AI 기반 행동 분석과 축산업과 같은 분야에서의 실제 적용에 대한 David Scott의 YOLO 비전 2024 기조연설을 다시 한 번 살펴보세요.
%202.png)
수년 동안 컴퓨터 비전 혁신은 이미지와 동영상에서 개나 자동차 같은 물체를 식별하는 물체 감지와 같은 작업에 집중해 왔습니다. 이러한 접근 방식을 통해 자율 주행 차량, 제조, 의료 등의 분야에서 응용할 수 있게 되었습니다.
하지만 이러한 작업은 물체가 무엇인지 식별하는 데에만 집중하는 경우가 많습니다. 비전 AI 시스템이 한 단계 더 나아갈 수 있다면 어떨까요? 예를 들어 단순히 개를 감지하는 대신 개가 공을 쫓고 있거나 보행자가 횡단 중이어서 자동차가 급제동하는 것을 이해할 수 있다고 가정해 봅시다. 기본 인식에서 문맥 이해로의 전환은 더 스마트하고 문맥을 인식하는 행동 AI로의 큰 변화를 의미합니다.
비전 AI의 발전을 기념하는 연례 하이브리드 이벤트인 YOLO Vision 2024(YV24, Ultralytics)에서는 메인 브랜치의 CEO인 David Scott의 흥미로운 강연에서 AI 기반 행동 분석의 개념이 중심을 차지했습니다.
데이비드는 강연에서 기본적인 컴퓨터 비전 작업에서 행동 추적으로의 전환에 대해 설명했습니다. 25년 이상 최첨단 기술 애플리케이션을 구축한 경험을 바탕으로 그는 이러한 도약의 영향력을 보여주었습니다. 그는 패턴과 행동을 해독하는 것이 농업과 동물 복지와 같은 산업을 어떻게 재편하고 있는지를 강조했습니다.
이 글에서는 데이비드 강연의 주요 내용을 살펴보고 행동 추적을 통해 AI를 더욱 실용적으로 만드는 방법을 알아보겠습니다.
"제 동료는 종종 '과학은 팔리지 않는다'고 말하는데, 과학을 정말 좋아하기 때문에 여기 있는 많은 사람들이 불쾌해합니다."라며 대담한 현실 점검으로 기조연설을 시작했습니다. AI는 정말 멋진데 왜 사람들이 구매하지 않을까요? 하지만 현실적으로 사람들은 단지 멋지다고 생각해서 구매하는 것이 아니라 구매해야 할 이유가 필요합니다."라고 말합니다.
이어서 그는 자신의 회사인 더 메인 브랜치에서는 AI의 기능을 과시하는 것이 아니라 실제 문제를 해결하는 데 항상 초점을 맞추고 있다고 설명했습니다. 많은 고객이 AI를 일반적으로 어떻게 사용할 수 있는지에 대해 이야기하고 싶어 찾아오지만, 그는 이를 문제 없이 솔루션을 찾는 것과 같은 후진적인 접근 방식이라고 생각합니다. 대신 구체적인 과제를 가진 고객과 협력하여 실제로 변화를 가져올 수 있는 AI 솔루션을 만들 수 있도록 지원합니다.
데이비드는 또한 그들의 작업은 종종 장면에서 사물을 인식하는 것 이상의 의미를 갖는다고 말했습니다. 무엇이 있는지 알아내는 것은 첫 번째 단계에 불과합니다. 진정한 가치는 그 정보로 무엇을 할 수 있는지 파악하고 더 큰 가치 사슬 내에서 유용하게 만드는 데서 비롯됩니다.
AI를 진정으로 유용하게 만드는 데 있어 중요한 단계는 물체 감지와 같은 기본적인 컴퓨터 비전 작업을 넘어 이러한 인사이트를 행동 추적에 사용하는 것입니다. David는 행동 AI는 단순히 객체를 식별하는 것이 아니라 행동과 패턴을 이해하는 데 중점을 둔다고 강조했습니다. 이를 통해 AI는 의미 있는 이벤트를 인식하고 실행 가능한 인사이트를 제공할 수 있습니다.
그는 바닥에서 구르는 동물의 예를 들었는데, 이는 질병을 나타낼 수 있습니다. 사람이 24시간 동물을 관찰할 수는 없지만 행동 추적 기능을 갖춘 AI 기반 감시 시스템은 가능합니다. 이러한 솔루션은 지속적으로 물체를 모니터링하고 특정 행동을 감지하여 경고를 보내고 적시에 조치를 취할 수 있습니다. 이를 통해 원시 데이터를 실용적이고 가치 있는 데이터로 전환할 수 있습니다.
