YOLO12 설명: 실제 애플리케이션 및 사용 사례

컴퓨터 비전은 머신이 이미지와 동영상을 이해하도록 돕는 인공지능(AI)의 한 분야입니다. AI 연구자와 개발자가 끊임없이 한계를 넓혀 가고 있기 때문에 빠른 속도로 발전하는 분야입니다. AI 커뮤니티는 항상 더 빠르고 스마트하며 효율적인 모델을 만들기 위해 노력하고 있습니다. 최신 혁신 중 하나는 2025년 2월 18일에 출시된 YOLO (한 번만 보면 됩니다) 모델 시리즈의 최신 버전인 YOLO12입니다.

YOLO12는 University at Buffalo, SUNY (뉴욕 주립대학교)와 University of Chinese Academy of Sciences의 연구자들이 개발했습니다. 독창적인 새로운 접근 방식을 적용한 YOLO12는 attention mechanism을 도입하여 모델이 모든 부분을 동일하게 처리하는 대신 이미지에서 가장 중요한 부분에 집중할 수 있도록 합니다.

또한 메모리 사용량을 줄이면서 처리를 가속하는 기법인 FlashAttention과 사람이 자연스럽게 중심 객체에 집중하는 방식을 모방하도록 설계된 area attention mechanism을 제공합니다.

이러한 개선을 통해 YOLO12n은 YOLOv10n보다 2.1% 더 정확하고, YOLO12m은 YOLO11m보다 1.0% 더 정확합니다. 그러나 그에 따른 tradeoff도 있습니다. YOLO12n은 YOLOv10n보다 9% 느리고, YOLO12m은 YOLO11m보다 3% 느립니다.

그림 1. YOLO12를 사용하여 객체를 탐지하는 예시입니다.

이 글에서는 YOLO12를 차별화하는 요소와 이전 버전과의 비교 결과, 그리고 적용 가능한 분야를 살펴봅니다.

YOLO12 출시까지의 과정#

YOLO 모델 시리즈는 실시간 객체 탐지를 위해 설계된 컴퓨터 비전 모델 모음으로, 이미지와 동영상에서 객체를 빠르게 식별하고 위치를 파악할 수 있습니다. 시간이 지나면서 각 버전은 속도, 정확도, 효율성 측면에서 개선되었습니다.

예를 들어 2020년에 출시된 Ultralytics YOLOv5는 빠르고 custom-train 및 배포가 쉬워 널리 사용되었습니다. 이후 Ultralytics YOLOv8은 instance segmentation 및 객체 추적과 같은 컴퓨터 비전 작업을 추가로 지원하여 이를 한 단계 발전시켰습니다.

보다 최근에 출시된 Ultralytics YOLO11은 속도와 정확도의 균형을 유지하면서 실시간 처리를 개선하는 데 중점을 두었습니다. 예를 들어 YOLO11m은 YOLOv8m보다 파라미터가 22% 적었지만, 객체 탐지 모델 평가에 널리 사용되는 벤치마크인 COCO 데이터셋에서 더 뛰어난 탐지 성능을 보여 주었습니다.

이러한 발전을 기반으로 YOLO12는 시각 정보를 처리하는 방식에 변화를 도입했습니다. 이미지의 모든 부분을 동일하게 처리하는 대신 가장 관련성이 높은 영역에 우선순위를 두어 탐지 정확도를 향상합니다. 간단히 말해 YOLO12는 이전의 개선 사항을 기반으로 더욱 정밀한 성능을 목표로 합니다.

YOLO12의 주요 기능#

YOLO12는 실시간 처리 속도를 유지하면서 컴퓨터 비전 작업을 향상하는 여러 개선 사항을 도입했습니다. 다음은 YOLO12의 주요 기능에 대한 개요입니다.

• Attention 중심 아키텍처: 이미지의 모든 부분을 동일하게 처리하는 대신 YOLO12는 가장 중요한 영역에 집중합니다. 이를 통해 정확도를 높이고 불필요한 처리를 줄여 복잡한 이미지에서도 더 선명하고 효율적인 탐지가 가능합니다.
• FlashAttention: YOLO12는 메모리 사용량을 줄이면서 이미지 분석 속도를 높입니다. FlashAttention(메모리 효율적인 알고리즘)을 사용하여 데이터 처리를 최적화하고 하드웨어 부담을 줄여 실시간 작업을 더 원활하고 안정적으로 수행합니다.
• Residual Efficient Layer Aggregation Networks (R-ELAN): YOLO12는 R-ELAN을 사용하여 레이어를 더욱 효율적으로 구성하고, 이를 통해 모델의 데이터 처리 및 학습 방식을 개선합니다. 그 결과 학습이 더 안정적이고 객체 인식이 더 정확해지며 컴퓨팅 요구 사항이 낮아져 다양한 환경에서 효율적으로 실행됩니다.

