Backbone

백본은 딥 러닝 아키텍처의 기본적인 특징 추출 구성 요소로, 원시 데이터를 의미 있는 표현으로 변환하는 주요 엔진 역할을 합니다. 컴퓨터 비전에서는 백본이 일반적으로 신경망 내에서 입력 이미지를 처리하여 계층적 패턴을 식별하는 일련의 레이어로 구성됩니다. 이러한 패턴은 에지와 텍스처 같은 단순한 저수준 특징부터 형태와 객체 같은 복잡한 고수준 개념까지 다양합니다. 흔히 특징 맵이라고 하는 백본의 출력은 분류나 검출과 같은 특정 작업을 수행하는 다운스트림 구성 요소의 입력으로 사용됩니다.

백본의 역할#

백본의 주요 기능은 특정 판단이 이루어지기 전에 이미지의 시각적 콘텐츠를 "보고" 이해하는 것입니다. 백본은 픽셀 값을 압축된 고정보량 형식으로 변환하는 범용 번역기 역할을 합니다. 대부분의 최신 백본은 합성곱 신경망(CNN) 또는 비전 트랜스포머(ViT)에 의존하며, ImageNet과 같은 대규모 데이터셋으로 사전 학습되는 경우가 많습니다. 전이 학습의 핵심 요소인 이 사전 학습 과정은 모델이 이전에 학습한 시각적 특징을 활용할 수 있게 하여, 특정 애플리케이션을 위한 새 모델을 학습하는 데 필요한 데이터와 시간을 크게 줄여 줍니다.

예를 들어 Ultralytics YOLO26을 사용할 때 아키텍처에는 다중 스케일 특징을 효율적으로 추출하는 고도로 최적화된 백본이 포함됩니다. 따라서 네트워크의 후속 부분은 기본적인 시각 구조를 처음부터 다시 인식하는 데 신경 쓰지 않고 객체 위치를 찾고 클래스 확률을 할당하는 데만 집중할 수 있습니다.

백본과 넥 및 헤드 비교#

객체 검출 모델의 아키텍처를 완전히 이해하려면 백본을 다른 두 가지 주요 구성 요소인 넥과 헤드와 구분하는 것이 중요합니다.

• 백본: "특징 추출기"입니다. 입력 이미지에서 핵심적인 시각 정보를 분리합니다. 대표적인 예로 잔차 네트워크(ResNet)가 있으며, 이는 Microsoft Research에서 처음 개발되었습니다. CSPNet은 계산 효율성에 최적화된 또 다른 예입니다.
• 넥: "특징 집계기"입니다. 백본과 헤드 사이에 위치하며 서로 다른 스케일의 특징을 정제하고 결합합니다. 이곳에서 사용되는 일반적인 구조로는 특징 피라미드 네트워크(FPN)가 있으며, 다양한 크기의 객체를 검출하는 모델의 성능을 향상합니다.
• 헤드: "예측기"입니다. 검출 헤드는 넥에서 집계된 특징을 처리하여 바운딩 박스와 클래스 레이블 같은 최종 출력을 생성합니다.

실제 적용 사례#

백본은 다양한 산업 및 과학 분야의 AI 애플리케이션을 뒷받침하는 숨은 주역입니다. 시각 데이터를 일반화하는 능력 덕분에 다양한 분야에 적용할 수 있습니다.

1. 의료 진단: 의료 분야에서 백본은 X선, CT 스캔, MRI와 같은 복잡한 의료 영상을 분석합니다. 의료 영상 분석을 수행함으로써 이러한 네트워크는 질병을 나타내는 미세한 이상 징후를 추출할 수 있습니다. 예를 들어 특수 모델은 강력한 백본을 활용한 종양 검출을 통해 사람의 눈으로 놓칠 수 있는 암의 초기 징후를 식별합니다. 북미영상의학회(RSNA)와 같은 기관은 환자 진료를 혁신하기 위해 이러한 딥 러닝 도구의 활용을 지지합니다.

2. 자율 시스템: 자동차 및 로보틱스 산업에서 백본은 차량이나 장비에 탑재된 카메라의 비디오 스트림을 처리하여 주변 환경을 해석합니다. 자동차 분야의 AI는 이러한 강력한 특징 추출기를 활용하여 실시간으로 차선을 검출하고 교통 표지판을 읽으며 보행자를 식별합니다. 신뢰할 수 있는 백본은 시스템이 정적 장애물과 움직이는 차량을 구분할 수 있도록 하며, 이는 Waymo와 같은 기업이 개발하는 자율 주행 기술에 필수적인 안전 요건입니다.

Ultralytics를 활용한 구현#

YOLO11과 같은 최첨단 아키텍처와 최신 YOLO26은 강력한 백본을 기본으로 통합합니다. 이러한 구성 요소는 엣지 디바이스부터 고성능 GPU에 이르는 다양한 하드웨어 플랫폼에서 최적의 추론 지연 시간을 구현하도록 설계되었습니다.

다음 Python 코드는 ultralytics 패키지를 사용하여 사전 학습된 백본이 포함된 모델을 로드하는 방법을 보여 줍니다. 이 설정은 추론 중 특징 추출에 백본을 자동으로 활용합니다.

from ultralytics import YOLO

# Load a YOLO26 model, which includes a pre-trained CSP backbone
model = YOLO("yolo26n.pt")

# Perform inference on an image
# The backbone extracts features, which are then used for detection
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting detection
results[0].show()

사전 학습된 백본을 활용하면 개발자는 Ultralytics Platform을 사용하여 자체 커스텀 데이터셋에 대한 파인 튜닝을 수행할 수 있습니다. 이 접근 방식은 처음부터 딥 신경망을 학습하는 데 일반적으로 필요한 막대한 계산 리소스 없이도 물류 분야의 패키지 검출과 같은 특수 모델을 신속하게 개발할 수 있도록 합니다.