또한 데이비드는 이러한 접근 방식이 AI를 흥미로울 뿐만 아니라 진정으로 영향력 있게 만든다는 것을 보여주었습니다. 행동 모니터링 및 행동에 따른 조치와 같은 실제 문제를 해결함으로써 행동 추적은 다양한 산업 분야에서 효과적인 AI 솔루션의 핵심 요소가 될 수 있습니다.
그런 다음 데이비드 스콧은 컴퓨터 비전 모델 Ultralytics YOLOv8컴퓨터 비전 모델이 그의 팀의 행동 추적 프로젝트에 얼마나 획기적인 역할을 했는지 설명했습니다. 이 모델은 객체를 감지, 분류 및 추적할 수 있는 견고한 기반을 제공했습니다. 또한 그의 팀은 한 걸음 더 나아가 시간 경과에 따른 행동 모니터링에 초점을 맞춰 실제 상황에 더욱 실용적이고 도움이 되도록 YOLOv8 을 사용자 지정 학습했습니다.
흥미로운 점은 Ultralytics YOLO11와 같은 솔루션의 신뢰성과 정확성이 더욱 향상될 수 있습니다. 이 최신 모델은 향상된 정밀도와 빠른 처리 속도 등의 기능을 제공하여 행동을 추적하는 능력을 향상시킵니다. 행동 AI를 사용할 수 있는 애플리케이션에 대해 더 자세히 이해한 후에 이에 대해 더 자세히 논의하겠습니다.
이제 데이비드가 이야기한 솔루션과 행동 추적 기술이 실제 애플리케이션에서 어떻게 사용되어 일상적인 문제를 해결하고 의미 있는 영향을 미치고 있는지 살펴보겠습니다.
먼저, David는 대규모 목장에서 수천 마리의 소의 건강을 모니터링하는 HerdSense라는 프로젝트를 통해 해결한 흥미로운 도전 과제에 대해 공유했습니다. 이 프로젝트의 목표는 개별 소의 행동을 추적하여 잠재적인 건강 문제를 파악하는 것이었습니다. 이는 수만 마리의 동물을 동시에 주시해야 한다는 것을 의미했는데, 이는 결코 간단한 작업이 아니었습니다.
각 소를 식별하고 행동을 추적하는 문제를 해결하기 위해 데이비드의 팀은 이틀 동안 워크숍을 열어 모니터링해야 할 모든 가능한 행동의 윤곽을 잡았습니다. 그 결과 총 200가지가 넘는 행동을 파악했습니다.
모든 데이터를 특정 동물과 연결해야 했기 때문에 200가지 행동 중 하나하나가 개별 소를 정확하게 인식하는 데 달려 있었습니다. 한 가지 큰 문제는 소들이 무리를 지어 모여 있을 때 소를 추적하는 것이었기 때문에 개별 동물을 확인하기가 어려웠습니다.
데이비드의 팀은 까다로운 상황에서도 각 소를 일관되게 식별할 수 있는 컴퓨터 비전 시스템을 개발했습니다. 그들은 같은 소가 시야에서 사라지거나 다른 소와 섞이거나 나중에 다시 나타나더라도 항상 같은 ID가 할당된다는 것을 확인할 수 있었습니다.
이어서 David는 말을 모니터링하기 위해 유사한 행동 추적 기술을 적용한 또 다른 흥미로운 프로젝트를 소개했습니다. 이 프로젝트에서 David의 팀은 소처럼 개별 말의 ID를 면밀히 추적할 필요가 없었습니다. 대신 특정 행동에 초점을 맞추고 식습관이나 일반적인 활동 수준과 같은 세부 사항을 추적하여 건강 문제를 조기에 발견했습니다. 행동의 작은 변화를 파악하면 더 나은 치료를 제공하고 문제가 심각해지기 전에 예방할 수 있는 더 빠른 개입으로 이어질 수 있습니다.
데이비드는 흥미로운 사례를 통해 행동 추적의 복잡성에 대해서도 설명했습니다. 그의 팀은 행동 분석을 개선할 방법을 연구하던 중 주머니에 손을 넣는 것과 같은 특정 포즈를 분석하여 도난을 감지할 수 있다고 주장하는 한 회사를 발견했습니다. 특정 동작이 의심스러운 행동을 암시할 수 있으니 처음에는 좋은 아이디어처럼 보였죠?
하지만 데이비드는 더 자세히 살펴보면서 이 방법의 한계를 깨달았습니다. 주머니에 손을 넣는 등 한 가지 포즈만 취한다고 해서 반드시 도둑질을 하고 있다는 것을 의미하지는 않습니다. 여유로운 표정, 생각에 잠긴 표정, 심지어 추운 표정일 수도 있습니다. 고립된 포즈에 집중할 때의 문제점은 더 큰 맥락을 무시한다는 것입니다. 행동은 단순한 단일 행동이 아니라 맥락과 의도에 따라 형성되는 시간의 흐름에 따른 행동 패턴입니다.
