Image Classification

이미지 분류는 computer vision (CV) 분야의 기초적인 작업으로, 머신러닝 모델이 전체 이미지를 분석하여 미리 정의된 카테고리 세트 중에서 단일 레이블을 할당하는 방식입니다. 본질적으로 이 작업은 "이 사진의 주요 피사체는 무엇인가?"라는 질문에 답합니다. artificial intelligence (AI)의 핵심 구성 요소인 이 프로세스를 통해 자동화된 시스템은 대규모 시각적 데이터를 조직화, 분류 및 해석할 수 있습니다. 사람의 눈에는 간단해 보일 수 있지만, 컴퓨터가 패턴을 인식할 수 있게 하려면 원시 픽셀과 의미 있는 개념 사이의 간격을 메우기 위한 정교한 machine learning (ML) 알고리즘이 필요합니다.

분류의 작동 원리#

현대 이미지 분류는 Convolutional Neural Networks (CNNs)로 알려진 deep learning (DL) 아키텍처에 크게 의존합니다. 이 네트워크는 생물학적 시각 피질이 정보를 처리하는 방식을 모방하도록 설계되었습니다. feature extraction이라고 하는 프로세스를 통해 모델은 초기 레이어에서 모서리 및 텍스처와 같은 저수준 속성을 식별하는 법을 배우고, 궁극적으로 이를 결합하여 더 깊은 레이어에서 복잡한 모양과 객체를 인식합니다.

분류기를 구축하기 위해 개발자는 supervised learning을 사용하며, 레이블이 지정된 예제가 포함된 방대한 양의 training data를 모델에 공급합니다. ImageNet과 같은 대규모 공개 데이터셋은 이러한 시스템의 정확도를 높이는 데 크게 기여했습니다. 추론 단계에서 모델은 각 카테고리에 대한 확률 점수를 출력하며, 종종 softmax function을 활용하여 가장 가능성이 높은 클래스를 결정합니다.

분류와 다른 비전 작업의 차이#

기술 선택은 특정 문제에 따라 달라지므로, 이미지 분류를 관련 컴퓨터 비전 기능과 구분하는 것이 중요합니다.

• 분류 vs Object Detection: 분류는 전체 이미지에 하나의 레이블을 할당합니다. 대조적으로 객체 검출은 각 객체 주위에 bounding box를 그려 장면 내 여러 객체의 위치를 식별합니다.
• 분류 vs Image Segmentation: 분류는 전역적 컨텍스트를 살펴보는 반면, 세분화는 픽셀 수준의 정밀도를 제공합니다. Semantic segmentation은 모든 개별 픽셀을 분류하여 객체와 배경 사이의 정확한 경계 구분을 가능하게 합니다.

실제 애플리케이션 사례#

이미지 분류는 다양한 산업 분야에서 광범위한 real-world AI applications을 구동합니다.

의료 진단#

의료 분야에서 분류 모델은 진단 스캔을 분석하여 방사선 전문의를 지원합니다. Medical image analysis 도구는 X-ray 또는 MRI를 "정상" 또는 "비정상"으로 신속하게 분류하거나 tumor detection 같은 특정 상태를 식별하여 더 빠른 환자 분류 및 진단을 가능하게 합니다.

제조업의 품질 관리#

공장에서는 제품 표준을 유지하기 위해 자동화된 시각 검사를 활용합니다. 조립 라인의 카메라는 부품의 이미지를 캡처하고, 분류 모델은 눈에 보이는 결함을 바탕으로 이를 "합격" 또는 "불합격"으로 즉시 레이블링합니다. 이 자동화된 quality control을 통해 결함이 없는 품목만 포장 단계에 도달하게 됩니다.

스마트 농업#

농부들은 작물 건강을 모니터링하기 위해 AI in agriculture를 활용합니다. 드론이나 스마트폰으로 촬영한 이미지를 분류함으로써 시스템은 질병, 영양 부족 또는 해충 감염의 징후를 식별하여 타겟팅된 precision agriculture 개입을 가능하게 합니다.

YOLO26을 이용한 분류 구현#

Ultralytics YOLO26 프레임워크는 검출로 유명하지만 image classification tasks에 대해 최첨단 성능을 제공합니다. 그 아키텍처는 속도와 정확도에 최적화되어 있어 실시간 애플리케이션에 적합합니다.

ultralytics Python 패키지를 사용하여 사전 학습된 모델을 로드하고 이미지를 분류하는 방법에 대한 간결한 예시는 다음과 같습니다:

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

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

# Print the top predicted class name
print(f"Prediction: {results[0].names[results[0].probs.top1]}")

워크플로를 간소화하려는 팀을 위해 Ultralytics Platform은 전체 파이프라인을 단순화합니다. 사용자는 광범위한 코딩 인프라 없이도 classification datasets을 관리하고, 클라우드 기반 학습을 수행하며, ONNX나 TensorRT 같은 다양한 형식으로 모델을 배포할 수 있습니다.