방향성 경계 상자(OBB)를 사용하여 객체 감지 기능을 향상시키는 방법( Ultralytics YOLO11 )과 이 컴퓨터 비전 작업이 어떤 애플리케이션에 이상적인지 알아보세요.
Ultralytics' 연례 하이브리드 이벤트인 YOLO Vision 2024(YV24)는 AI와 컴퓨터 비전의 최신 혁신에 대해 논의하는 데 중점을 두었습니다. 이 행사는 최신 모델을 소개할 수 있는 완벽한 기회였습니다, Ultralytics YOLO11. 이 모델은 다음과 같은 컴퓨터 비전 작업을 지원합니다. Ultralytics YOLOv8와 동일한 컴퓨터 비전 작업을 지원하여 사용자가 새 모델로 쉽게 전환할 수 있습니다.
다양한 각도에서 객체를 감지하기 위해 방향성 바운딩 박스(OBB) 객체 감지에 YOLOv8 을 사용한다고 가정해 보겠습니다. 이제 코드를 약간만 변경하여 YOLO11 로 전환하면 정확도와 효율성, 처리 속도 향상 등YOLO11의 개선된 기능을 활용할 수 있습니다. 아직 YOLO11 과 같은 모델을 사용해 보지 않으셨다면, OBB 감지는 YOLO11 이 다양한 산업 분야에 어떻게 적용될 수 있는지 보여주는 좋은 예이며, 실질적인 영향을 미치는 실용적인 솔루션을 제공합니다.
이 글에서는 OBB 객체 감지가 무엇인지, 어디에 적용할 수 있는지, YOLO11 을 사용하여 OBB를 감지하는 방법을 살펴봅니다. 또한 YOLO11 의 새로운 기능을 통해 이러한 프로세스를 개선하는 방법과 추론을 실행하고 사용자 지정 모델을 훈련하여 OBB 탐지 기능을 최대한 활용하는 방법도 살펴봅니다.
OBB 객체 감지는 다양한 각도에서 객체를 감지하여 기존의 객체 감지 기능을 한 단계 더 발전시켰습니다. 이미지의 축에 맞춰 정렬되는 일반 바운딩 박스와 달리 OBB는 물체의 방향에 맞게 회전합니다. OBB 객체 감지는 객체가 항상 일직선이 아닌 항공 또는 위성 이미지를 분석하는 데 사용할 수 있습니다. 도시 계획, 에너지, 교통과 같은 산업에서 건물, 차량, 인프라처럼 각진 물체를 정확하게 감지하는 능력은 컴퓨터 비전 애플리케이션의 토대가 되어 실질적인 이점을 제공할 수 있습니다.
YOLO11 는 OBB 감지를 지원하며, 다양한 관점에서 비행기, 선박, 저장 탱크와 같은 물체를 감지할 수 있도록 DOTA v1.0 데이터셋을 학습했습니다. YOLO11 는 다양한 요구사항에 따라 YOLO11n-obb(나노), YOLO11s-obb(소형), YOLO11m-obb(중형), YOLO11l-obb(대형), YOLO11x-obb(초대형) 등 여러 모델 버전으로 제공됩니다. 각 모델은 속도, 정확도, 연산 능력에 따라 크기가 다르며, 다양한 수준의 성능을 제공합니다. 사용자는 자신의 애플리케이션에 적합한 속도와 정확도의 균형을 제공하는 모델을 선택할 수 있습니다.
YOLO11의 객체 감지 기능, 특히 방향성 경계 상자에 대한 지원은 다양한 산업 분야에 더 높은 정밀도를 제공합니다. 다음에서는 실제 상황에서 YOLO11 및 OBB 감지를 사용하여 다양한 분야에서 프로세스를 보다 효율적이고 정확하며 쉽게 관리할 수 있는 몇 가지 예를 살펴보겠습니다.
