비최대 억제(NMS)는 많은 컴퓨터 비전 애플리케이션, 특히 객체 감지 분야에서 알고리즘의 결과를 개선하기 위해 사용되는 중요한 기술입니다. 객체 감지 모델이 객체 주변에 여러 개의 경계 상자를 생성한 후, NMS는 이러한 상자를 필터링하여 중복 감지를 제거함으로써 각 객체가 한 번만 식별되도록 합니다. 이 프로세스는 신뢰도 점수와 중복을 기준으로 가장 관련성이 높은 경계 상자를 선택하여 감지 결과의 정확성과 신뢰성을 향상시킵니다.
NMS의 주요 목표는 가장 정확한 바운딩 박스를 유지하면서 겹치는 바운딩 박스의 수를 줄이는 것입니다. 이 프로세스는 다음 단계로 나눌 수 있습니다:
AI 및 머신 러닝 영역, 특히 Ultralytics YOLO 과 같은 모델에서 NMS는 객체 감지 결과물을 개선하는 데 없어서는 안 될 필수 요소입니다. NMS는 중복된 바운딩 박스를 제거함으로써 객체 감지 모델의 정밀도를 향상시킵니다. 이러한 세분화는 여러 개의 중복 감지가 혼란과 오류로 이어질 수 있는 자율 주행 차량 및 감시 시스템과 같이 높은 정확도가 요구되는 애플리케이션에 매우 중요합니다.
NMS는 중복 감지를 제거하기 위한 사후 처리에 중점을 두지만, 앵커 기반 검출기 및 앵커 프리 검출기와 같은 다른 기술은 객체 감지 파이프라인의 다른 측면을 처리합니다. 앵커 기반 방식은 다양한 크기와 종횡비의 사전 정의된 상자를 사용하여 객체를 감지하는 반면, 앵커 프리 방식은 객체 중심을 직접 예측하여 감지 프로세스를 간소화합니다. 이 두 가지 접근 방식은 일반적으로 감지 파이프라인에서 NMS 이전에 사용되어 초기 경계 상자 집합을 생성합니다.
자율주행차에서는 정확하고 신뢰할 수 있는 물체 감지가 안전을 위해 가장 중요합니다. NMS는 차량의 인식 시스템이 보행자, 다른 차량, 장애물 등의 물체를 정확하게 식별하고 추적할 수 있도록 지원합니다. NMS는 중복 감지를 필터링함으로써 환경을 더 명확하고 정확하게 이해하여 차량이 정보에 입각한 결정을 내릴 수 있도록 지원합니다. 자율주행 차량의 컴퓨터 비전에 대해 자세히 알아보세요.
NMS는 소매업, 특히 재고 관리에서도 중요한 역할을 합니다. NMS는 진열대에 있는 제품을 정확하게 감지하고 계산함으로써 정확한 재고 수준을 유지하고, 불일치를 줄이며, 전반적인 운영 효율성을 개선하는 데 도움을 줍니다. 이 애플리케이션을 통해 소매업체는 제품 가용성을 보장하고 공급망을 최적화하여 더 나은 고객 서비스를 제공할 수 있습니다. 리테일 분야의 AI에 대해 자세히 알아보세요.
NMS는 Ultralytics YOLO 과 같은 고급 객체 탐지 모델에 원활하게 통합되어 성능과 사용성을 향상시킵니다. Ultralytics 허브와 같은 플랫폼은 이러한 모델을 배포하기 위한 노코드 솔루션을 제공하므로 사용자가 다양한 실제 시나리오에서 NMS를 쉽게 적용할 수 있습니다. 이러한 통합은 배포 프로세스를 간소화하고 사용자가 광범위한 기술 전문 지식 없이도 최적의 결과를 얻을 수 있도록 보장합니다. 또한 PyTorch, Ultralytics 에서 NMS 사용에 관심이 있는 분들을 위해 PyTorch 구현 가이드를 통해 포괄적인 문서와 지원을 제공하여 모델 교육 및 배포를 용이하게 합니다.
결론적으로, 비최대 억제는 객체 감지 모델의 정확성과 효율성을 향상시키는 데 필수적인 기술입니다. 중복된 바운딩 박스를 필터링하는 기능 덕분에 자율 주행 차량부터 소매 재고 관리에 이르기까지 다양한 AI 기반 애플리케이션에서 필수적인 구성 요소입니다. 개발자와 기업은 워크플로우에 NMS를 통합함으로써 보다 안정적이고 정확한 물체 감지 결과를 얻을 수 있으며, 산업 전반에서 혁신을 주도하고 성과를 개선할 수 있습니다.
%25202.png)
%202.png)
