물체 감지를 위한 비최대 억제(NMS)에 대해 알아보세요. 결과를 개선하고 정확도를 높이며 YOLO 과 같은 AI 애플리케이션을 지원하는 방법을 알아보세요.
비최대 억제(NMS)는 많은 컴퓨터 비전 작업, 특히 객체 감지 작업에서 중요한 후처리 단계입니다. 중복된 바운딩 박스를 제거하고 각 객체가 한 번만 감지되도록 함으로써 객체 감지 모델의 출력을 개선하는 데 사용됩니다. 이 프로세스는 감지 결과의 정확도와 해석 가능성을 크게 향상시켜 최신 객체 감지 파이프라인에서 없어서는 안 될 구성 요소입니다.
NMS의 핵심 기능은 동일한 객체를 예측하는 겹치는 바운딩 박스를 필터링하는 것입니다. 이는 바운딩 박스와 관련 신뢰도 점수 간의 교차점(IoU)을 평가하여 이를 수행합니다. 이 프로세스에는 일반적으로 다음과 같은 단계가 포함됩니다:
이 반복적인 프로세스를 통해 가장 확실하고 중복되지 않는 바운딩 박스만 유지되므로 더 깨끗하고 정확한 객체 감지 결과를 얻을 수 있습니다. NMS가 객체 감지 결과를 개선하고 정확도를 향상시키는 방법에 대해 자세히 알아보세요.
인공 지능(AI) 및 머신 러닝(ML) 분야, 특히 Ultralytics YOLO 과 같은 모델에서 NMS는 객체 감지 출력의 정밀도를 향상시키는 데 중요한 역할을 합니다. NMS가 없으면 객체 감지 모델이 단일 객체에 대해 여러 개의 바운딩 박스를 생성하여 특히 밀집된 장면에서 오탐지와 혼동을 일으킬 수 있습니다. NMS는 이러한 중복 감지를 제거함으로써 모델의 출력이 간결하고 정확하도록 보장하며, 이는 자율 주행 차량 및 보안 시스템과 같이 높은 신뢰성이 요구되는 애플리케이션에 필수적입니다. 모델 평가에 대해 더 자세히 알아보려면 YOLO 성능 지표를 참조하세요.
NMS는 정확한 물체 감지에 의존하는 수많은 실제 애플리케이션에 필수적인 요소입니다:
NMS는 후처리 기술이지만, 객체 감지 아키텍처의 다른 구성 요소와 구별하는 것이 중요합니다. 앵커 기반 감지기와 앵커 프리 감지기는 초기 객체 제안을 생성하는 서로 다른 접근 방식입니다. 앵커 기반 방식은 사전 정의된 경계 상자를 사용하는 반면, 앵커 프리 방식은 객체 중심을 직접 예측합니다. 두 유형의 검출기 모두 중복되는 검출을 제거하여 최종 출력을 개선하기 위해 NMS에 의존하는 경우가 많습니다.
NMS는 Ultralytics YOLO 모델에 원활하게 통합되어 성능과 사용 편의성을 향상시킵니다. Ultralytics HUB와 같은 플랫폼은 이러한 모델의 배포를 간소화하여 광범위한 기술 전문 지식 없이도 사용자가 고급 개체 감지에 액세스할 수 있도록 합니다. Ultralytics HUB는 코드 없이 YOLO 모델을 학습, 검증 및 배포할 수 있는 환경을 제공하며, NMS는 백그라운드에서 작동하여 탐지 결과를 최적화합니다.
결론적으로, 비최대 억제는 객체 감지 결과를 개선하기 위한 기본 기술입니다. 중복 감지를 제거하는 기능은 자율 주행 자동차에서 소매 자동화에 이르기까지 광범위한 AI 애플리케이션에서 정확하고 신뢰할 수 있는 결과를 얻기 위해 매우 중요하며 Ultralytics YOLO 과 같은 모델에서 핵심 구성 요소입니다.
