물체 감지

객체 감지는 이미지나 동영상 내에서 하나 이상의 객체를 식별하고 위치를 파악하는 컴퓨터 비전(CV) 의 기본 작업입니다. 목표는 물체가 무엇인지 분류하는 것뿐만 아니라 일반적으로 각 물체 주위에 경계 상자를 그려서 위치를 파악하는 것입니다. 이 기술은 많은 고급 인공 지능(AI) 애플리케이션의 초석 역할을 하며, 기계가 물리적 주변 환경을 높은 수준으로 인식하고 해석할 수 있게 해줍니다.

객체 감지 작동 방식

객체 감지 모델은 일반적으로 딥 러닝(DL), 특히 합성곱 신경망(CNN)을 사용하여 구축됩니다. 이 과정에는 이미지를 네트워크에 입력하면 감지된 객체 목록이 출력되며, 각 객체에는 클래스 레이블(예: '사람', '자동차', '개'), 신뢰도 점수, 경계 상자의 좌표가 포함됩니다.

최신 객체 감지 아키텍처는 입력 이미지에서 특징을 추출하는 백본과 경계 상자 및 클래스를 예측하는 감지 헤드의 두 가지 주요 부분으로 구성됩니다. 이러한 아키텍처는 종종 1단계 또는 2단계 감지기로 분류됩니다.

• 원스테이지 객체 감지기: Ultralytics YOLO 제품군과 같은 모델은 한 번의 패스로 감지를 수행하므로 매우 빠르고 실시간 추론에 적합합니다. 모든 바운딩 박스와 클래스 확률을 동시에 예측합니다.
• 2단계 객체 감지기: R-CNN 및 그 변형과 같은 아키텍처는 먼저 관심 영역을 제안한 다음 해당 영역 내에서 객체를 분류합니다. 매우 정확한 경우가 많지만 1단계 감지기에 비해 속도가 느릴 수 있습니다.

객체 감지 대 다른 CV 작업

객체 감지를 다른 관련 컴퓨터 비전 작업과 구분하는 것이 중요합니다:

• 이미지 분류: 전체 이미지에 하나의 레이블을 할당합니다(예: "이것은 고양이 사진입니다"). 개체를 찾지는 않습니다.
• 이미지 세분화: 이미지의 각 픽셀을 분류하여 개체의 정확한 윤곽을 제공합니다. 인스턴스 분할은 동일한 개체 클래스의 여러 인스턴스를 구분하는 반면, 의미 분할은 클래스의 모든 인스턴스를 하나의 엔티티로 취급합니다.
• 객체 추적: 객체 추적: 동영상에서 여러 프레임에 걸쳐 특정 객체를 추적하여 시간이 지나도 동일성을 유지하는 객체 감지의 확장 기능입니다. 동영상에서 움직이는 객체 추적에 대한 자세한 내용은 동영상 객체 추적 가이드에서 확인할 수 있습니다.

실제 애플리케이션

물체 감지는 다양한 산업 분야에서 사용되는 혁신적인 기술입니다.

1. 자율주행 차량: 자율 주행 차량에서 물체 감지는 보행자, 자전거, 다른 차량, 교통 신호를 식별하여 안전하게 주행하는 데 매우 중요합니다. 웨이모와 테슬라 같은 회사는 자율 주행 시스템을 강화하기 위해 이 기술에 막대한 투자를 해왔습니다.
2. 제조 분야의 AI: 조립 라인에서는 감지 모델이 자동으로 결함을 발견하거나 부품이 올바르게 조립되었는지 확인합니다. 이를 통해 품질 관리가 향상되고 생산 효율성이 개선됩니다.
3. 보안 및 감시: 자동화된 시스템은 보안 경보 시스템 구축 가이드에 자세히 설명된 대로 물체 감지 기능을 사용하여 권한이 없는 사람, 버려진 패키지 또는 비정상적인 활동을 실시간으로 식별합니다.
4. 의료 분야의 AI: 의료 이미지 분석에서 모델은 엑스레이와 CT 스캔에서 종양이나 골절과 같은 이상 징후를 감지하고 강조 표시하여 방사선과 의사를 지원합니다. 블로그에서 종양 탐지에 YOLO11을 사용하는 방법에 대해 자세히 알아보세요.
5. 농업에서의 AI: 물체 감지 기능이 탑재된 드론과 지상 기반 로봇은 작물의 상태를 모니터링하고, 해충을 식별하며, 수확량을 매우 정밀하게 예측할 수 있습니다.

도구 및 교육

객체 감지 모델을 개발하고 배포하려면 다양한 도구와 기법으로 구성된 에코시스템이 필요합니다.

• 프레임워크: PyTorch 및 TensorFlow와 같은 인기 있는 딥 러닝 프레임워크는 모델 구축을 위한 핵심 라이브러리를 제공합니다.
• 모델: Ultralytics는 속도와 정확도의 균형을 위해 최적화된 YOLOv8 및 YOLO11과 같은 최신 모델을 제공합니다. 모델 비교 페이지에서 다른 모델과의 비교를 확인할 수 있습니다.
• 플랫폼: Ultralytics HUB는 인기 있는 COCO 데이터 집합과 같은 데이터 집합 관리부터 사용자 지정 모델 교육 및 모델 배포 촉진에 이르기까지 전체 워크플로우를 간소화합니다.
• 기술: 학습 과정에서는 데이터 증강과 같은 기술을 통해 견고성을 개선하고 사전 학습된 모델의 지식을 활용하는 전이 학습을 활용하는 경우가 많습니다. 모델 성능은 성능 지표 가이드에 설명된 대로 mAP 및 IoU와 같은 지표를 사용하여 평가됩니다.