도시의 설계와 배치에 감탄한 적이 있다면, 도시 계획과 인프라 모니터링의 세밀한 작업 덕분입니다. 인프라 모니터링의 여러 측면 중 하나는 저장 탱크, 파이프라인, 산업 현장과 같은 중요한 구조물을 식별하고 관리하는 것입니다. YOLO11 은 도시 계획가가 항공 이미지를 분석하여 이러한 중요한 구성 요소를 빠르고 정확하게 감지할 수 있도록 도와줍니다.
방향성 바운딩 박스 물체 감지는 다양한 각도에서 본 물체를 감지할 수 있기 때문에 특히 유용합니다(항공 이미지에서 흔히 볼 수 있는 경우). 산업 지역을 추적하고 환경 영향을 관리하며 인프라를 적절하게 유지 관리하려면 정밀도가 필수적입니다. OBB는 감지 프로세스의 신뢰성을 높여 계획자가 도시의 성장, 안전 및 지속 가능성에 대해 정보에 입각한 결정을 내릴 수 있도록 지원합니다. YOLO11 을 사용하면 계획자가 도시를 원활하게 운영하는 인프라를 모니터링하고 관리하는 데 도움이 될 수 있습니다.
태양광 발전소와 같은 재생 에너지와 혁신 기술이 대중화됨에 따라 정기적인 점검이 더욱 중요해지고 있습니다. 태양광 패널은 효율적으로 작동하는지 확인하기 위해 점검이 필요합니다. 시간이 지남에 따라 균열, 먼지 쌓임, 정렬 불량 등의 문제가 발생하면 성능이 저하될 수 있습니다. 정기적인 점검을 통해 이러한 문제를 조기에 발견하면 유지보수를 통해 원활하게 작동하도록 유지할 수 있습니다.
예를 들어, 엣지 AI와 통합된 드론과 YOLO11 을 사용하여 태양광 패널의 손상 여부를 검사할 수 있습니다. 엣지에서 이미지를 분석하면 검사 프로세스의 정확성과 효율성을 높일 수 있습니다. 드론의 움직임과 원근감으로 인해 감시 영상은 다양한 각도에서 태양광 패널을 포착할 수 있습니다. 이러한 경우, YOLO11의 OBB 감지 기능은 드론이 태양광 패널을 정확하게 식별하는 데 도움이 될 수 있습니다.
항구와 항구는 매주 수백 척의 선박을 처리하며, 이렇게 많은 선박을 관리하는 것은 쉽지 않은 일입니다. 항공 이미지에서 선박을 분석할 때는 선박이 다양한 각도로 나타나는 경우가 많기 때문에 어려움이 가중됩니다. 이때 YOLO11의 OBB 감지 기능이 유용하게 사용됩니다.
OBB 감지 기능을 사용하면 표준 직사각형 박스보다 다양한 각도에서 선박을 더 정확하게 감지할 수 있습니다. 배송업체는 OBB와 함께 YOLO11 를 사용하면 선박의 위치와 상태를 보다 쉽게 파악하여 선박의 이동 및 공급망 물류와 같은 중요한 세부 정보를 추적할 수 있습니다. 이러한 비전 지원 솔루션은 경로를 최적화하고 지연을 줄이며 운송 경로 전반에 걸쳐 전반적인 차량 관리를 개선하는 데 도움이 됩니다.
OBB 감지를 위해 YOLO11 을 사용하려는 AI 개발자라면 두 가지 쉬운 옵션으로 시작할 수 있습니다. 코드 작업에 익숙하다면 Ultralytics Python 패키지를 선택하는 것이 좋습니다. 클라우드 학습 기능을 갖춘 사용자 친화적인 노코드 솔루션을 선호하는 경우, Ultralytics HUB는 이를 위해 설계된 사내 플랫폼입니다. 자세한 내용은 Ultralytics HUB를 사용한 교육 및 배포 가이드( Ultralytics YOLO11 )를 참조하세요.
이제 YOLO11의 OBB 지원을 적용할 수 있는 예시를 살펴보았으니 Ultralytics Python 패키지를 살펴보고 이를 사용하여 추론을 실행하고 사용자 지정 모델을 훈련하는 방법을 알아보겠습니다.
