Pose Estimation

포즈 추정은 단순히 객체의 존재를 감지하는 것을 넘어 객체의 기하학적 구조와 물리적 방향을 이해하는 특수한 컴퓨터 비전 기술입니다. 표준 객체 탐지가 대상 주위에 단순한 직사각형 상자를 그리는 반면, 포즈 추정은 사람의 신체 관절(팔꿈치, 무릎, 어깨)이나 차량의 구조적 모서리와 같은 특정 의미론적 지점인 키포인트를 식별합니다. 이러한 랜드마크를 매핑하면 머신 러닝 모델이 대상의 골격 표현을 재구성할 수 있으므로, 시스템은 2D 또는 3D 공간에서 신체 언어, 움직임의 역학, 정확한 위치를 해석할 수 있습니다.

핵심 메커니즘: Top-Down과 Bottom-Up#

현대의 포즈 추정은 정교한 딥 러닝 아키텍처에 크게 의존하며, 시각 데이터를 처리하기 위해 합성곱 신경망 (CNNs)을 자주 사용합니다. 알고리즘은 일반적으로 키포인트를 식별하기 위해 다음 두 가지 주요 전략 중 하나를 따릅니다:

• Top-Down 접근법: 이 방법은 먼저 객체 탐지 모델을 사용하여 바운딩 박스 내의 개별 인스턴스를 찾습니다. 더 큰 이미지에서 사람이나 객체를 잘라낸 후, 포즈 추정기는 해당 특정 영역 내의 키포인트를 예측합니다. 이 접근법은 대체로 매우 정확하지만 프레임 내 대상의 수가 증가할수록 더 높은 추론 지연 시간이 발생할 수 있습니다.
• Bottom-Up 접근법: 반대로 이 전략은 전체 이미지에서 가능한 모든 키포인트를 동시에 감지한 다음(예: 군중 속 모든 "왼쪽 무릎" 찾기), 연관 알고리즘을 사용하여 이를 개별 골격으로 그룹화합니다. 이 방법은 사람 수와 관계없이 계산 비용이 비교적 일정하게 유지되므로 혼잡한 장면의 실시간 추론에 일반적으로 선호됩니다.

YOLO26과 같은 최첨단 모델은 이러한 요구 사항의 균형을 맞추는 고급 엔드투엔드 아키텍처를 활용하여 엣지 AI 디바이스와 모바일 플랫폼에 배포하기 적합한 고속 포즈 추정을 제공합니다.

관련 컴퓨터 비전 용어 구분하기#

컴퓨터 비전 워크플로에서 포즈 추정의 고유한 가치를 이해하려면 다른 시각 인식 작업과 포즈 추정을 구분하는 것이 도움이 됩니다:

• 객체 탐지: 객체가 무엇이며 어디에 있는지 식별하는 데 중점을 두고 직사각형 상자를 출력합니다. 객체 내부의 관절 구조를 이해하지 않고 대상을 강체 객체로 취급합니다.
• 인스턴스 세그멘테이션: 객체의 정확한 형태를 나타내는 픽셀 단위의 정밀한 마스크를 생성합니다. 세그멘테이션은 경계를 제공하지만 운동학적 분석에 필요한 관절이나 골격 연결을 명시적으로 식별하지는 않습니다.
• 포즈 추정: 내부 구조를 구체적으로 대상으로 하며, 미리 정해진 랜드마크 간의 연결(예: 엉덩이에서 무릎까지)을 매핑하여 자세와 동작을 분석합니다.

실제 적용 사례#

사람과 객체의 움직임을 디지털화할 수 있게 되면서 다양한 산업 분야에서 혁신적인 애플리케이션이 등장했으며, 대규모 주석 키포인트 데이터세트를 관리하기 위해 Ultralytics Platform과 같은 도구를 사용하여 학습하는 경우가 많습니다.

의료 및 재활#

의료 분야에서 헬스케어 분야의 AI는 포즈 추정을 활용하여 환자의 재활을 원격으로 모니터링합니다. 관절 각도와 가동 범위를 추적함으로써 자동화된 시스템은 환자가 집에서 물리 치료 운동을 올바르게 수행하는지 확인할 수 있습니다. 이를 통해 재부상 위험을 줄이고, 임상의는 고가의 실험실 장비 없이도 회복 과정을 정량화할 수 있습니다.

스포츠 분석#

코치와 선수는 스포츠 분석을 활용하여 경기력을 최적화합니다. 포즈 추정 모델은 기존 모션 캡처에 사용되는 불편한 마커 슈트 없이 골퍼의 스윙 궤도, 주자의 보폭 또는 투수의 생체역학을 분석할 수 있습니다. 이를 통해 기술을 개선하고 과사용 부상을 예방할 수 있는 즉각적인 데이터 기반 피드백을 제공합니다.

리테일 및 행동 분석#

상업 환경에서 리테일 분야의 AI 시스템은 포즈 탐지를 사용하여 높은 선반의 제품에 손을 뻗거나 특정 통로에 오래 머무르는 등 고객 행동을 이해합니다. 이 데이터는 물리적 행동과 구매 결정을 연관시켜 매장 레이아웃을 최적화하고 재고 관리를 개선하는 데 도움이 됩니다.

코드 예제: Ultralytics YOLO26을 사용한 포즈 추정#

최신 Python 프레임워크를 사용하면 포즈 추정을 간단하게 구현할 수 있습니다. 다음 예제에서는 ultralytics 패키지를 사용하여 사전 학습된 YOLO26 모델(YOLO11의 후속 모델)을 로드하고 이미지에서 사람의 키포인트를 감지하는 방법을 보여줍니다.

from ultralytics import YOLO

# Load the YOLO26 pose model (nano version for speed)
model = YOLO("yolo26n-pose.pt")

# Perform inference on an image source
# The model identifies bounding boxes and specific keypoints (joints)
results = model("https://ultralytics.com/images/bus.jpg")

# Print the xy coordinates of detected keypoints
print(results[0].keypoints.xy)

# Visualize the skeletal results directly
results[0].show()