Computer Vision (CV)

컴퓨터 비전(CV)은 컴퓨터가 이미지, 비디오 및 기타 시각 데이터에서 의미를 추출하도록 하는 인공지능(AI) 분야입니다. 여기에는 어떤 객체가 있는지, 어디에 있는지, 어떻게 움직이는지, 장면에서 무슨 일이 일어나는지가 포함됩니다. 현대 시스템은 예시를 통해 이러한 기능을 학습합니다. 수천 개의 레이블 이미지로 학습한 모델은 자동차, 균열, 종양을 정의하는 시각적 패턴을 학습하고 한 번도 보지 못한 이미지에도 이를 적용합니다. 따라서 이 분야는 이제 머신러닝(ML), 그중에서도 특히 딥러닝(DL)을 기반으로 합니다.

컴퓨터 비전의 작동 방식#

컴퓨터에서 컬러 이미지는 숫자의 격자입니다. 640×480 사진에는 921,600개의 값이 있으며, 각 픽셀의 세 가지 색상 채널마다 하나씩 값이 할당되고 각 값의 밝기는 0에서 255 사이입니다. 컴퓨터 비전 파이프라인은 이 격자를 다섯 단계에 걸쳐 판단 결과로 변환합니다.

카메라나 센서가 이미지를 캡처하고, 흔히 OpenCV를 사용하는 전처리 단계에서 이미지 크기를 조정하고 정규화해 모델이 항상 같은 형식으로 입력을 받도록 합니다. 그런 다음 모델은 특징 추출을 수행합니다. 합성곱 신경망(CNN)의 초기 레이어는 에지와 색상 그래디언트에 반응하고, 중간 레이어는 이를 결합해 텍스처와 부분을 인식하며, 깊은 레이어는 전체 객체에 반응합니다. 비전 트랜스포머(ViT)는 이미지를 패치로 나누고 셀프 어텐션을 사용해 모든 패치를 서로 연결함으로써 유사한 표현을 학습합니다. 작업별 헤드는 특징을 클래스 레이블, 바운딩 박스 집합, 픽셀 마스크 등의 출력으로 변환합니다. 주변 시스템은 결함 부품을 거부하거나 차량을 제동하고 경고를 보내는 방식으로 결과에 대응합니다.

모델은 지도 학습을 통해 이러한 특징을 학습합니다. 학습 중에 모델은 레이블 이미지에 대해 예측하고, 손실 함수는 각 예측이 실제 정답에서 얼마나 벗어났는지 측정하며, 역전파는 오류를 줄이도록 가중치를 조정합니다. 레이블 이미지가 1,400만 장이 넘는 ImageNet과 일상적인 객체 카테고리 80개를 포함하는 COCO 같은 대규모 공개 데이터셋은 대부분의 맞춤 모델이 전이 학습을 통해 시작하는 사전 학습에 사용됩니다.

수작업 특징에서 딥러닝으로#

초기 컴퓨터 비전은 사람이 직접 설계한 특징에 의존했습니다. 엔지니어는 SIFT 및 HOG와 같은 에지, 코너, 그래디언트 패턴 탐지기를 작성한 다음 그 특징을 분류기에 전달했습니다. 이 방식의 시스템은 조명, 시점 또는 배경이 바뀌면 성능이 저하되었습니다. 전환점은 2012년에 찾아왔습니다. AlexNet은 ImageNet 챌린지에서 톱 5 오류율 15.3%로 우승했으며, 차순위 참가 모델의 오류율은 26.2%였습니다. 이후 CNN과 2020년부터 등장한 비전 Transformer가 데이터에서 직접 특징을 학습했습니다. 이제 비전 언어 모델(VLM)은 이미지와 텍스트를 결합하므로, 하나의 모델이 사진에 관한 개방형 질문에 답하거나 자연어로 설명된 객체를 찾을 수 있습니다. VLM 리더보드는 이러한 모델이 실제 데이터셋에서 객체를 얼마나 정확하게 탐지하는지 측정합니다.

컴퓨터 비전의 핵심 작업#

각 작업은 이미지에 관해 서로 다른 질문에 답합니다.

• 객체 탐지: 각 객체를 찾아 주변에 클래스와 신뢰도 점수가 포함된 박스를 그리므로 객체의 위치를 찾고 개수를 셀 수 있습니다.
• 인스턴스 세그멘테이션: 객체마다 고유한 픽셀 마스크를 지정하므로 나란히 서 있는 두 사람을 서로 구분할 수 있습니다.
• 시맨틱 세그멘테이션: 모든 픽셀에 도로, 인도, 하늘과 같은 클래스를 지정합니다.
• 깊이 추정: 단일 이미지에서 각 픽셀과 카메라 사이의 거리를 예측합니다.
• 이미지 분류: "불량" 또는 "정상"과 같이 이미지 전체에 하나의 레이블을 지정합니다.
• 포즈 추정: 신체 관절과 같은 키포인트의 위치를 찾아 자세와 움직임을 측정합니다.
• 회전 바운딩 박스(OBB): 위성 이미지에서 선박이나 항공기처럼 임의의 각도로 놓인 객체에 회전 박스를 맞춥니다.
• 객체 추적: 비디오 프레임 간의 탐지 결과를 연결해 각 객체가 일관된 ID를 유지하도록 합니다.

