Bounding Box

바운딩 박스는 이미지나 비디오 프레임 내의 특정 객체를 감싸는 좌표 집합으로 정의된 사각형 영역입니다. 컴퓨터 비전(CV) 분야에서 이러한 박스는 인공지능(AI) 시스템이 개별 항목을 찾고 인식하도록 학습시키는 기본 주석(annotation) 역할을 합니다. 단순히 이미지 전체를 "자동차 포함"으로 분류하는 대신, 바운딩 박스를 사용하면 모델이 자동차의 정확한 위치와 공간적 범위를 찾아내어 배경이나 다른 객체와 분리할 수 있습니다. 이러한 로컬라이제이션(localization) 기능은 여러 객체를 동시에 높은 정밀도로 식별해야 하는 객체 탐지 작업에서 필수적입니다.

Link to this section핵심 개념 및 좌표#

시각적 데이터를 효과적으로 처리하기 위해 머신러닝(ML) 모델은 바운딩 박스를 수학적으로 표현하기 위해 특정 좌표계를 사용합니다. 선택된 형식은 모델 학습을 위해 데이터가 준비되는 방식과 모델이 예측값을 출력하는 방식에 큰 영향을 미칩니다.

• XYXY 좌표: 이 형식은 좌측 상단 모서리와 우측 하단 모서리의 절대 픽셀 값을 사용하여 박스를 정의합니다. OpenCV 또는 Matplotlib과 같은 시각화 도구를 사용하여 이미지 위에 사각형을 직접 그릴 때 직관적입니다.
• XYWH 형식: COCO와 같은 데이터셋에서 일반적인 이 방식은 객체의 중심점을 지정한 다음 박스의 너비와 높이를 지정합니다. 이 표현 방식은 학습 과정 중에 손실 함수(loss function)를 계산하는 데 매우 중요합니다.
• 정규화된 좌표: 해상도가 서로 다른 이미지 전반에 걸쳐 확장성(scalability)을 보장하기 위해 좌표는 종종 0과 1 사이의 범위로 스케일링됩니다. 이는 다양한 차원의 입력을 분석할 때 모델이 더 잘 일반화되도록 돕습니다.

Link to this section실제 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.

• 자율 주행 차량: 자율 주행 자동차는 바운딩 박스를 사용하여 보행자, 다른 차량, 교통 표지판 및 장애물을 실시간으로 감지하고 추적합니다. 이러한 공간 인식은 내비게이션 및 안전 시스템이 찰나의 순간에 결정을 내리는 데 매우 중요합니다.
• 소매 분석(Retail Analytics): 스마트 매장에서 바운딩 박스는 선반의 재고를 모니터링하고 제품과 고객의 상호 작용을 추적하는 데 도움을 줍니다. 이 데이터는 재고 보충을 자동화하고 수동으로 계산할 필요 없이 쇼핑객 행동에 대한 인사이트를 제공할 수 있습니다.

Link to this section실제 적용 사례#

YOLO26과 같은 최신 아키텍처를 사용할 때, 모델은 클래스 라벨 및 신뢰도 점수(confidence score)와 함께 바운딩 박스를 예측합니다. 다음 예제는 이미지에 대해 추론을 수행하고 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, ...])

Link to this section관련 용어 및 차별화#

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

• 인스턴스 분할(Instance Segmentation): 사각형 바운딩 박스와 달리, 분할은 객체의 정확한 외곽선을 따르는 픽셀 단위의 마스크를 생성합니다. 이는 일반적인 위치보다 정확한 형태가 중요할 때 유용합니다.
• 회전된 바운딩 박스(OBB): 표준 바운딩 박스는 축에 정렬된(수직 사각형) 형태입니다. OBB는 위성 이미지의 선박이나 컨베이어 벨트 위의 패키지와 같이 각도가 기울어진 객체에 맞게 회전할 수 있어, 더 정확하게 피팅되고 배경 노이즈를 줄여줍니다.
• 키포인트(Keypoints): 키포인트는 객체를 감싸는 대신 자세 추정(pose estimation)을 위한 인체 관절과 같은 특정 랜드마크를 식별합니다.

Link to this section주석 및 관리 도구#

고품질 바운딩 박스 주석을 생성하는 것은 ML 파이프라인에서 중요한 단계입니다. Ultralytics Platform은 데이터 주석 및 데이터셋 관리를 위한 도구를 제공하여 이 과정을 간소화합니다. 적절한 주석은 모델이 객체를 정확하게 구별하도록 학습시켜 과적합(overfitting)이나 배경 혼동과 같은 오류를 최소화합니다. 비최대 억제(NMS)와 같은 고급 기법은 추론 중에 겹치는 박스를 제거하여 예측을 정제하고, 각 객체에 대해 가장 정확한 탐지 결과만 남도록 하는 데 사용됩니다.