Pixelabs는 Ultralytics YOLO 모델을 Pixelabs AI-Engine에 통합하여 시각적 워크플로를 자동화할 수 있었습니다. 예를 들어, 초기 알츠하이머병 진단을 위한 망막 영상 분석에서 지표 식별의 일관성이 향상되었으며, 재현율이 최대 95%에 도달했습니다.
오늘날에도 많은 산업, 운영 및 연구 워크플로에서는 프로세스를 확인하거나 패턴을 찾기 위해 사람이 이미지를 수동으로 검토합니다. 데이터가 증가하면 이러한 작업은 빠르게 느려지고 일관성이 떨어지며 확장하기 어려워집니다.
이는 초기 알츠하이머병 진단을 위한 망막 영상 분석과 같은 연구 환경에서 특히 두드러집니다. 이미지에서 작은 지표를 식별하는 작업은 어렵고 시간이 많이 소요될 수 있습니다.
Pixelabs는 실시간 이미지 및 동영상 분석을 위해 설계된 시각 AI 플랫폼인 Pixelabs AI-Engine으로 이러한 문제를 해결합니다. 컴퓨터 비전 모델과 Ultralytics YOLO 모델을 활용하는 이 플랫폼은 시각적 워크플로를 더욱 쉽게 자동화하고, 일관성을 높이며, 분석을 확장할 수 있도록 지원합니다.
컴퓨터 비전을 적용하여 실제 워크플로 자동화#
Pixelabs는 기업이 컴퓨터 비전을 사용하여 기존 프로세스를 자동화하고 개선할 수 있도록 지원하는 시각 AI 솔루션을 개발합니다. 마드리드에 본사를 두고 바르셀로나와 영국에 사무실을 운영하는 이 회사는 다양한 산업에 적용할 수 있는 실용적인 AI 도구 구축에 주력합니다.
특히 Pixelabs AI-Engine 플랫폼은 객체 감지, 결함 식별, 표면 분석 및 광학 문자 인식(OCR)과 같은 작업을 위한 실시간 이미지 및 동영상 분석을 지원합니다. 이러한 기능을 통해 사용자는 시각 데이터를 더욱 효율적으로 처리하고 수동 검토에 대한 의존도를 낮출 수 있습니다.
이 플랫폼은 기존 시스템에 통합되도록 설계되어 운영을 중단하지 않고도 조직이 컴퓨터 비전을 더 쉽게 도입할 수 있습니다. 이러한 유연성 덕분에 Pixelabs는 다양한 사용 사례를 지원하고 요구 사항이 증가함에 따라 솔루션을 확장할 수 있습니다.
컴퓨터 비전 통합 및 확장의 과제#
많은 산업에서 일상적인 운영은 여전히 수동 워크플로와 제한적인 자동화에 의존합니다. 운영자, 엔지니어 및 연구자는 여러 도구에서 이미지를 직접 검토하고 결과를 검증하며 데이터를 관리하는 경우가 많습니다.
이로 인해 프로세스가 느려지고 표준화가 어려워지며 일관성이 저하되기 쉽습니다. 특히 데이터의 양이 증가할수록 이러한 문제가 심해집니다. 조직이 컴퓨터 비전 도입을 고려하더라도 전환이 항상 간단한 것은 아닙니다.
AI를 기존 시스템에 통합하려면 기존 워크플로를 변경하거나 새로운 인프라를 구축하거나 추가적인 엔지니어링 작업을 수행해야 할 수 있습니다. 이러한 이유로 많은 솔루션은 시간이 지나면서 확장하거나 유지 관리하기 어렵습니다.
예를 들어 초기 알츠하이머병 진단을 위한 망막 영상 분석과 같은 연구 환경에서는 이러한 과제가 더욱 복잡해집니다. 연구자는 매우 작은 특징을 감지하고, 대규모 이미지 데이터셋을 관리하며, 다양한 조건에서 결과의 일관성을 유지해야 합니다.
그림 1. 마우스 눈의 망막 영상 촬영 예시 이미지입니다.
분석, 데이터 관리 및 결과를 처리할 간소화된 방법이 없으면 이러한 워크플로를 확장하고 신뢰할 수 있는 결과를 유지하기가 어려워집니다.
Ultralytics YOLO 모델을 활용한 망막 이미지 분석 자동화#
Pixelabs는 Pixelabs AI-Engine에 Ultralytics YOLO 모델을 통합하여 이러한 과제를 해결했습니다. 이 플랫폼은 시각 AI 솔루션의 핵심 역할을 하며, 기존 워크플로를 중단하지 않고 다양한 애플리케이션에서 실시간 이미지 및 동영상 분석을 더욱 원활하게 실행할 수 있도록 지원합니다.
이 플랫폼은 객체 및 결함 감지, 표면 및 텍스처 분석, 색상 관리, OCR을 비롯한 다양한 작업을 지원합니다. 하드웨어에 구애받지 않고 API를 통한 통합을 지원하도록 설계되었기 때문에 여러 환경에 배포하고 확장할 수 있습니다.
이 접근 방식은 최근 CIBIR 알츠하이머병 연구팀과의 협업에 적용되었습니다. Pixelabs는 망막 영상을 사용하여 생쥐의 알츠하이머병을 조기에 감지할 수 있도록 지원하는 시스템을 개발했습니다. 목표는 아밀로이드 베타 침착물과 같이 질병의 초기 단계를 나타낼 수 있는 작은 지표를 식별하는 것이었습니다.