작업 선택은 애플리케이션에 필요한 출력에서 시작합니다.

Ultralytics YOLO26은 이 작업 중 7개를 단일 Python API로 지원합니다. 동일한 YOLO() 호출로 탐지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 깊이, 분류, 포즈, OBB 모델을 로드하며, model.track()를 추가하면 동영상 추적을 사용할 수 있습니다. 이 예제는 샘플 이미지에서 객체 탐지를 실행합니다.

from ultralytics import YOLO

# 사전 학습된 YOLO26 nano 탐지 모델 로드
model = YOLO("yolo26n.pt")

# 샘플 거리 이미지에서 추론 실행
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# 클래스별 탐지 객체 수를 출력하고 어노테이션 이미지를 저장합니다
print(result.verbose())
result.save(filename="bus_detections.jpg")

출력된 줄에는 클래스별 탐지 수가 표시되며, 저장된 이미지에는 각 탐지 결과의 박스, 레이블, 신뢰도 점수가 그려집니다.

컴퓨터 비전과 관련 분야 비교#

• 이미지 처리: 선명도 조정, 노이즈 제거, 크기 조정, 대비 조정 등을 통해 이미지를 다른 이미지로 변환합니다. 컴퓨터 비전 파이프라인은 장면을 해석하기 전 전처리 과정에서 이러한 작업을 사용합니다.
• 머신 비전: 일반적으로 고정 카메라, 제어된 조명, 생산 라인의 전용 하드웨어를 사용해 검사 및 로봇 유도를 수행하는 컴퓨터 비전의 산업 응용 분야입니다.
• 이미지 인식: 이미지 분류의 일반적인 동의어이며, 이미지에 무엇이 있는지 식별하는 모든 작업을 가리키는 넓은 의미로 사용되기도 합니다.

실제 적용 사례#

• 제조: 카메라가 생산 라인 속도에 맞춰 모든 부품의 균열, 긁힘, 정렬 불량을 검사하고, 기계가 고장 나기 전에 마모 상태를 추적합니다.
• 의료 영상: 모델은 X선, CT 스캔, 망막 사진에서 종양, 골절, 망막 질환을 표시해 영상의학 전문의가 검토할 수 있도록 합니다.
• 자율주행차: 차량은 실시간으로 차선, 표지판, 보행자, 다른 차량을 탐지하고 카메라 출력을 레이더 및 LiDAR와 결합해 주변 환경의 3D 모델을 만듭니다.
• 소매: 매대 카메라는 비어 있는 상품 진열 공간과 잘못 배치된 제품을 탐지하고, 무인 계산 매장은 쇼핑객이 가져가는 품목을 추적합니다.
• 농업: 드론과 분무기는 식물별로 작물과 잡초를 구분하므로 제초제와 비료를 필요한 곳에만 살포할 수 있습니다.
• 보안 및 스마트 시티: 시스템은 사람과 차량의 수를 세고 교통 흐름을 모니터링하며, 이상 탐지를 사용해 제한 구역에서 발생하는 비정상적인 상황을 표시합니다.

과제와 한계#

모델의 성능은 학습 세트의 품질에 달려 있으며, 수천 장의 이미지에 박스나 마스크를 그리는 데이터 레이블링은 모델 자체를 학습하는 것보다 더 많은 노력이 드는 경우가 많습니다. 배포 후에는 조건도 달라집니다. 비, 눈부심, 야간 조명, 가림 또는 카메라 이동으로 인해 입력이 학습 중 모델이 본 데이터와 달라질 수 있습니다. 데이터 증강은 학습 중 이러한 조건을 모방하며, 학습에 사용하지 않은 이미지로 수행하는 검증은 출시 전에 과적합을 찾아냅니다.

다음 제약은 연산 자원입니다. 카메라, 드론, 휴대전화는 전력 및 메모리 예산이 제한된 상태에서 모델을 실행하므로, 엣지 AI 배포에서는 비디오를 클라우드로 전송하지 않고 실시간 속도를 달성하기 위해 소형 모델과 모델 양자화를 선호합니다.

사람을 분석하는 시스템은 편향 및 개인정보 보호 문제를 야기합니다. 일부 그룹의 대표성이 낮은 데이터셋은 그룹별 성능이 고르지 않은 모델을 만들며, 대부분의 개인정보 보호법에서 얼굴 및 신체 데이터는 민감한 개인정보에 해당합니다. 2025년 2월부터 EU AI Act는 납치 피해자 수색이나 임박한 테러 위협 방지와 같은 제한적인 예외를 제외하고 법 집행 목적의 공개적으로 접근 가능한 공간에서 실시간 원격 생체 식별을 금지하고 있습니다.