Keypoints

키포인트(Keypoints)는 이미지 내에서 객체나 피사체의 중요한 특징을 정의하는 독특한 공간적 위치 또는 랜드마크입니다. 컴퓨터 비전과 머신 러닝의 맥락에서 키포인트는 일반적으로 사람의 팔꿈치, 건물의 모서리, 자동차 바퀴의 중심과 같이 객체의 특정 부분을 정확히 가리키는 좌표 세트(X, Y)로 표현됩니다. 객체의 존재 여부만 식별하는 단순한 작업과 달리, 키포인트를 식별하면 인공지능(AI) 모델이 피사체의 기하학적 구조, 자세, 구조적 배치를 이해할 수 있습니다. 이 기능은 고급 시각 분석의 기본이 되며, 기계가 바디 랭글러를 해석하고, 정밀한 움직임을 추적하며, 디지털 오버레이를 실제 세계의 객체와 정렬할 수 있도록 합니다.

AI 모델에서 키포인트의 역할#

키포인트는 인간이나 동물의 골격 구조를 매핑하는 기법인 포즈 추정(pose estimation)을 위한 기초 데이터 역할을 합니다. 어깨, 무릎, 발목 등 미리 정의된 포인트 세트를 감지함으로써 알고리즘은 실시간으로 피사체의 전체 포즈를 재구성할 수 있습니다. 이 프로세스는 내부 형태를 이해하지 못한 채 객체 주변의 경계 상자를 출력하는 표준 객체 감지(object detection)를 넘어섭니다.

최첨단 Ultralytics YOLO26과 같은 현대적인 아키텍처는 이러한 키포인트를 높은 정확도와 속도로 예측할 수 있도록 진화했습니다. 이러한 모델은 관절 및 얼굴 특징과 관련된 시각적 패턴을 학습하기 위해 COCO Keypoints와 같은 대규모 주석이 달린 데이터셋으로 훈련된 딥러닝(DL) 네트워크를 활용합니다. 추론 과정에서 모델은 각 키포인트의 좌표를 회귀하며, 종종 예측의 신뢰성을 나타내는 신뢰도 점수를 포함합니다.

키포인트와 관련 개념 비교#

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

• 키포인트 vs. 경계 상자: 경계 상자(bounding box)는 전체 객체를 직사각형으로 감싸는 거친 위치 파악을 제공합니다. 키포인트는 해당 객체 내부의 특정 부분에 대한 세밀한 위치 파악을 제공합니다.
• 키포인트 vs. 이미지 분할: 이미지 분할(Image segmentation)은 모든 픽셀을 분류하여 객체 형태의 정밀한 마스크를 생성합니다. 분할은 상세한 경계 정보를 제공하는 반면, 키포인트는 모션 및 운동학(kinematics)을 분석하는 데 종종 더 효율적인 구조적 요약("스켈레톤")을 제공합니다.
• 키포인트 vs. 특징 디스크립터: SIFT (Scale-Invariant Feature Transform)와 같은 전통적인 이미지 처리에서 키포인트는 이미지 매칭에 사용되는 관심 지점(모서리, 블롭)입니다. 현대적인 DL 포즈 추정에서 키포인트는 네트워크가 학습한 의미론적 레이블(예: "왼쪽 손목")입니다.

실제 애플리케이션 사례#

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

• 스포츠 분석: 코치와 선수들은 생체 역학을 분석하기 위해 포즈 추정을 사용합니다. 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 방법을 확인해 보세요.
• 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.

Ultralytics YOLO26을 사용한 키포인트 검출 구현#

Ultralytics 플랫폼(Ultralytics Platform) 또는 Python SDK를 사용하여 개발자는 쉽게 키포인트 감지를 구현할 수 있습니다. 다음 예제는 사전 훈련된 YOLO26-pose 모델을 로드하고 이미지에서 추론을 실행하여 인간의 골격을 감지하는 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 워크플로를 통해 정교한 컴퓨터 비전(CV) 애플리케이션을 신속하게 배포할 수 있습니다. 산업 기계나 동물 종의 특정 포인트를 감지하기 위해 자신만의 커스텀 키포인트 모델을 훈련하고자 하는 사용자를 위해, Ultralytics 플랫폼(Ultralytics Platform)은 클라우드에서 데이터 주석 및 모델 훈련 프로세스를 간소화합니다.

고급 고려 사항#

키포인트 감지를 성공적으로 배포하려면 가림 현상(신체 부위가 가려질 때) 및 다양한 조명 조건과 같은 문제를 처리해야 합니다. 최신 모델은 훈련 중 강력한 데이터 증강(data augmentation)을 통해 네트워크가 다양한 시나리오에 노출되도록 하여 이 문제를 해결합니다. 또한 키포인트를 객체 추적(object tracking) 알고리즘과 통합하면 비디오 스트림에서 시간이 지나도 개인을 일관되게 식별할 수 있으며, 이는 보안이나 행동 분석과 같은 애플리케이션에 필수적입니다.