David는 진정한 행동 추적은 훨씬 더 복잡하며 총체적인 접근 방식이 필요하다고 강조했습니다. 행동의 시퀀스를 분석하고 더 큰 그림에서 행동이 의미하는 바를 이해하는 것입니다. 그는 AI 업계가 진전을 보이고 있지만, 의미 있고 정확한 인사이트를 제공하기 위해 행동 추적을 발전시키기 위해서는 아직 해야 할 일이 많다고 지적했습니다.
그 후, David는 청중을 무대 뒤로 데려가 그의 팀이 YOLOv8 의 도움을 받아 소의 건강을 모니터링하는 컴퓨터 비전 솔루션을 구축한 방법과 그 자세 추정 기능을 보여주었습니다.
먼저 소의 자세 추정을 위한 맞춤형 데이터 세트를 생성하여 표준 키 포인트 수를 17개에서 145개로 늘려 모델의 움직임 분석 능력을 향상시켰습니다. 그런 다음 2백만 개가 넘는 이미지와 1억 1천만 개의 행동 예시로 구성된 방대한 데이터 세트를 통해 모델을 학습시켰습니다.
데이비드의 팀은 고급 하드웨어 인프라를 사용하여 기존 하드웨어에서는 몇 주가 걸렸던 모델을 단 이틀 만에 훈련시킬 수 있었습니다. 그런 다음 훈련된 모델을 여러 비디오 프레임을 동시에 분석하여 소의 행동 패턴을 감지하는 맞춤형 행동 추적기와 통합했습니다.
그 결과, 먹기, 마시기, 눕기 등 8가지 소의 행동을 감지하고 추적하여 건강 문제를 나타낼 수 있는 사소한 행동 변화를 감지할 수 있는 비전 AI 기반 솔루션이 탄생했습니다. 이를 통해 농부들은 신속하게 조치를 취하고 가축 관리를 개선할 수 있습니다.
데이비드는 청중들과 중요한 교훈을 공유하며 강연을 마무리했습니다: "AI에 실패할 여지를 주지 않는다면 결국 통계적으로 실패할 수밖에 없습니다." 그는 AI의 강점에도 불구하고 AI가 완벽하지는 않다고 지적했습니다. AI는 패턴을 통해 학습하는 도구이기 때문에 항상 제대로 작동하지 않을 때가 있습니다. 이러한 실수를 두려워하기보다는 이를 처리할 수 있는 시스템을 구축하고 시간이 지남에 따라 지속적으로 개선하는 것이 핵심입니다.
이는 컴퓨터 비전 모델 자체에 있어서도 마찬가지입니다. 예를 들어, Ultralytics YOLO 모델의 최신 버전인 Ultralytics YOLO11 은 YOLOv8 에 비해 한 단계 더 발전할 필요성을 염두에 두고 개발되었습니다.
특히 YOLO11 은 농업 및 의료와 같이 정밀도가 중요한 실시간 애플리케이션에서 더 나은 성능을 제공합니다. 고급 기능을 갖춘 YOLO11 은 혁신적인 실시간 인사이트를 제공하고 보다 효과적으로 문제를 해결할 수 있도록 지원함으로써 업계의 AI 사용 방식을 재정의하고 있습니다.
데이비드의 YV24 기조연설은 AI가 단순히 멋진 혁신이 아니라 실제 문제를 해결하고 우리의 생활과 업무 방식을 개선하는 강력한 도구라는 점을 상기시켜주었습니다. 행동에 초점을 맞춘 AI는 이미 동물의 건강을 추적하고 일상적인 행동에서 의미 있는 패턴을 인식하는 등의 영역에서 영향력을 발휘하고 있습니다.
행동 AI의 잠재력은 매우 흥미진진하며, 이제 시작에 불과합니다. 행동 AI는 원시 데이터를 실행 가능한 인사이트로 변환함으로써 수동적인 모니터링에서 능동적인 문제 해결로 전환합니다. 행동 AI가 더욱 발전함에 따라 더 현명한 의사 결정을 내리고, 프로세스를 간소화하며, 우리 삶에 의미 있는 개선을 가져올 것으로 기대됩니다.
커뮤니티와 소통하며 AI와 실제 적용 사례에 대해 자세히 알아보세요. GitHub 리포지토리를 방문하여 농업 분야의 AI와 제조업의 컴퓨터 비전과 같은 분야의 혁신 사례를 살펴보세요.
