Two-Stage Object Detectors

2단계 객체 감지기는 컴퓨터 비전에서 이미지 내의 항목을 식별하고 위치를 파악하는 데 사용되는 정교한 deep learning (DL) 아키텍처 클래스입니다. 단일 패스로 감지를 수행하는 1단계 모델과 달리, 이 모델들은 작업을 영역 제안과 객체 분류라는 두 가지 고유한 단계로 나눕니다. 이 이분법적 접근 방식은 높은 위치 정확도를 우선시하도록 개척되었으며, artificial intelligence (AI)의 진화 과정에서 역사적으로 중요한 의미를 갖습니다. '어디에'와 '무엇을'을 분리함으로써 2단계 감지기는 특히 작거나 가려진 객체에서 우수한 정밀도를 달성하는 경우가 많지만, 이는 일반적으로 증가된 컴퓨팅 리소스와 느린 inference latency를 대가로 치르게 됩니다.

2단계 프로세스#

2단계 탐지기의 아키텍처는 사람이 장면을 면밀히 관찰하는 방식을 모방한 순차적 워크플로에 의존합니다.

1. 영역 제안: 첫 번째 단계에서 모델은 입력 이미지를 스캔하여 객체가 존재할 수 있는 잠재적 영역을 식별합니다. Region Proposal Network (RPN)으로 알려진 구성 요소는 관심 영역(RoIs)이라고도 하는 희소한 후보 박스 집합을 생성합니다. 이 단계는 배경의 대부분을 필터링하여 네트워크가 관련 영역에 처리 능력을 집중할 수 있도록 합니다.

2. 분류 및 정제: 두 번째 단계에서 모델은 Convolutional Neural Networks (CNNs)을 사용하여 이러한 후보 영역에서 특징을 추출합니다. 그런 다음 각 영역에 특정 클래스 레이블(예: "person", "vehicle")을 할당하고 bounding box의 좌표를 정제하여 객체를 촘촘하게 감싸도록 합니다.

이 아키텍처의 대표적인 예로는 R-CNN 패밀리, 특히 Faster R-CNN과 Mask R-CNN이 있으며, 이들은 수년 동안 학술 벤치마크의 표준을 세웠습니다.

1단계 탐지기와의 비교#

2단계 모델을 Single Shot MultiBox Detector (SSD) 및 Ultralytics YOLO 시리즈와 같은 one-stage object detectors와 구분하는 것이 유용합니다. 2단계 모델이 영역을 개별적으로 처리하여 accuracy를 우선시하는 반면, 1단계 모델은 감지를 단일 회귀 문제로 구성하여 이미지 픽셀을 바운딩 박스 좌표와 클래스 확률에 직접 매핑합니다.

역사적으로 이는 트레이드오프를 야기했습니다. 즉, 2단계 모델은 더 정확하지만 느렸고, 1단계 모델은 더 빠르지만 정밀도가 떨어졌습니다. 그러나 현대의 발전으로 이러한 경계가 모호해졌습니다. YOLO26과 같은 최첨단 모델은 이제 real-time inference에 필요한 속도를 유지하면서 2단계 감지기의 정확도와 견줄 만한 엔드투엔드 아키텍처를 활용합니다.

실제 애플리케이션 사례#

precision과 recall에 대한 강조 때문에 2단계 감지기는 원시 처리 속도보다 안전성과 세부 사항이 더 중요한 시나리오에서 선호되는 경우가 많습니다.

• 의료 진단 영상: AI in healthcare 분야에서 진단을 놓치는 것은 치명적일 수 있습니다. 2단계 아키텍처는 X선 또는 MRI 스캔에서 종양과 같은 이상 징후를 감지하기 위해 medical image analysis에서 자주 사용됩니다. 다단계 프로세스는 복잡한 조직 배경 속에서 작은 병변을 놓치지 않도록 도와주며 방사선 전문의에게 높은 신뢰도의 자동화된 지원을 제공합니다.
• 고정밀 산업 검사: smart manufacturing에서 자동 시각 검사 시스템은 이러한 모델을 사용하여 조립 라인의 미세한 결함을 식별합니다. 예를 들어 터빈 블레이드의 미세 균열을 감지하려면 2단계 감지기가 제공하는 높은 Intersection over Union (IoU) 정확도가 필요하며, 이를 통해 결함이 없는 부품만 다음 생산 단계로 진행할 수 있습니다.

최신 탐지 기술 구현#

2단계 감지기가 고정밀 비전의 기반을 마련했지만, 현대 개발자들은 현저히 더 쉬운 배포 워크플로로 필적할 만한 성능을 제공하는 고급 1단계 모델을 자주 활용합니다. Ultralytics Platform은 이러한 모델의 학습 및 배포를 단순화하고 데이터셋과 컴퓨팅 리스를 효율적으로 관리합니다.

다음 Python 예제는 ultralytics을 사용하여 최신 객체 감지 워크플로로 추론을 로드하고 실행하는 방법을 보여주며, 기존 2단계 방식과 유사하지만 더 큰 효율성으로 고정밀 결과를 달성합니다:

from ultralytics import YOLO

# Load the YOLO26 model, a modern high-accuracy detector
model = YOLO("yolo26n.pt")

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

# Process results (bounding boxes, classes, and confidence scores)
for result in results:
    result.show()  # Display the detection outcomes
    print(result.boxes.conf)  # Print confidence scores