Bounding Box

바운딩 박스는 이미지나 비디오 프레임 내의 특정 객체를 둘러싸는 일련의 좌표로 정의되는 사각형 영역입니다. 컴퓨터 비전 (CV) 분야에서 이러한 박스는 인공지능 (AI) 시스템이 고유한 항목을 찾고 인식하는 방법을 가르치기 위한 기본적인 주석 역할을 합니다. 전체 이미지에 단순히 "자동차가 포함되어 있음"이라고 분류하는 것 대신, 바운딩 박스를 통해 모델은 자동차의 정확한 위치와 공간적 범위를 정확히 찾아내어 배경 및 다른 개체와 분리할 수 있습니다. 이러한 위치 추정 기능은 높은 정밀도로 여러 객체를 동시에 식별하는 것이 목표인 객체 검출 작업에 필수적입니다.

핵심 개념 및 좌표#

시각 데이터를 효과적으로 처리하기 위해 머신러닝 (ML) 모델은 바운딩 박스를 수학적으로 표현하기 위해 특정 좌표계를 사용합니다. 선택한 포맷에 따라 모델 학습을 위해 데이터가 준비되는 방식과 모델이 예측을 출력하는 방식이 결정되는 경우가 많습니다.

• XYXY 좌표: 이 포맷은 좌측 상단과 우측 하단 모서리의 절대 픽셀 값을 사용하여 박스를 정의합니다. 이미지 위에 사각형을 직접 그릴 때 OpenCV나 Matplotlib 같은 시각화 도구에서 직관적으로 사용됩니다.
• XYWH 포맷: COCO 같은 데이터셋에서 흔히 볼 수 있는 이 방식은 객체의 중심점을 지정한 후 박스의 너비와 높이를 지정합니다. 이 표현은 학습 과정에서 손실 함수를 계산하는 데 매우 중요합니다.
• 정규화된 좌표: 다양한 해상도의 이미지 전반에서 확장성을 보장하기 위해, 좌표는 일반적으로 0과 1 사이의 범위로 스케일링됩니다. 이는 다양한 차원의 입력을 분석할 때 모델이 더 잘 일반화되도록 돕습니다.

실제 애플리케이션 사례#

바운딩 박스는 다양한 산업 분야에서 수많은 AI 솔루션을 구축하는 기본 요소입니다. 정확한 로컬라이제이션을 가능하게 함으로써 시스템이 물리적 세계와 지능적으로 상호 작용할 수 있게 합니다.

• 자율주행차: 자율주행 차량은 보행자, 다른 차량, 교통표지판, 그리고 장애물을 실시간으로 감지하고 추적하기 위해 바운딩 박스를 사용합니다. 이러한 공간 인식은 내비게이션 및 안전 시스템이 찰나의 순간에 결정을 내리는 데 매우 중요합니다.
• 소매 분석: 스마트 매장에서 바운딩 박스는 선반의 재고를 모니터링하고 제품과 고객의 상호작용을 추적하는 데 도움을 줍니다. 이 데이터를 통해 수동으로 카운트하지 않고도 재고 보충을 자동화하고 쇼퍼 행동에 대한 인사이트를 얻을 수 있습니다.

실제 적용 사례#

YOLO26과 같은 최신 아키텍처를 사용할 때, 모델은 클래스 레이블 및 신뢰도 점수와 함께 바운딩 박스를 예측합니다. 다음 예제는 이미지에 대해 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 차별화#

바운딩 박스는 일반적인 탐지 작업의 표준이지만, 더 세분화된 작업에 사용되는 다른 주석 유형과는 구별됩니다.

• 인스턴스 세그멘테이션: 직사각형 바운딩 박스와 달리 세그멘테이션은 객체의 정확한 외곽선을 추적하는 픽셀 단위의 완벽한 마스크를 생성합니다. 이는 일반적인 위치보다 정확한 형태가 더 중요할 때 유용합니다.
• 회전된 바운딩 박스 (OBB): 표준 바운딩 박스는 축 정렬된 (똑바로 세워진) 사각형입니다. OBB는 위성 이미지의 선박이나 컨베이어 벨트의 패키지처럼 각진 객체에 맞게 회전할 수 있어, 더 타이트한 핏을 제공하고 배경 노이즈를 줄여줍니다.
• 키포인트: 객체를 둘러싸는 대신, 키포인트는 포즈 추정을 위해 인체의 관절과 같은 특정 랜드마크를 식별합니다.

주석 및 관리 도구#

고품질 바운딩 박스 주석을 생성하는 것은 ML 파이프라인에서 중요한 단계입니다. Ultralytics 플랫폼은 데이터 주석 및 데이터셋 관리를 위한 도구를 제공하여 이 과정을 단순화합니다. 적절한 주석은 모델이 객체를 정확하게 구별하도록 학습되어 오버fitting (과적합)이나 배경 혼동 같은 오류를 최소화하도록 보장합니다. 비최대억제 (NMS)와 같은 고급 기법은 겹치는 박스를 제거하여 이러한 예측을 정제하는 데 사용되며, 각 객체에 대해 가장 정확한 검출만 남도록 보장합니다.