Object Detection

객체 탐지는 컴퓨터 비전(CV) 분야의 핵심 기술로, 컴퓨터 시스템이 시각 데이터 내의 특정 항목을 식별하고 위치를 파악할 수 있도록 합니다. 전체 이미지에 하나의 레이블만 할당하는 간단한 이미지 분류 작업과 달리, 객체 탐지는 객체의 클래스(예: "사람", "자동차", "개")와 공간적 위치를 동시에 예측하여 세밀한 이해를 제공합니다. 이 위치는 일반적으로 객체를 둘러싸는 직사각형 바운딩 박스로 표시되며, 모델의 확신 정도를 나타내는 신뢰도 점수가 함께 제공됩니다. 이러한 이중 기능인 인식과 위치 파악은 최신 인공지능(AI) 애플리케이션의 감각 기반이 되어, 기계가 주변 환경과 의미 있게 상호작용할 수 있도록 합니다.

탐지의 작동 원리#

최신 탐지기는 입력 이미지에서 복잡한 특징을 추출하기 위해 딥러닝(DL) 아키텍처, 특히 합성곱 신경망(CNNs)에 크게 의존합니다. 이 과정은 학습 단계에서 시작되며, 이 단계에서 모델은 COCO 데이터셋과 같이 레이블이 지정된 대규모 컬렉션을 사용해 패턴을 인식하는 방법을 학습합니다. 이 단계에서 알고리즘은 예측 오류를 최소화하도록 모델 가중치를 최적화합니다.

모델이 추론에 배포되면 새로운 이미지를 스캔하여 잠재적인 객체를 제안합니다. 그런 다음 고급 알고리즘이 비최대 억제(NMS)를 적용하여 중복 탐지를 필터링하고, 각 개별 객체가 한 번만 강조 표시되도록 합니다. 이러한 예측의 정확도는 교집합 대비 합집합(IoU) 지표를 사용해 평가하는 경우가 많으며, 이 지표는 예측된 박스와 실제 정답 간의 중첩 정도를 측정합니다. 최근 발전으로 YOLO26과 같은 엔드투엔드 아키텍처가 등장했으며, 이를 통해 이 파이프라인을 간소화하고 엣지 디바이스에서 뛰어난 속도와 실시간 추론 기능을 제공합니다.

주요 용어 구분#

프로젝트에 적합한 도구를 선택하려면 객체 탐지와 관련 개념을 구분하는 것이 중요합니다.

• 객체 탐지와 이미지 분류 비교: 이미지 분류가 "이 이미지에 무엇이 있는가?"에 답한다면, 객체 탐지는 "무엇이 어디에 있는가?"에 답합니다.
• 객체 탐지와 인스턴스 세그멘테이션 비교: 탐지는 항목 주위에 박스를 그립니다. 반면 인스턴스 세그멘테이션은 각 객체의 픽셀 단위로 정확한 윤곽선(마스크)을 식별합니다.
• 객체 탐지와 객체 추적 비교: 탐지는 단일 프레임에서 객체를 찾습니다. 객체 추적은 동영상 시퀀스 전체에서 이러한 탐지 결과를 연결하여 시간에 따른 움직임을 모니터링합니다.

실제 적용 사례#

객체 탐지의 뛰어난 활용성은 주요 산업 전반의 혁신을 이끌고 있습니다. 자동차 산업에서 자율주행 차량의 AI는 보행자, 교통 표지판 및 다른 차량을 즉시 식별하여 안전하게 주행하기 위해 탐지 모델에 크게 의존합니다. 이러한 시스템은 차량에 탑재된 카메라의 비디오 피드를 처리하여 사고를 방지하는 순간적인 의사 결정을 내립니다.

또 다른 대표적인 활용 사례는 리테일 분야의 AI에서 찾아볼 수 있습니다. 자동 결제 시스템과 스마트 재고 관리 로봇은 객체 탐지를 사용하여 진열대를 스캔하고, 제품을 인식하며, 재고 부족이나 잘못 배치된 항목을 감지합니다. 이러한 자동화는 제품이 항상 제공되도록 하여 공급망을 간소화하고 고객 경험을 개선합니다.

객체 탐지 구현#

개발자는 ultralytics Python 패키지를 사용하여 탐지 워크플로를 쉽게 구현할 수 있습니다. 다음 예제에서는 사전 학습된 YOLO26 모델을 로드하고 이미지에 대해 추론을 수행하는 방법을 보여줍니다.

from ultralytics import YOLO

# Load the latest YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

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

# Display the results with bounding boxes
results[0].show()

운영을 확장하려는 팀을 위해 Ultralytics Platform은 데이터에 주석을 추가하고, 클라우드에서 사용자 지정 모델을 학습하며, ONNX 또는 TensorRT와 같은 다양한 형식으로 모델을 배포할 수 있는 종합적인 환경을 제공합니다. 이러한 플랫폼을 활용하면 MLOps 수명 주기를 간소화할 수 있으므로 엔지니어는 인프라 관리보다 애플리케이션 개선에 집중할 수 있습니다.