사람의 포즈를 실시간으로 추정하여 이를 가능하게 합니다.
이 글에서는 포즈 추정과 그 작동 방식에 대해 자세히 살펴보고, 실제 사용 사례와 함께 포즈 추정이 어떤 차이를 만들어내는지 살펴봅니다. 시작해 보겠습니다!
포즈 추정에 대한 연구는 1960년대 후반과 70년대에 시작되었습니다. 수년에 걸쳐 이 컴퓨터 비전 작업에 대한 접근 방식은 기본적인 수학과 기하학에서 인공 지능이 주도하는 고급 방법으로 변화해 왔습니다.
초기에는 고정된 카메라 각도와 알려진 기준점에 의존하는 기술이 사용되었습니다. 이후에는 3D 모델과 특징 매칭을 포함하도록 발전했습니다. 오늘날 YOLO11 같은 딥러닝 모델은 이미지나 비디오에서 실시간으로 신체 위치를 감지할 수 있어 그 어느 때보다 빠르고 정확하게 포즈를 추정할 수 있습니다.
기술이 발전함에 따라 연구자들은 다양한 물체, 특히 사람과 동물의 포즈를 모니터링하고 추적할 수 있는 잠재적인 응용 분야를 발견했습니다. 특히 포즈 추정은 AI 도구가 이전에는 불가능했던 방식으로 자세와 움직임을 이해하고 측정할 수 있게 해주므로 매우 중요합니다.
예를 들어, 컴퓨터가 제스처를 인식하여 핸즈프리로 상호 작용하고, 운동선수의 움직임을 분석하여 경기력을 향상시키고, 비디오 게임에서 사실적인 애니메이션을 구현하고, 환자의 회복 과정을 추적하여 의료 서비스를 지원할 수 있습니다.
포즈 추정은 객체 감지 및 인스턴스 분할과 같은 다른 컴퓨터 비전 작업과는 다릅니다. 이러한 작업은 주로 이미지 내에서 객체를 식별하고 위치를 찾는 데 중점을 둡니다.
예를 들어 객체 감지는 사람, 차량 또는 동물과 같은 객체 주위에 경계 상자를 그려 객체의 존재와 위치를 표시합니다. 인스턴스 분할은 픽셀 수준에서 각 객체의 정확한 모양을 윤곽을 그려서 한 단계 더 발전시킵니다.
그러나 이 두 가지 방법 모두 주로 물체가 무엇인지, 어디에 있는지에만 관심이 있을 뿐, 물체의 위치나 물체가 무엇을 하고 있는지에 대한 정보는 제공하지 않습니다. 바로 이 점이 포즈 추정이 중요한 이유입니다.
팔꿈치, 무릎, 꼬리 등 신체의 주요 지점을 식별하여 자세와 움직임을 해석하는 포즈 추정 기능을 사용할 수 있습니다. 이를 통해 3D 공간에서의 동작을 포함한 동작, 제스처, 신체 역학에 대해 더 깊이 이해할 수 있습니다.
포즈 추정 모델은 일반적으로 상향식과 하향식의 두 가지 주요 접근 방식을 따릅니다. 상향식 접근 방식에서는 모델이 먼저 팔꿈치, 무릎 또는 어깨와 같은 개별 키 포인트를 감지한 다음 이를 그룹화하여 어떤 사람이나 물체에 속하는지 파악합니다. 반대로 하향식 접근 방식은 이미지 속 사람 등 각 객체를 먼저 감지한 다음 특정 객체의 키 포인트를 찾는 것으로 시작합니다.
YOLO11 같은 일부 최신 모델에서는 두 가지 접근 방식의 장점을 혼합합니다. 수동 그룹화 단계를 생략하여 상향식 방법의 효율성을 유지하면서, 사람을 감지하고 포즈를 한 번에 추정함으로써 하향식 시스템의 정밀도를 활용하여 간소화된 단일 프로세스를 구현합니다.
포즈 추정 모델이 어떻게 작동하는지 살펴보면서 이 모델이 실제로 어떻게 다양한 물체의 포즈를 추정하는 방법을 학습할 수 있는지 궁금할 것입니다. 바로 여기에서 맞춤형 학습이라는 아이디어가 등장합니다.
사용자 지정 학습이란 자체 데이터를 사용하여 특정 핵심 사항을 인식하도록 모델을 가르치는 것을 의미합니다. 처음부터 모델을 구축하려면 많은 양의 레이블이 지정된 이미지와 상당한 시간이 필요하기 때문에 많은 사람들이 전이 학습을 선택합니다. 여기에는 COCO-Pose 데이터 세트에 대해 사전 학습된 YOLO11 포즈 추정 모델과 같이 이미 대규모 데이터 세트에서 학습된 모델로 시작한 다음 특정 작업이나 사용 사례에 맞게 자체 데이터로 미세 조정하는 것이 포함됩니다.
요가 포즈로 작업한다고 가정해 보겠습니다. 각 포즈에 해당 활동과 관련된 핵심 포인트가 레이블이 지정된 이미지를 사용하여 YOLO11 미세 조정할 수 있습니다. 이렇게 하려면 모델이 학습할 수 있는 주석이 달린 이미지의 사용자 지정 데이터 세트가 필요합니다.