먼저 Python 과 함께 YOLO11 을 사용하려면 Ultralytics 패키지를 설치해야 합니다. 기본 설정에 따라 pip, conda 또는 Docker를 사용하여 설치하도록 선택할 수 있습니다. 단계별 지침은 Ultralytics 설치 가이드를 참조하세요. 설치 중에 문제가 발생하는 경우 일반적인 문제 가이드에서 유용한 문제 해결 팁을 확인할 수 있습니다.
Ultralytics 패키지를 설치한 후 YOLO11 으로 작업하는 것은 매우 간단합니다. 추론 실행은 훈련된 모델을 사용하여 새로운 이미지에 대한 예측을 하는 프로세스(예: OBB가 있는 물체를 실시간으로 감지하는 것)를 말합니다. 모델에 새로운 물체를 인식하거나 특정 작업에서 성능을 개선하도록 모델을 학습시키는 모델 트레이닝과는 다릅니다. 추론은 보이지 않는 데이터에 모델을 적용하려는 경우에 사용됩니다.
아래 예시에서는 모델을 로드하고 이를 사용하여 이미지에서 방향이 지정된 바운딩 박스를 예측하는 방법을 안내합니다. 더 자세한 예제와 고급 사용 팁은 공식 문서(Ultralytics )에서 모범 사례와 추가 지침을 확인하세요.
YOLO11 모델을 훈련하면 방향이 지정된 바운딩 박스 개체 감지와 같은 특정 데이터 세트 및 작업에서 성능을 미세 조정할 수 있습니다. YOLO11 같은 사전 학습된 모델을 일반적인 객체 감지에 사용할 수 있지만, 고유한 객체를 감지하거나 특정 데이터 세트에서 성능을 최적화하기 위해 모델이 필요한 경우에는 사용자 지정 모델을 학습하는 것이 필수적입니다.
아래 코드 스니펫에서는 OBB 감지를 위한 YOLO11 모델을 학습시키는 단계를 설명합니다.
먼저, 사전 학습된 YOLO11 OBB 전용 가중치(yolo11n-obb.pt)를 사용하여 모델을 초기화합니다. 그런 다음 데이터 세트 구성 파일, 학습 주기 수, 학습 이미지 크기, 학습을 실행할 하드웨어 (예: CPU 또는 GPU)와 같은 파라미터를 사용하여 사용자 지정 데이터 세트에서 모델을 학습하는 데 학습 함수를 사용합니다. 학습 후에는 모델의 성능을 검증하여 정확도 및 손실과 같은 메트릭을 확인합니다.
학습된 모델을 사용하여 새 이미지에서 추론을 실행하여 OBB가 있는 개체를 감지하고 시각화할 수 있습니다. 또한 학습된 모델을 다음과 같은 형식으로 변환할 수 있습니다. ONNX 와 같은 형식으로 변환하여 배포할 수도 있습니다.
Ultralytics YOLO11 는 방향성 바운딩 박스를 지원하여 물체 감지를 한 단계 더 발전시켰습니다. 다양한 각도에서 물체를 감지할 수 있기 때문에 YOLO11 여러 산업 분야의 다양한 애플리케이션에 사용할 수 있습니다. 예를 들어 태양광 패널 검사나 차량 모니터링과 같은 작업에서 정밀도가 중요한 도시 계획, 에너지, 운송과 같은 산업에 적합합니다. 더 빠른 성능과 향상된 정확도를 갖춘 YOLO11 은 AI 개발자가 현실의 문제를 해결하는 데 도움을 줄 수 있습니다.
AI가 일상 생활에 더욱 널리 채택되고 통합됨에 따라 YOLO11 같은 모델이 AI 솔루션의 미래를 형성할 것입니다.
Vision AI의 잠재력에 대해 알아보려면 성장하는 커뮤니티에 가입하고 GitHub 리포지토리를 살펴보세요. 유니티는 의료부터 자율 주행 자동차까지 다양한 분야를 재창조하며 혁신을 주도하고 있습니다.
