Bounding Box

바운딩 박스는 이미지나 비디오 프레임 내의 특정 객체를 둘러싸는 좌표 집합으로 정의된 직사각형 영역입니다. 컴퓨터 비전(CV) 분야에서 바운딩 박스는 인공지능(AI) 시스템이 개별 객체의 위치를 찾고 인식하도록 학습시키는 기본 어노테이션입니다. 이미지 전체를 단순히 "자동차가 포함되어 있음"으로 분류하는 대신, 바운딩 박스를 사용하면 모델이 자동차의 정확한 위치와 공간적 범위를 지정하여 배경이나 다른 객체와 구분할 수 있습니다. 이러한 위치 지정 기능은 여러 객체를 동시에 높은 정밀도로 식별하는 것이 목표인 객체 탐지 작업에 필수적입니다.

핵심 개념과 좌표#

시각 데이터를 효과적으로 처리하기 위해 머신러닝(ML) 모델은 바운딩 박스를 수학적으로 표현하는 특정 좌표계를 사용합니다. 선택한 형식에 따라 모델 학습을 위한 데이터 준비 방식과 모델이 예측 결과를 출력하는 방식이 달라지는 경우가 많습니다.

• XYXY 좌표: 이 형식은 왼쪽 위 모서리와 오른쪽 아래 모서리의 절대 픽셀값을 사용해 박스를 정의합니다. 이미지에 직접 사각형을 그릴 때 OpenCV나 Matplotlib과 같은 시각화 도구에서 직관적으로 사용할 수 있습니다.
• XYWH 형식: COCO와 같은 데이터셋에서 흔히 사용되는 이 방식은 객체의 중심점과 박스의 너비 및 높이를 지정합니다. 이 표현 방식은 학습 과정에서 손실 함수를 계산하는 데 중요합니다.
• 정규화된 좌표: 해상도가 서로 다른 이미지 간의 확장성을 보장하기 위해 좌표를 0에서 1 사이의 범위로 조정하는 경우가 많습니다. 이를 통해 모델은 다양한 크기의 입력을 분석할 때 더 잘 일반화할 수 있습니다.

실제 적용 사례#

바운딩 박스는 다양한 산업 분야에서 수많은 AI 솔루션의 기본 구성 요소입니다. 정확한 위치를 지정할 수 있어 시스템이 물리적 세계와 지능적으로 상호작용하도록 지원합니다.

• 자율주행차: 자율주행차는 실시간으로 보행자, 다른 차량, 교통 표지판, 장애물을 탐지하고 추적하기 위해 바운딩 박스를 사용합니다. 이러한 공간 인식은 내비게이션 및 안전 시스템이 순간적인 결정을 내리는 데 필수적입니다.
• 리테일 분석: 스마트 매장에서 바운딩 박스는 진열대의 재고를 모니터링하고 고객의 제품 상호작용을 추적하는 데 도움이 됩니다. 이 데이터는 수동으로 재고를 세지 않고도 재고 보충을 자동화하고 쇼핑객 행동에 대한 인사이트를 제공할 수 있습니다.

바운딩 박스의 실제 활용#

YOLO26과 같은 최신 아키텍처를 사용하면 모델은 클래스 레이블 및 신뢰도 점수와 함께 바운딩 박스를 예측합니다. 다음 예제에서는 ultralytics 패키지를 사용해 이미지에 추론을 실행하고 바운딩 박스 좌표에 접근하는 방법을 보여줍니다.

from ultralytics import YOLO

# YOLO26 모델을 불러옵니다.
model = YOLO("yolo26n.pt")

# 이미지에서 추론 실행
results = model("https://ultralytics.com/images/bus.jpg")

# 처음 감지된 객체의 바운딩 박스 좌표에 액세스합니다(xyxy 형식).
boxes = results[0].boxes
print(boxes.xyxy[0])  # 출력: tensor([x1, y1, x2, y2, ...])

관련 용어 및 차이점#

바운딩 박스는 일반적인 객체 감지의 표준이지만, 더 세밀한 작업에 사용되는 다른 어노테이션 유형과는 구별됩니다.

• 인스턴스 분할: 직사각형 바운딩 박스와 달리, 분할은 객체의 정확한 윤곽을 추적하는 픽셀 단위의 마스크를 생성합니다. 이는 대략적인 위치보다 정확한 형태가 더 중요한 경우에 유용합니다.
• 회전 바운딩 박스(OBB): 표준 바운딩 박스는 축에 정렬된 직립형 직사각형입니다. OBB는 위성 이미지의 선박이나 컨베이어 벨트 위의 패키지처럼 기울어진 객체에 맞춰 회전할 수 있어, 더 정밀하게 둘러싸고 배경 노이즈를 줄입니다.
• 키포인트: 객체를 둘러싸는 대신, 키포인트는 포즈 추정을 위한 인체 관절과 같은 특정 랜드마크를 식별합니다.

어노테이션 및 관리 도구#

고품질 바운딩 박스 어노테이션 생성은 ML 파이프라인의 중요한 단계입니다. Ultralytics Platform은 데이터 어노테이션 및 데이터셋 관리 도구를 제공하여 이 과정을 간소화합니다. 적절한 어노테이션은 모델이 객체를 정확히 구별하도록 학습시켜 과적합이나 배경 혼동과 같은 오류를 최소화합니다. 추론 중에는 비최대 억제(NMS)와 같은 고급 기법을 사용해 겹치는 박스를 제거함으로써 예측 결과를 정제하고 각 객체에 대해 가장 정확한 감지만 남깁니다.