학습 중에 배치 크기(한 번에 처리하는 이미지 수), 학습 속도(모델이 학습을 업데이트하는 속도), 에포크(모델이 데이터 집합을 순환하는 횟수) 등의 설정을 조정하여 정확도를 높일 수 있습니다. 이를 통해 특정 요구 사항에 맞는 포즈 추정 모델을 훨씬 쉽게 구축할 수 있습니다.
이제 포즈 추정의 정의와 작동 방식에 대해 설명했으니 실제 사용 사례를 자세히 살펴보겠습니다.
자세 추정은 의료 산업, 특히 물리 치료 분야에서 점차 신뢰할 수 있는 도구로 자리 잡고 있습니다. 이러한 시스템은 AI와 컴퓨터 비전을 사용하여 실시간으로 자세와 움직임을 추적하고 물리치료사가 제공하는 것과 유사한 피드백을 제공할 수 있습니다.
예를 들어, 무릎 수술 후 회복 중인 환자는 자세 추정 시스템을 사용하여 재활 운동을 올바르게 하고 있는지 확인할 수 있습니다. 이 시스템은 잘못된 동작을 발견하고 개선할 수 있는 제안을 제공하여 환자가 운동을 계속하고 부상을 방지할 수 있도록 도와줍니다.
재활을 넘어 자세 추정 기능은 피트니스 앱에도 적용되고 있습니다. 예를 들어, 집에서 운동하는 사람은 앱을 사용하여 운동 중 자신의 자세를 확인할 수 있습니다. 앱은 스쿼트 각도를 조정하거나 데드리프트 중 등이 곧게 펴졌는지 확인하는 등 실시간 피드백을 제공할 수 있습니다. 이를 통해 사용자는 트레이너의 도움 없이도 자세를 개선하고 부상을 예방할 수 있습니다.
포즈 추정 기능은 엔터테인먼트에서 모션 캡처가 작동하는 방식을 변화시켜 더 간단하고 쉽게 접근할 수 있게 했습니다. 과거에는 모션 캡처를 하려면 사람의 몸에 마커를 붙이고 특수 카메라로 추적해야 했는데, 이는 까다롭고 비용이 많이 들 수 있었습니다.
이제 AI와 컴퓨터 비전의 발전으로 마커 없이도 일반 카메라와 알고리즘을 사용하여 신체 움직임을 추적할 수 있어 실시간으로도 더 효율적이고 정확하게 프로세스를 진행할 수 있습니다.
디즈니의 AR(증강 현실) 포저가 좋은 예입니다. 이 재미있는 도구를 사용하면 휴대폰으로 사진을 찍으면 증강 현실에서 디지털 캐릭터가 내 포즈를 따라하게 할 수 있습니다. 사진 속 포즈를 분석하고 3D 캐릭터와 일치시키는 방식으로 작동하여 재미있고 개인화된 AR 셀카를 만들 수 있습니다.
동물의 행동을 연구하면 과학자들은 동물이 어떻게 의사소통하고, 짝을 찾고, 새끼를 돌보고, 무리지어 사는지 이해하는 데 도움이 됩니다. 이러한 지식은 야생동물을 보호하고 자연 세계를 더 깊이 이해하는 데 필수적입니다.
포즈 추정은 동물에게 센서나 태그를 부착하지 않고도 이미지와 동영상을 사용하여 동물의 움직임과 자세를 추적함으로써 이 과정을 간소화합니다. 이러한 시스템은 동물의 포즈를 자동으로 모니터링하여 그루밍, 놀이, 싸움과 같은 행동에 대한 인사이트를 제공할 수 있습니다.
흥미로운 예로 과학자들이 유인원의 행동을 연구하기 위해 포즈 추정을 사용하는 것을 들 수 있습니다. 실제로 연구자들은 6종의 유인원으로부터 71,000개 이상의 레이블이 지정된 이미지를 포함하는 OpenApePose와 같은 데이터 세트를 수집했습니다.
다음은 포즈 추정이 다양한 산업에 가져올 수 있는 몇 가지 주요 이점입니다:
다양한 분야에서 포즈 추정의 장점은 분명하지만, 고려해야 할 몇 가지 문제점도 있습니다. 다음은 명심해야 할 몇 가지 주요 제한 사항입니다:
포즈 추정은 초창기 마커를 사용하던 시스템에서 YOLO11 같은 딥러닝 모델을 기반으로 하는 영향력 있는 도구로 발전하면서 많은 발전을 거듭해 왔습니다. 물리 치료 개선, 인터랙티브 AR 경험 강화, 야생동물 연구 지원 등 포즈 추정은 기계가 움직임과 자세를 이해하는 방식을 바꾸고 있습니다. 기술이 계속 발전함에 따라 그 한계를 해결하는 것이 더 많은 실용적인 용도를 발굴하고 기계가 인간과 다른 생명체의 움직임을 더 잘 이해하도록 만드는 열쇠가 될 것입니다.
AI에 대해 궁금하신가요? GitHub 리포지토리를 살펴보고, 커뮤니티에 참여하고, 라이선스 옵션을 확인하여 컴퓨터 비전 프로젝트를 시작하세요. 솔루션 페이지에서 소매업의 AI와 물류 업계의 컴퓨터 비전과 같은 혁신에 대해 자세히 알아보세요.
KO
EN
ZH
JA
RU
DE
FR
ES
PT
IT
AR
TR
VI