YOLO 라이선스 받기
Ultralytics 용어집으로 돌아가기

Cosine Similarity

코사인 유사도는 길이를 고려하지 않고 두 벡터 사이의 각도로 유사성을 측정합니다. 공식, 관련 지표, 검색 활용 사례, 코드 예제를 다룹니다.

코사인 유사도는 두 벡터 사이 각도의 코사인으로 벡터 간 유사성을 측정합니다. 두 벡터가 같은 방향을 가리키면 1, 수직이면 0, 반대 방향이면 −1입니다. 벡터 길이는 무시하고 방향만 비교하므로, 길이가 서로 다른 문서의 단어 수나 텍스트 및 이미지에 대해 신경망이 생성하는 임베딩처럼 방향에 의미가 담긴 데이터에 적합합니다. 따라서 시맨틱 검색, 검색 증강 생성(RAG), 추천 시스템에서 기본 유사도 점수로 사용됩니다.

코사인 유사도 계산 방법#

코사인 유사도는 두 벡터의 내적을 각 벡터 길이의 곱으로 나눕니다. cos(θ) = (A·B) / (‖A‖·‖B‖)이며, ‖A‖는 각 원소의 제곱을 합산한 뒤 제곱근을 취한 유클리드 길이입니다. 벡터 중 하나에 양수를 곱해 크기를 조정해도 점수는 변하지 않습니다. 단어 수나 TF-IDF 가중치처럼 음수가 없는 벡터의 점수는 항상 0과 1 사이입니다. 다음 예제는 벡터와 그보다 긴 복사본, 수직 벡터, 반대 벡터를 비교합니다.

import numpy as np


def cosine(u, v):
    """Return the cosine of the angle between two vectors."""
    return u @ v / (np.linalg.norm(u) * np.linalg.norm(v))


a = np.array([1.0, 2.0, 3.0])
b = 10 * a  # same direction, ten times longer
c = np.array([3.0, 0.0, -1.0])  # perpendicular to a

print(f"cos(a, b) = {cosine(a, b):.2f}, Euclidean distance = {np.linalg.norm(a - b):.1f}")
print(f"cos(a, c) = {cosine(a, c):.2f}, cos(a, -a) = {cosine(a, -a):.2f}")

크기를 조정한 복사본은 유클리드 거리로 33.7만큼 떨어져 있어도 완벽한 1.00을 기록합니다. 수직 벡터는 0.00, 반대 벡터는 −1.00을 기록합니다.

벡터를 단위 길이로 정규화하면 코사인 유사도는 내적과 같고 제곱 유클리드 거리는 2 − 2·cos(θ)와 같으므로, 코사인 유사도, 내적, 유클리드 거리로 이웃의 순위를 매겨도 순서는 같습니다. 따라서 벡터 데이터베이스와 검색 라이브러리는 인덱싱할 때 임베딩을 한 번 정규화합니다. 그러면 전체 컬렉션에 대해 쿼리 점수를 계산하는 작업은 벡터 검색의 핵심 연산인 단일 행렬-벡터 곱셈이 됩니다. PyTorch의 cosine_similarity 함수와 같이 딥러닝 프레임워크는 이 계산을 직접 제공합니다.

AI 분야의 응용#

  • 언어 모델 검색: 쿼리와 문서 청크 라이브러리를 동일한 모델로 임베딩하고, 쿼리와 코사인 유사도가 가장 높은 청크를 컨텍스트로 언어 모델에 전달합니다.
  • 얼굴 인증: ArcFace처럼 신원 사이에 각도 마진을 추가하는 손실 함수로 학습한 시스템은 코사인 유사도로 두 얼굴 임베딩을 비교하고, 조정된 임계값보다 높은 경우 일치로 판정합니다.
  • CLIP을 사용한 제로샷 분류: CLIP은 이미지 임베딩과 "a photo of a dog"와 같은 프롬프트의 임베딩 간 코사인 유사도를 계산하고, 학습된 온도로 점수를 조정한 뒤 프롬프트 전체에 소프트맥스를 적용해 이미지에 라벨을 지정합니다.
  • 대조 학습: SimCLR의 NT-Xent와 같은 손실 함수는 두 임베딩의 코사인 유사도를 온도로 나누어 같은 이미지의 뷰는 서로 가까워지게 하고 다른 이미지는 서로 멀어지게 합니다.
  • 아이템 기반 추천: 협업 필터링은 평점 벡터 간 코사인 유사도로 아이템을 비교하므로, 같은 고객이 구매한 제품을 서로 유사한 것으로 간주합니다.