이러한 기능이 실제 환경에서 어떻게 작동하는지 이해하려면 쇼핑몰을 예로 들 수 있습니다. YOLO12는 쇼핑객을 추적하고 화분이나 홍보 표지판과 같은 매장 장식을 식별하며, 잘못 배치되거나 방치된 물품을 발견하는 데 도움을 줄 수 있습니다.

Attention 중심 아키텍처는 가장 중요한 세부 정보에 집중하도록 지원하고, FlashAttention은 시스템에 과부하를 주지 않으면서 모든 정보를 빠르게 처리하도록 합니다. 이를 통해 쇼핑몰 운영자는 보안을 강화하고 매장 배치를 정리하며 전반적인 쇼핑 경험을 개선할 수 있습니다.

그림 2. YOLO12를 사용한 쇼핑몰 내 객체 탐지입니다.

그러나 YOLO12에는 고려해야 할 몇 가지 제한 사항도 있습니다.

• 느린 학습 시간: YOLO12는 아키텍처로 인해 Ultralytics YOLO11보다 더 많은 학습 시간이 필요합니다.
• Export 관련 문제: 일부 사용자는 YOLO12 모델을 export할 때, 특히 특정 배포 환경에 통합하는 과정에서 어려움을 겪을 수 있습니다.

YOLO12 성능 벤치마크 이해하기#

YOLO12는 다양한 요구 사항에 맞게 최적화된 여러 변형 모델로 제공됩니다. 더 작은 버전(nano 및 small)은 속도와 효율성을 우선시하므로 모바일 장치와 edge computing에 적합합니다. medium 및 large 버전은 속도와 정확도의 균형을 이루며, YOLO12x(extra large)는 산업 자동화, 의료 영상, 고급 감시 시스템과 같은 고정밀 애플리케이션을 위해 설계되었습니다.

이러한 변형 모델을 통해 YOLO12는 모델 크기에 따라 서로 다른 수준의 성능을 제공합니다. 벤치마크 테스트에 따르면 특정 YOLO12 변형 모델은 정확도에서 YOLOv10 및 Ultralytics YOLO11을 능가하며 더 높은 평균 정밀도(mAP)를 달성합니다.

그러나 YOLO12m, YOLO12l, YOLO12x와 같은 일부 모델은 YOLO11보다 이미지를 느리게 처리하여 탐지 정확도와 속도 사이의 trade-off를 보여 줍니다. 그럼에도 YOLO12는 다른 많은 모델보다 적은 파라미터를 필요로 하므로 효율적이지만, YOLO11보다는 더 많은 파라미터를 사용합니다. 따라서 순수한 속도보다 정확도가 중요한 애플리케이션에 적합합니다.

그림 3. Ultralytics YOLO11과 YOLO12 비교입니다.

Ultralytics Python 패키지를 통한 YOLO12 사용#

YOLO12는 Ultralytics Python 패키지에서 지원되며 사용하기 쉬워 초보자와 전문가 모두 이용할 수 있습니다. 몇 줄의 코드만으로 사전 학습된 모델을 로드하고 이미지와 동영상에서 다양한 컴퓨터 비전 작업을 실행할 수 있으며, custom dataset으로 YOLO12를 학습할 수도 있습니다. Ultralytics Python 패키지는 복잡한 설정 단계가 필요하지 않도록 프로세스를 간소화합니다.

예를 들어 객체 탐지에 YOLO12 사용을 위해 다음 단계를 수행합니다.

• Ultralytics 패키지 설치: 먼저 YOLO12를 효율적으로 실행하는 데 필요한 도구를 제공하는 Ultralytics Python 패키지를 설치합니다. 이를 통해 모든 dependency가 올바르게 설정됩니다.
• 사전 학습된 YOLO12 모델 로드: 작업에 필요한 정확도와 속도 수준에 따라 적절한 YOLO12 변형 모델(nano, small, medium, large 또는 extra large)을 선택합니다.
• 이미지 또는 동영상 제공: 분석할 이미지 또는 동영상 파일을 입력합니다. YOLO12는 실시간 탐지를 위해 live video feed도 처리할 수 있습니다.
• 탐지 프로세스 실행: 모델이 시각 데이터를 스캔하고 객체를 식별한 뒤 객체 주위에 bounding box를 배치합니다. 탐지된 각 객체에 예측 class와 confidence score를 표시합니다.
• 탐지 설정 조정: confidence threshold와 같은 파라미터를 수정하여 탐지 정확도와 성능을 미세 조정할 수도 있습니다.
• 출력 저장 또는 사용: 이제 탐지된 객체가 포함된 처리된 이미지 또는 동영상은 저장하거나 추가 분석, 자동화 또는 의사 결정을 위해 애플리케이션에 통합할 수 있습니다.

