객체 감지

객체 감지는 이미지 또는 비디오 내에서 하나 이상의 객체를 식별하고 위치를 파악하는 것을 포함하는 컴퓨터 비전(CV)의 기본 작업입니다. 목표는 객체가 무엇인지 분류할 뿐만 아니라 각 객체 주위에 바운딩 박스를 그려 위치를 결정하는 것입니다. 이 기술은 많은 고급 인공 지능(AI) 애플리케이션의 초석 역할을 하여 기계가 높은 수준의 이해력으로 물리적 환경을 인식하고 해석할 수 있도록 합니다.

객체 탐지 작동 방식

객체 감지 모델은 일반적으로 딥 러닝(DL), 특히 합성곱 신경망(CNN)을 사용하여 구축됩니다. 이 프로세스에는 이미지를 네트워크에 공급하는 과정이 포함되며, 네트워크는 감지된 객체 목록을 출력합니다. 각 객체에는 클래스 레이블(예: "사람", "차", "개"), 신뢰도 점수 및 바운딩 박스의 좌표가 함께 제공됩니다.

최신 객체 감지 아키텍처는 입력 이미지에서 특징을 추출하는 백본과 경계 상자 및 클래스를 예측하는 감지 헤드의 두 가지 주요 부분으로 구성됩니다. 이러한 아키텍처는 종종 원-스테이지 또는 투-스테이지 감지기로 분류됩니다.

• 원-스테이지 객체 검출기(One-Stage Object Detectors): Ultralytics YOLO 제품군과 같은 모델은 단일 패스에서 탐지를 수행하므로 매우 빠르며 실시간 추론(real-time inference)에 적합합니다. 모든 바운딩 박스와 클래스 확률을 동시에 예측합니다.
• Two-Stage 객체 검출기: R-CNN 및 그 변형과 같은 아키텍처는 먼저 관심 영역을 제안한 다음 해당 영역 내의 객체를 분류합니다. 종종 매우 정확하지만, One-Stage 검출기보다 느릴 수 있습니다.

객체 탐지 vs. 다른 CV 작업

객체 탐지를 다른 관련 컴퓨터 비전 작업과 구별하는 것이 중요합니다.

• Image Classification: 전체 이미지에 단일 레이블을 할당합니다 (예: "이것은 고양이 사진입니다"). 객체의 위치를 찾지 않습니다.
• 이미지 분할(Image Segmentation): 이미지 내 각 픽셀을 분류하여 객체의 정확한 윤곽을 제공합니다. 인스턴스 분할(Instance segmentation)은 동일한 객체 클래스의 여러 인스턴스를 구별하는 반면, 시맨틱 분할(Semantic segmentation)은 클래스의 모든 인스턴스를 하나의 개체로 취급합니다.
• 객체 추적(Object Tracking): 객체 탐지의 확장으로, 비디오의 여러 프레임에서 특정 객체를 추적하여 시간 경과에 따른 객체의 ID를 유지합니다. 비디오에서 움직이는 객체 추적에 대한 가이드에서 자세한 내용을 확인할 수 있습니다.

실제 애플리케이션

객체 감지는 많은 산업 분야에서 사용되는 혁신적인 기술입니다.

1. 자율 주행 차량: 자율 주행 자동차에서 객체 감지는 안전하게 탐색하기 위해 보행자, 자전거 타는 사람, 다른 차량 및 교통 신호를 식별하는 데 매우 중요합니다. Waymo 및 Tesla와 같은 회사는 자율 시스템을 강화하기 위해 이 기술에 막대한 투자를 했습니다.
2. 제조 분야의 AI: 조립 라인에서 탐지 모델은 자동으로 결함을 발견하거나 부품이 올바르게 조립되었는지 확인합니다. 이는 품질 관리를 향상시키고 생산 효율성을 높입니다.
3. 보안 및 감시: 자동화된 시스템은 객체 탐지를 사용하여 보안 경보 시스템 구축 가이드에 자세히 설명된 대로 실시간으로 무단 개인, 버려진 패키지 또는 비정상적인 활동을 식별합니다.
4. 의료 분야의 AI(AI in Healthcare): 의료 영상 분석(medical image analysis)에서 모델은 X선 및 CT 스캔에서 종양 또는 골절과 같은 이상 징후를 감지하고 강조 표시하여 방사선 전문의를 지원합니다. 블로그에서 종양 감지를 위해 YOLO11을 사용하는 방법에 대해 읽어볼 수 있습니다.
5. 농업 분야의 AI(AI in Agriculture): 객체 감지 기능이 장착된 드론과 지상 기반 로봇은 작물 건강을 모니터링하고, 해충을 식별하고, 수확량을 매우 정확하게 추정할 수 있습니다.

도구 및 훈련

객체 감지 모델의 개발 및 배포에는 풍부한 도구 및 기술 생태계가 포함됩니다.

• 프레임워크: 널리 사용되는 딥러닝 프레임워크인 PyTorch와 TensorFlow는 모델 구축을 위한 핵심 라이브러리를 제공합니다.
• 모델: Ultralytics는 속도와 정확도의 균형을 위해 최적화된 최첨단 모델(예: YOLOv8 및 YOLO11)을 제공합니다. 모델 비교 페이지에서 다른 모델과 비교하여 확인할 수 있습니다.
• 플랫폼: Ultralytics HUB는 널리 사용되는 COCO 데이터세트와 같은 데이터세트 관리부터 맞춤형 모델 훈련 및 모델 배포 촉진에 이르기까지 전체 워크플로를 간소화합니다.
• 기법: 학습 프로세스는 견고성을 개선하기 위한 데이터 증강 및 사전 훈련된 모델의 지식을 활용하기 위한 전이 학습과 같은 기법의 이점을 얻는 경우가 많습니다. 모델 성능은 mAP 및 IoU와 같은 메트릭을 사용하여 평가되며, 이는 성능 메트릭 가이드에 설명되어 있습니다.