One-Stage Object Detectors

단일 단계 객체 검출기는 탁월한 속도와 효율성으로 객체 검출 작업을 수행하도록 설계된 강력한 딥러닝 아키텍처입니다. 검출 프로세스를 영역 제안과 후속 분류라는 별도의 단계로 나누는 기존의 2단계 객체 검출기와 달리, 단일 단계 모델은 한 번의 패스로 전체 이미지를 분석합니다. 검출을 직접 회귀 문제로 정의함으로써 이러한 네트워크는 입력 픽셀에서 직접 바운딩 박스 좌표와 클래스 확률을 동시에 예측합니다. 이러한 간소화된 접근 방식은 계산 오버헤드를 크게 줄여, 실시간 추론과 리소스가 제한된 엣지 AI 디바이스에 배포해야 하는 애플리케이션에서 단일 단계 검출기가 선호되는 선택지가 되도록 합니다.

핵심 작동 원리#

단일 단계 검출기의 아키텍처는 일반적으로 특징 추출을 위한 백본 역할을 하는 합성곱 신경망 (CNN)을 중심으로 구성됩니다. 이미지가 네트워크를 통과하면 모델은 공간 정보와 의미 정보를 인코딩하는 특징 맵 그리드를 생성합니다.

Single Shot MultiBox Detector(SSD)와 같은 초기 구현은 다양한 스케일에서 사전 정의된 앵커 박스에 의존해 객체의 위치를 파악했습니다. 그러나 Ultralytics YOLO11 및 최첨단 YOLO26과 같은 최신 발전은 대부분 앵커 프리 설계로 전환되었습니다. 이러한 최신 아키텍처는 객체의 중심과 크기를 직접 예측하므로 앵커와 관련된 복잡한 하이퍼파라미터 튜닝이 필요하지 않습니다. 최종 출력은 위치 파악을 위한 좌표 벡터와 검출된 객체에 대한 모델의 확신 정도를 나타내는 신뢰도 점수로 구성됩니다.

단일 단계 검출기와 2단계 검출기 비교#

이 두 가지 주요 범주를 구분하면 특정 작업에 적합한 도구를 선택하는 데 도움이 됩니다.

• 단일 단계 객체 검출기: Ultralytics YOLO 시리즈와 같은 모델은 짧은 추론 지연 시간을 우선시합니다. 속도에 최적화되어 있어 비디오 스트림과 모바일 애플리케이션에 이상적입니다. 최근 버전에서는 정확도 격차가 크게 줄어들어 실시간 성능을 유지하면서 더 느린 모델의 정밀도와 일치하거나 이를 능가하는 경우가 많습니다.
• 2단계 객체 검출기: R-CNN 제품군과 같은 아키텍처는 먼저 영역 제안을 생성한 다음 이를 분류합니다. 역사적으로 작거나 가려진 객체에 대해 더 높은 정밀도를 제공했지만, 계산 비용이 더 높고 일반적으로 속도가 느려 시간에 민감한 시나리오에서의 사용이 제한됩니다.

실제 적용 사례#

단일 단계 검출기의 효율성은 즉각적인 응답성이 중요한 다양한 산업 분야에서 광범위한 도입을 이끌었습니다.

• 자율주행 차량: 자율주행 자동차는 보행자, 교통 표지판 및 다른 차량을 식별하기 위해 비디오 피드를 즉시 처리해야 합니다. 이 분야의 선도 기업들은 복잡한 환경을 안전하게 주행하기 위해 고속 비전 시스템에 의존하며, 검출과 함께 객체 추적을 활용하는 경우가 많습니다.
• 스마트 제조: 고속 조립 라인에서 이러한 모델은 결함을 검출하거나 부품 배치를 실시간으로 확인하여 자동화된 품질 관리를 수행합니다. 이를 통해 병목 현상 없이 생산 효율성을 보장하며, 간편한 배포를 위해 Ultralytics Platform과 통합되는 경우가 많습니다.
• 엣지 AI 및 IoT: 경량 특성 덕분에 단일 단계 검출기는 Raspberry Pi나 NVIDIA Jetson과 같은 IoT 디바이스에 적합합니다. 따라서 지속적인 클라우드 연결 없이도 원격 카메라와 드론에 고급 지능을 제공할 수 있습니다.

Python을 활용한 기술 구현#

최신 고수준 API를 사용하면 단일 단계 검출기를 간단하게 구현할 수 있습니다. 정확한 결과를 보장하기 위해 모델은 여러 개의 잠재적 박스를 예측하는 경우가 많으며, 이후 비최대 억제 (NMS)와 같은 기법을 사용해 교집합 대비 합집합 (IoU) 임계값을 기준으로 필터링합니다. 다만 Ultralytics YOLO26과 같은 최신 엔드투엔드 모델은 이 과정을 기본적으로 처리합니다.

다음 Python 예제에서는 최첨단 YOLO26 모델을 로드하고 이미지에 대해 추론을 수행하는 방법을 보여줍니다.

from ultralytics import YOLO

# Load the YOLO26 model, the latest natively end-to-end one-stage detector
model = YOLO("yolo26n.pt")

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

# Display the first result with bounding boxes and labels
results[0].show()

최신 단일 단계 아키텍처의 장점#

단일 단계 검출기의 발전은 "정확도와 속도" 간의 상충 관계를 극복하는 데 중점을 두었습니다. Focal Loss와 같은 기법은 학습 중 클래스 불균형 문제를 해결하기 위해 도입되었으며, 모델이 풍부한 배경보다 분류하기 어려운 예제에 집중하도록 합니다. 또한 특징 피라미드 네트워크 (FPN)를 통합하면 이러한 모델이 다양한 스케일의 객체를 효과적으로 검출할 수 있습니다.

오늘날 연구자와 개발자는 Ultralytics Platform과 같은 도구를 사용해 이러한 고급 아키텍처를 커스텀 데이터셋으로 쉽게 학습할 수 있습니다. 이 플랫폼은 데이터 어노테이션부터 모델 배포까지의 워크플로를 간소화합니다. 농업부터 헬스케어까지, 단일 단계 검출기의 접근성은 강력한 컴퓨터 비전 기능을 대중화하고 있습니다.