코드에서 이미지 임베딩 비교하기#

YOLO26 모델은 embed()을 통해 이미지당 하나의 임베딩을 반환합니다. 이 기능은 예측 헤드를 건너뛰고 모델의 끝에서 두 번째 계층 출력을 평균 풀링합니다. 다음 예제에서는 YOLO26 이미지 분류 모델로 두 개의 샘플 이미지 임베딩을 비교합니다.

import torch.nn.functional as F
from ultralytics import YOLO

# Load a YOLO26 classification model pretrained on ImageNet
model = YOLO("yolo26n-cls.pt")

# Generate one embedding vector per image
embeddings = model.embed(["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"])

# Cosine similarity between the two image embeddings
similarity = F.cosine_similarity(embeddings[0], embeddings[1], dim=0)
print(f"Cosine similarity: {similarity.item():.4f}")

출력 점수는 −1에서 1 사이이며, 값이 높을수록 네트워크가 두 이미지를 더 유사하게 표현한다는 의미입니다.

  • 코사인 거리: 코사인 유사도에서 1을 뺀 값으로 정의되며 범위는 0에서 2입니다. 삼각 부등식을 만족하지 않으므로 진정한 거리 메트릭은 아니지만, 각도 θ 자체는 거리 메트릭입니다.
  • 내적: 두 벡터의 길이를 모두 반영하므로 같은 방향을 가리키는 경우 긴 벡터가 짧은 벡터보다 높은 점수를 얻습니다. 많은 투 타워 검색 모델은 원시 내적으로 점수를 매기도록 학습되며, 이때 벡터 길이는 아이템의 전반적인 인기도와 같은 정보를 담을 수 있습니다.
  • 유클리드 거리: 두 점 사이의 직선 거리를 측정하며 길이 차이가 커질수록 값도 커집니다. 따라서 같은 주제를 다루더라도 짧은 문서와 긴 문서는 단어 수 공간에서 멀리 떨어질 수 있습니다.
  • K-최근접 이웃(KNN): 이웃을 찾을 때 유사도나 거리를 사용하는 알고리즘이며, 텍스트 및 임베딩 애플리케이션에서는 코사인 유사도를 사용하는 경우가 많습니다.
  • 피어슨 상관계수: 각 벡터의 원소에서 해당 벡터 자체의 평균을 뺀 후 계산한 두 벡터 간 코사인 유사도와 같습니다.

솔루션 살펴보기

스포츠 분야의 컴퓨터 비전

스포츠 분야의 컴퓨터 비전

Ultralytics YOLO가 선수 및 공 추적, 경기력 분석, 코칭 인사이트, 선수 재활을 통해 스포츠 비전을 구현하는 방법을 알아보세요.
자세히 알아보기
항공 이미지 컴퓨터 비전

항공 이미지 컴퓨터 비전

Ultralytics YOLO를 활용해 드론 및 항공 이미지를 농업, 양식업, 보전, 지리 공간 분석을 위한 실시간 인사이트로 전환하세요.
자세히 알아보기
항공우주 분야의 컴퓨터 비전

항공우주 분야의 컴퓨터 비전

Ultralytics YOLO를 활용해 항공기 검사, 활주로 FOD 감지, 공항 지상 운영, 복합재 결함 감지 등 항공우주 분야에 컴퓨터 비전을 적용하세요.
자세히 알아보기
보안 분야의 컴퓨터 비전

보안 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 모든 시설을 보호하세요. Vision AI는 경계 모니터링, 위협 감지, 번호판 인식, 작업장 안전을 지원합니다.
자세히 알아보기
로보틱스 분야의 컴퓨터 비전

로보틱스 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 더 스마트한 머신을 구현하세요. 로보틱스 분야의 Vision AI는 자율 주행, 인식, 객체 추적, 실시간 제어를 지원합니다.
자세히 알아보기
물류 분야의 컴퓨터 비전

물류 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 물류를 간소화하세요. 비전 AI는 화물 검사, 분류, 차량 추적, 실시간 창고 안전 모니터링을 지원합니다.
자세히 알아보기
리테일 분야의 컴퓨터 비전

리테일 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 리테일의 새로운 가능성을 열어 보세요. 비전 AI는 재고 추적, 선반 모니터링, 대기열 관리, 더욱 심층적인 고객 인사이트를 지원합니다.
자세히 알아보기
의료 분야의 컴퓨터 비전

의료 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 의료 솔루션을 구축하세요. 의료 분야의 비전 AI는 의료 영상 판독을 가속화하고, 진단을 개선하며, 환자 모니터링을 지원합니다.
자세히 알아보기
제조 분야의 컴퓨터 비전

제조 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 제조 공정을 최적화하세요. 비전 AI는 품질 관리, 결함 탐지, PPE 규정 준수, 조립 라인 자동화를 지원합니다.
자세히 알아보기
자동차 분야의 컴퓨터 비전

자동차 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 자동차 분야에 컴퓨터 비전을 적용하세요. 비전 AI는 도로 안전, 운전자 지원, 차량 자동화를 개선해 더 스마트한 도로를 구현합니다.
자세히 알아보기
농업 분야의 컴퓨터 비전

농업 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 스마트 농업에 비전 AI를 도입하세요. 작물 모니터링, 가축 추적, 정밀 농업을 지원하여 더 높은 수확량과 더 스마트한 농업을 실현합니다.
자세히 알아보기

함께 AI의 미래를 만들어 가세요!

머신러닝의 미래와 함께 여정을 시작하세요