이를 위해 Pixelabs는 데이터 스토리지, 이미지 처리 및 사용자 인터페이스를 연결하는 워크플로를 구축했습니다. 실험실 전용 안저 영상 장치를 사용하여 촬영한 망막 이미지는 먼저 보안 파일 전송 프로토콜(SFTP)을 통해 전송되어 중앙 시스템에 저장됩니다. 이를 통해 대규모 데이터셋을 더욱 쉽게 관리하고 액세스할 수 있습니다.
일관된 결과를 보장하기 위해 이후 이미지 품질과 조명의 차이를 처리하는 전처리 단계가 적용됩니다. 이를 통해 시스템은 다양한 샘플과 조건에서 정확도를 유지할 수 있습니다.
그런 다음 사용자 지정 학습된 Ultralytics YOLOv8 모델을 포함한 비전 AI 모델을 사용하여 이미지를 분석합니다. 성능과 정확도의 균형을 맞추기 위해 YOLOv8의 중형 및 대형 변형 모델이 사용됩니다.
이 파이프라인에서 Ultralytics YOLO 모델은 객체 감지 및 이미지 분류에 사용되어 망막 이미지 내에서 아밀로이드 베타 침착물과 같은 작은 관심 영역을 직접 식별하고 위치를 특정합니다.
그림 2. Ultralytics YOLOv8과 같은 컴퓨터 비전 모델은 아밀로이드 베타 침착물을 감지하는 데 도움을 줄 수 있습니다.
마지막으로 결과는 웹 기반 플랫폼을 통해 제공됩니다. 사용자는 이 플랫폼에 이미지를 업로드하고 연령, 성별 또는 표현형과 같은 속성으로 데이터를 필터링하며, 신뢰도 점수와 함께 감지된 특징을 확인할 수 있습니다. 이를 통해 원시 이미지 데이터에서 명확하고 활용 가능한 인사이트로 더욱 쉽게 전환할 수 있습니다.
Ultralytics YOLO 모델을 선택한 이유#
Pixelabs에 Ultralytics YOLO 모델은 다양한 사용 사례에 맞게 신속하게 조정할 수 있는 컴퓨터 비전 솔루션을 구축하기 위한 실용적이고 유연한 기반을 제공하는 최적의 선택이었습니다. 학습과 개선이 쉬워 팀이 더 빠르게 반복 작업을 수행하고 시스템을 재설계하지 않고도 새로운 요구 사항에 대응할 수 있었습니다.
이러한 유연성은 개발 속도에 직접적인 영향을 미쳤습니다. Pixelabs는 YOLO를 활용하여 개발 주기를 단축하고 솔루션을 더 빠르게 프로덕션에 배포할 수 있었으며, 새로운 애플리케이션의 출시 기간을 줄였습니다. 동시에 모델은 더욱 정확하고 일관된 결과를 제공했습니다.
효율성을 개선하면서 최대 95%의 재현율 달성#
Ultralytics YOLO 모델을 Pixelabs AI-Engine에 통합한 결과 분석 성능이 크게 향상되었습니다. 알츠하이머병 연구 사용 사례에서 시스템은 약 90%의 재현율을 달성했으며, 질병이 진행되고 지표가 더욱 뚜렷해짐에 따라 최대 95%까지 향상되었습니다.
이를 통해 연구자는 대규모 이미지 데이터셋에서 아밀로이드 베타 침착물과 같은 작은 특징을 더욱 안정적으로 감지할 수 있었습니다. 그 결과 분석의 일관성이 향상되고 변동성이 줄어들었으며, 중요한 지표가 누락되지 않도록 지원할 수 있었습니다.
이 사용 사례 외에도 Pixelabs는 다양한 애플리케이션에서 솔루션을 사용하는 고객으로부터 지속적으로 긍정적인 피드백을 받고 있습니다. 사용자들은 특히 효율성과 신뢰성 측면에서 프로세스 수행 방식이 개선되었다고 평가합니다.
영향은 구체적인 사용 사례에 따라 달라지며, 이는 플랫폼의 유연성과 다양한 운영 요구 사항에 맞게 조정할 수 있는 능력을 보여줍니다. 전반적으로 이러한 개선을 통해 시각 데이터를 대규모로 관리하고 분석하기가 더욱 쉬워졌으며, 더욱 신뢰할 수 있는 결과와 효율적인 워크플로를 지원할 수 있게 되었습니다.
산업 전반에서 시각 AI 발전#
Pixelabs는 새로운 사용 사례와 산업 전반에 걸쳐 시각 AI 플랫폼의 기능을 계속 확장하고 있습니다. 알츠하이머병 감지와 같은 연구 애플리케이션에서 쌓은 경험을 바탕으로, 팀은 모델을 개선하고 Ultralytics YOLO 모델과 같은 기술을 활용하여 시각 분석을 발전시키는 데 주력하고 있습니다.
Pixelabs는 기술을 지속적으로 개선하여 조직이 프로세스를 더욱 효과적으로 자동화하고 더 다양한 실제 워크플로에 컴퓨터 비전을 적용할 수 있도록 지원하고자 합니다.
회사 워크플로를 간소화하는 데 관심이 있으신가요? GitHub 저장소를 확인하여 Vision AI에 대해 자세히 알아보세요. YOLO 모델이 헬스케어 분야의 AI 및 리테일 분야의 컴퓨터 비전과 같은 영역에서 어떻게 혁신을 이끌고 있는지 살펴보세요. YOLO를 직접 활용해 보려면 당사의 라이선스 옵션이 프로젝트를 어떻게 지원할 수 있는지 확인해 보세요.