이러한 단계 덕분에 YOLO12는 감시 및 소매 추적부터 의료 영상과 자율주행 차량에 이르기까지 다양한 애플리케이션에서 쉽게 사용할 수 있습니다.

YOLO12의 실제 애플리케이션#

YOLO12는 객체 탐지, instance segmentation, 이미지 분류, pose estimation, oriented object detection (OBB)을 지원하므로 다양한 실제 애플리케이션에서 사용할 수 있습니다.

그림 4. YOLO12는 객체 탐지 및 instance segmentation과 같은 작업을 지원합니다.

그러나 앞서 설명했듯이 YOLO12 모델은 속도보다 정확도를 우선시하므로 이전 버전보다 이미지를 처리하는 데 약간 더 오래 걸립니다. 이러한 tradeoff로 인해 YOLO12는 실시간 속도보다 정밀도가 중요한 다음과 같은 애플리케이션에 적합합니다.

• 의료 영상: YOLO12는 X선 및 MRI에서 종양이나 이상 징후를 높은 정확도로 탐지하도록 custom-train할 수 있으므로, 진단을 위해 정밀한 이미지 분석이 필요한 의사와 영상의학 전문의에게 유용한 도구가 될 수 있습니다.
• 제조 품질 관리: 생산 과정에서 제품 결함을 식별하여 고품질 제품만 시장에 출시되도록 지원하는 동시에 폐기물을 줄이고 효율성을 높일 수 있습니다.
• 법과학 분석: 법 집행 기관은 감시 영상을 분석하고 증거를 수집하도록 YOLO12를 fine-tune할 수 있습니다. 형사 수사에서는 핵심 세부 정보를 식별하기 위해 정밀도가 필수적입니다.
• 정밀 농업: 농부는 YOLO12를 사용하여 작물 상태를 분석하고 질병이나 해충 발생을 탐지하며 토양 상태를 모니터링할 수 있습니다. 정확한 평가를 통해 농업 전략을 최적화하고 수확량과 자원 관리를 개선할 수 있습니다.

YOLO12 시작하기#

YOLO12를 실행하기 전에 시스템이 필요한 요구 사항을 충족하는지 확인하는 것이 중요합니다.

기술적으로 YOLO12는 전용 GPU (그래픽 처리 장치)에서 실행할 수 있습니다. 기본적으로 FlashAttention이 필요하지 않으므로 대부분의 GPU 시스템에서 FlashAttention 없이도 작동합니다. 그러나 대규모 데이터셋이나 고해상도 이미지로 작업할 때 FlashAttention을 활성화하면 속도 저하를 방지하고 메모리 사용량을 줄이며 처리 효율성을 높이는 데 특히 유용합니다.

FlashAttention을 사용하려면 다음 시리즈 중 하나에 해당하는 NVIDIA GPU가 필요합니다. Turing(T4, Quadro RTX), Ampere(RTX 30 시리즈, A30, A40, A100), Ada Lovelace(RTX 40 시리즈) 또는 Hopper(H100, H200)입니다.

사용성과 접근성을 고려하여 Ultralytics Python 패키지는 아직 FlashAttention 추론을 지원하지 않습니다. FlashAttention의 설치 과정이 기술적으로 상당히 복잡할 수 있기 때문입니다. YOLO12를 시작하고 성능을 최적화하는 방법에 대한 자세한 내용은 공식 Ultralytics 문서를 참조하세요.

핵심 요점#

컴퓨터 비전이 발전하면서 모델은 더욱 정밀하고 효율적으로 변하고 있습니다. YOLO12는 attention 중심 처리와 FlashAttention을 통해 객체 탐지, instance segmentation, 이미지 분류와 같은 컴퓨터 비전 작업을 개선하고, 메모리 사용을 최적화하면서 정확도를 높입니다.

동시에 컴퓨터 비전은 그 어느 때보다 쉽게 이용할 수 있게 되었습니다. YOLO12는 Ultralytics Python 패키지를 통해 쉽게 사용할 수 있으며 속도보다 정확도에 중점을 두므로 의료 영상, 산업 검사, 로보틱스와 같이 정밀도가 핵심인 애플리케이션에 적합합니다.

AI에 관심이 있으신가요? GitHub 저장소를 방문하고 커뮤니티에 참여해 보세요. 솔루션 페이지에서 자율주행 차량의 AI 및 농업의 컴퓨터 비전과 같은 분야의 혁신을 살펴보세요. 라이선스 옵션을 확인하고 비전 AI 프로젝트를 실현해 보세요. 🚀