Bounding Box

바운딩 박스는 이미지 또는 비디오 프레임 내의 특정 객체를 둘러싸는 일련의 좌표로 정의된 직사각형 영역입니다. 컴퓨터 비전 (CV) 분야에서 이러한 박스는 인공지능 (AI) 시스템이 개별 항목의 위치를 파악하고 인식하는 방법을 학습하도록 가르치는 기본 어노테이션으로 사용됩니다. 전체 이미지를 단순히 "자동차가 포함되어 있음"으로 분류하는 대신, 바운딩 박스를 사용하면 모델이 자동차의 정확한 위치와 공간적 범위를 특정하여 배경 및 다른 객체와 구분할 수 있습니다. 이러한 위치 파악 기능은 여러 객체를 동시에 높은 정밀도로 식별하는 것이 목표인 객체 탐지 작업에 필수적입니다.

핵심 개념 및 좌표#

시각 데이터를 효과적으로 처리하기 위해 머신 러닝 (ML) 모델은 바운딩 박스를 수학적으로 표현하는 특정 좌표계에 의존합니다. 선택한 형식에 따라 모델 학습을 위해 데이터를 준비하는 방식과 모델이 예측 결과를 출력하는 방식이 결정되는 경우가 많습니다.

• XYXY 좌표: 이 형식은 왼쪽 위 모서리와 오른쪽 아래 모서리의 절대 픽셀 값으로 박스를 정의합니다. 이미지에 직접 사각형을 그릴 때 OpenCV 또는 Matplotlib과 같은 시각화 도구에서 직관적으로 사용할 수 있습니다.
• XYWH 형식: COCO와 같은 데이터셋에서 일반적으로 사용되는 이 방식은 객체의 중심점에 이어 박스의 너비와 높이를 지정합니다. 이 표현은 학습 과정에서 손실 함수를 계산하는 데 매우 중요합니다.
• 정규화된 좌표: 서로 다른 해상도의 이미지에서 확장성을 보장하기 위해 좌표를 0과 1 사이의 범위로 조정하는 경우가 많습니다. 이를 통해 다양한 크기의 입력을 분석할 때 모델의 일반화 성능을 향상할 수 있습니다.

실제 적용 사례#

바운딩 박스는 다양한 산업 분야의 수많은 AI 솔루션을 구성하는 기본 요소입니다. 정밀한 위치 파악을 지원함으로써 시스템이 물리적 세계와 지능적으로 상호작용할 수 있도록 합니다.

• 자율주행 차량: 자율주행 자동차는 바운딩 박스를 사용하여 보행자, 다른 차량, 교통 표지판 및 장애물을 실시간으로 탐지하고 추적합니다. 이러한 공간 인식은 내비게이션 및 안전 시스템이 순간적인 판단을 내리는 데 매우 중요합니다.
• 리테일 분석: 스마트 매장에서 바운딩 박스는 선반의 재고를 모니터링하고 고객의 상품 상호작용을 추적하는 데 도움이 됩니다. 이 데이터는 수동으로 수량을 세지 않고도 재고 보충을 자동화하고 쇼핑객 행동에 대한 인사이트를 제공할 수 있습니다.

실제 바운딩 박스 활용#

YOLO26과 같은 최신 아키텍처를 사용할 때 모델은 클래스 레이블 및 신뢰도 점수와 함께 바운딩 박스를 예측합니다. 다음 예제에서는 이미지를 대상으로 추론을 실행하고 ultralytics 패키지를 사용하여 바운딩 박스 좌표에 액세스하는 방법을 보여줍니다.

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Access bounding box coordinates (xyxy format) for the first detected object
boxes = results[0].boxes
print(boxes.xyxy[0])  # Output: tensor([x1, y1, x2, y2, ...])

관련 용어 및 차이점#

바운딩 박스는 일반적인 탐지 작업의 표준이지만, 더 세밀한 작업에 사용되는 다른 어노테이션 유형과는 구별됩니다.

• 인스턴스 세그멘테이션: 직사각형 바운딩 박스와 달리 세그멘테이션은 객체의 정확한 윤곽을 추적하는 픽셀 단위의 정밀한 마스크를 생성합니다. 이는 일반적인 위치보다 정확한 형태가 더 중요한 경우에 유용합니다.
• 방향성 바운딩 박스 (OBB): 표준 바운딩 박스는 축에 정렬된 직립 직사각형입니다. OBB는 위성 이미지의 선박이나 컨베이어 벨트 위의 패키지처럼 기울어진 객체에 맞게 회전할 수 있으므로 더 밀착된 형태를 제공하고 배경 노이즈를 줄입니다.
• 키포인트: 키포인트는 객체를 둘러싸는 대신 포즈 추정을 위해 인체의 관절과 같은 특정 랜드마크를 식별합니다.

어노테이션 및 관리 도구#

고품질 바운딩 박스 어노테이션을 생성하는 것은 ML 파이프라인의 중요한 단계입니다. Ultralytics Platform은 데이터 어노테이션 및 데이터셋 관리 도구를 제공하여 이 과정을 간소화합니다. 적절한 어노테이션은 모델이 객체를 정확하게 구분하도록 학습시켜 과적합이나 배경 혼동과 같은 오류를 최소화합니다. 비최대 억제 (NMS)와 같은 고급 기법은 추론 중에 겹치는 박스를 제거하여 이러한 예측을 정제하며, 각 객체에 대해 가장 정확한 탐지만 남도록 합니다.