Keypoints

키포인트는 이미지 내에서 객체나 피사체의 중요한 특징을 정의하는 개별적인 공간적 위치 또는 랜드마크입니다. 컴퓨터 비전 및 머신 러닝의 맥락에서 키포인트는 일반적으로 객체의 특정 부분(예: 사람의 팔꿈치, 건물의 모서리, 자동차 바퀴의 중심 등)을 가리키는 좌표(X, Y) 세트로 표현됩니다. 단순히 객체의 존재 여부만 식별하는 더 간단한 작업과 달리, 키포인트를 식별하면 인공지능(AI) 모델이 피사체의 기하학적 구조, 자세 및 구조적 배치를 이해할 수 있습니다. 이러한 기능은 고급 시각적 분석의 기초가 되며, 기계가 바디 랭귀지를 해석하고 정밀한 움직임을 추적하며 실제 객체에 디지털 오버레이를 정렬할 수 있게 합니다.

Link to this sectionAI 모델에서 키포인트의 역할#

키포인트는 사람이나 동물의 골격 구조를 매핑하는 기술인 자세 추정(pose estimation)을 위한 기초 데이터 역할을 합니다. 어깨, 무릎, 발목과 같은 미리 정의된 포인트 세트를 감지함으로써 알고리즘은 실시간으로 피사체의 전체 자세를 재구성할 수 있습니다. 이 프로세스는 객체 내부의 형태를 이해하지 못한 채 객체 주위에 바운딩 박스를 출력하는 일반적인 객체 탐지(object detection)를 넘어섭니다.

Modern architectures, such as the state-of-the-art Ultralytics YOLO26, have evolved to predict these keypoints with high accuracy and speed. These models utilize deep learning (DL) networks trained on massive annotated datasets, such as COCO Keypoints, to learn the visual patterns associated with joints and facial features. During inference, the model regresses the coordinates for each keypoint, often including a confidence score to indicate the reliability of the prediction.

Link to this section키포인트와 관련 개념 비교#

키포인트의 고유한 유용성을 이해하기 위해 다른 일반적인 컴퓨터 비전 출력과 구별하는 것이 도움이 됩니다.

• 키포인트 vs. 바운딩 박스: 바운딩 박스(bounding box)는 전체 객체를 직사각형으로 감싸는 거친 위치 정보를 제공합니다. 키포인트는 해당 객체 내부의 특정 부분에 대한 미세한 위치 정보를 제공합니다.
• 키포인트 vs. 이미지 세그멘테이션: 이미지 세그멘테이션(image segmentation)은 모든 픽셀을 분류하여 객체 모양의 정밀한 마스크를 생성합니다. 세그멘테이션이 상세한 경계 정보를 제공하는 반면, 키포인트는 동작 및 운동학(kinematics)을 분석하는 데 더 효율적인 구조적 요약(즉, "골격")을 제공합니다.
• 키포인트 vs. 특징 기술자: SIFT (Scale-Invariant Feature Transform)와 같은 전통적인 이미지 처리에서 키포인트는 이미지 매칭에 사용되는 관심 지점(모서리, 블롭)입니다. 현대적인 DL 자세 추정에서 키포인트는 네트워크가 학습한 의미론적 라벨(예: "왼쪽 손목")입니다.

Link to this section실제 애플리케이션 사례#

특정 신체 부위나 객체 특징을 추적하는 능력은 산업 전반에 걸쳐 다양한 응용 분야를 열어줍니다.

• 스포츠 분석: 코치와 운동선수는 자세 추정을 사용하여 생체 역학을 분석합니다. 관절의 키포인트를 추적함으로써 시스템은 각도와 속도를 계산하여 골프, 테니스, 단거리 달리기와 같은 스포츠에서 기술을 향상시킬 수 있습니다. Ultralytics YOLO 모델이 골프 스윙을 추적하는 방법을 통해 실행 가능한 피드백을 제공하는 방식을 확인해 보십시오.
• 의료 및 재활: 물리 치료 플랫폼은 키포인트를 활용하여 원격으로 환자의 운동을 모니터링합니다. 이 시스템은 재활 루틴 중에 환자가 올바른 자세를 유지하도록 보장하여 부상 위험을 줄이고 회복 진행 상황을 추적합니다.
• 증강 현실(AR): 소셜 미디어 필터 및 가상 착용 애플리케이션은 얼굴 키포인트(눈, 코, 입 윤곽선)를 사용하여 디지털 마스크나 안경을 사용자 얼굴에 안전하게 고정하며, 사용자가 움직여도 정렬 상태를 유지합니다.
• 운전자 모니터링: 자동차 안전 시스템은 얼굴 랜드마크를 추적하여 졸음이나 주의 산만의 징후를 감지하며, 운전자의 눈이 감기거나 머리 위치가 주의력 부족을 나타낼 경우 운전자에게 경고를 보냅니다.

Link to this sectionYOLO26을 사용한 키포인트 탐지 구현#

Ultralytics Platform 또는 Python SDK를 사용하여 개발자는 키포인트 탐지를 쉽게 구현할 수 있습니다. 다음 예제는 사전 학습된 YOLO26-pose 모델을 로드하고 이미지에 대해 추론을 실행하여 인간의 골격을 탐지하는 방법을 보여줍니다.

from ultralytics import YOLO

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

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

# Visualize the results showing detected keypoints and skeletons
for result in results:
    result.show()  # Display the image with keypoints drawn

    # Access keypoint coordinates (x, y, confidence)
    keypoints = result.keypoints.data
    print(f"Detected keypoints shape: {keypoints.shape}")

이 간단한 워크플로우를 통해 정교한 컴퓨터 비전(CV) 애플리케이션을 신속하게 배포할 수 있습니다. 산업 기계나 특정 동물 종의 특정 지점을 탐지하기 위해 자체 키포인트 모델을 학습하려는 사용자를 위해 Ultralytics Platform은 클라우드 환경에서 데이터 주석 및 모델 학습 프로세스를 간소화합니다.

Link to this section고급 고려 사항#

키포인트 탐지를 성공적으로 배포하려면 가려짐(신체 부위가 숨겨진 경우) 및 다양한 조명 조건과 같은 문제를 처리해야 합니다. 최신 모델은 학습 중에 강력한 데이터 증강(data augmentation)을 통해 이를 해결하며, 다양한 시나리오에 네트워크를 노출시킵니다. 또한, 키포인트를 객체 추적(object tracking) 알고리즘과 통합하면 비디오 스트림에서 시간이 지나도 개인을 일관되게 식별할 수 있으며, 이는 보안이나 행동 분석과 같은 애플리케이션에 필수적입니다.