Object Tracking

객체 추적은 컴퓨터 비전(CV)의 역동적인 프로세스로, 비디오 내 특정 개체를 식별하고 프레임 시퀀스에 걸쳐 해당 개체의 움직임을 모니터링하는 작업을 포함합니다. 각 스냅샷을 개별적으로 처리하는 정적 이미지 분석과 달리, 추적은 시간이라는 차원을 도입합니다. 이를 통해 인공지능(AI) 시스템은 감지된 각 항목(자동차, 사람, 동물 등)에 고유 식별 번호(ID)를 할당하고, 객체가 이동하거나 방향이 바뀌거나 일시적으로 가려지더라도 해당 식별 정보를 유지할 수 있습니다. 이러한 기능은 비디오 이해 분야의 초석이며, 기계가 원본 영상에서 행동을 분석하고, 궤적을 계산하며, 실행 가능한 통찰력을 도출할 수 있도록 합니다.

Link to this section객체 추적의 작동 원리#

현대 추적 시스템은 일반적으로 "탐지 기반 추적(tracking-by-detection)" 패러다임을 활용합니다. 이 워크플로우는 강력한 탐지 모델과 특수 알고리즘을 결합하여 시간에 따른 탐지 결과를 연결합니다. 이 프로세스는 일반적으로 다음 세 가지 주요 단계를 따릅니다.

1. Detection: In every frame, an object detection model, such as the state-of-the-art YOLO26, scans the image to locate objects of interest. The model outputs bounding boxes that define the spatial extent of each object.

2. 모션 예측(Motion Prediction): 칼만 필터(Kalman Filter)와 같은 알고리즘은 현재 속도와 궤적을 기반으로 객체의 향후 위치를 추정합니다. 이 예측은 다음 프레임에 대한 검색 공간을 줄여 시스템의 효율성을 높입니다.

3. 데이터 연관(Data Association): 시스템은 헝가리안 알고리즘(Hungarian algorithm)과 같은 최적화 방법을 사용하여 새로운 탐지 결과를 기존 추적 데이터와 매칭합니다. 이 단계는 종종 예측된 박스와 새로운 탐지 결과가 얼마나 겹치는지를 측정하는 Intersection over Union (IoU)와 같은 지표에 의존합니다. 고급 추적기는 시각적 특징 추출(feature extraction)을 사용하여 유사해 보이는 객체를 재식별할 수도 있습니다.

Link to this section객체 추적 vs. 객체 탐지#

이 용어들은 밀접하게 관련되어 있지만, 머신러닝(ML) 파이프라인 내에서 서로 다른 기능을 수행합니다.

• 객체 탐지는 "이 이미지에 무엇이 있고 어디에 있는가?"라는 질문에 답합니다. 이는 상태가 없는(stateless) 방식으로, 이전 프레임에 대한 기억이 없습니다. 자동차가 비디오를 통과할 때, 탐지기는 프레임 1에서 "자동차"를 보고 프레임 2에서도 "자동차"를 보지만, 이 둘이 동일한 차량인지 알지 못합니다.
• 객체 추적은 "이 특정 객체는 어디로 가는가?"라는 질문에 답합니다. 이는 상태를 유지하는(stateful) 방식입니다. 프레임 1의 "자동차"를 프레임 2의 "자동차"와 연결하여, 시스템이 "자동차 ID #42"가 왼쪽에서 오른쪽으로 이동하고 있음을 기록할 수 있게 합니다. 이는 예측 모델링(predictive modeling) 및 카운팅과 같은 작업에 필수적입니다.

Link to this section실제 애플리케이션 사례#

객체 식별을 유지하는 능력은 다양한 산업 전반에서 복잡한 실시간 추론(real-time inference) 애플리케이션을 가능하게 합니다.

• 지능형 교통 시스템: 추적은 자율 주행 차량(autonomous vehicles)이 안전하게 주행하는 데 필수적입니다. 보행자와 다른 차량을 추적함으로써 차량은 잠재적인 충돌을 예측할 수 있습니다. 또한, 교통 엔지니어는 안전 규정을 집행하고 교통 흐름을 최적화하기 위해 속도 추정(speed estimation)에 이러한 시스템을 사용합니다.
• 소매 분석: 오프라인 매장은 소매 분야의 AI(AI in retail)를 사용하여 고객 행동을 파악합니다. 추적 기능을 통해 매장 관리자는 객체 카운팅(object counting)을 수행하여 유동 인구를 측정하고, 히트맵(heatmaps)을 사용하여 디스플레이 앞 체류 시간을 분석하며, 대기열 관리(queue management)를 최적화하여 대기 시간을 줄일 수 있습니다.
• 스포츠 분석: 프로 스포츠에서 코치들은 추적과 자세 추정(pose estimation)을 결합하여 선수 생체 역학 및 팀 포메이션을 분석합니다. 이 데이터는 육안으로 보이지 않는 패턴을 밝혀내어 경쟁 우위를 제공합니다.

Link to this sectionPython을 활용한 추적 구현#

Ultralytics를 사용하면 고성능 추적을 간단하게 구현할 수 있습니다. 라이브러리의 track 모드는 탐지, 모션 예측, ID 할당을 자동으로 처리합니다. 아래 예시는 Ultralytics 플랫폼(Ultralytics Platform)과 호환되는 YOLO26 모델을 사용하여 비디오 내 객체를 추적하는 방법을 보여줍니다.

from ultralytics import YOLO

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

# Track objects in a video file or webcam (source=0)
# 'show=True' displays the video with bounding boxes and unique IDs
results = model.track(source="https://ultralytics.com/images/bus.jpg", show=True)

# Access the unique tracking IDs from the results
if results[0].boxes.id is not None:
    print(f"Detected Track IDs: {results[0].boxes.id.cpu().numpy()}")

Link to this section관련 개념#

추적 생태계를 완전히 이해하려면 단순히 상자뿐만 아니라 객체의 정밀한 픽셀 단위 윤곽을 추적하는 인스턴스 분할(instance segmentation)을 살펴보는 것이 도움이 됩니다. 또한, 다중 객체 추적(MOT) 챌린지에서는 알고리즘이 혼잡한 장면과 가림 현상을 얼마나 잘 처리하는지 평가하기 위해 MOTChallenge와 같이 널리 사용되는 벤치마크를 활용하는 경우가 많습니다. 운영 환경에 배포하기 위해 개발자들은 종종 NVIDIA DeepStream이나 OpenCV와 같은 도구를 사용하여 이러한 모델을 효율적인 파이프라인에 통합합니다.