비최대 억제(NMS)는 컴퓨터 비전, 특히 객체 감지 작업에서 중요한 기술입니다. 중복되고 겹치는 경계 상자를 제거하여 객체 감지 모델의 예측을 개선하는 데 중요한 역할을 합니다. 이렇게 하면 각 객체가 한 번만 인식되므로 모델의 정확도와 효율성이 향상됩니다. NMS는 초기 감지 단계 다음에 이어지는 후처리 단계로, 단일 객체에 대해 여러 개의 박스를 예측할 수 있습니다.
NMS는 예측된 경계 상자의 신뢰도 점수를 평가하는 방식으로 작동합니다. 목표는 각 개체에 대해 가장 정확한 예측을 유지하는 것입니다. 단계별 분석은 다음과 같습니다:
NMS는 Ultralytics YOLO 과 같은 모델에서 감지를 세분화하는 데 필수적입니다. NMS는 중복 예측을 제거함으로써 객체 감지 모델의 정확도를 향상시켜 예측이 여러 개의 겹치는 상자로 인해 복잡해지지 않도록 합니다. 이는 자율 주행 차량 및 감시 시스템과 같은 실시간 애플리케이션에서 특히 유용합니다.
NMS는 바운딩 박스의 중복성을 줄이는 데 중점을 두지만, 앵커 기반 검출 기와 앵커 프리 검출기와 같은 기술은 객체 감지의 다른 측면을 대상으로 합니다. 앵커 기반 방법은 미리 정의된 모양에 의존하는 반면, 앵커 프리 모델은 객체 중심을 직접 예측합니다. 이 두 가지 방법 모두 객체 감지 파이프라인에서 NMS 이전에 작동합니다.
자율주행 차량에서 NMS는 장애물과 도로 표지판을 정확하게 식별하는 데 중추적인 역할을 합니다. 중복 감지를 필터링하여 차량의 의사 결정 시스템이 명확하고 정확한 데이터를 처리할 수 있도록 하여 안전과 효율성을 높입니다. 자율주행차의 AI에 대해 자세히 알아보세요.
리테일 환경에서는 재고 추적과 같은 애플리케이션에서 NMS를 활용합니다. 시스템이 중복 감지 없이 제품을 정확하게 계산하고 분류하여 재고 관리 프로세스를 개선할 수 있도록 도와줍니다. 소매업의 AI에 대해 자세히 알아보세요.
NMS는 Ultralytics YOLO 과 같은 최신 객체 감지 아키텍처에 통합되어 있으며, AI 배포를 위한 원활한 노코드 솔루션을 제공하는 Ultralytics HUB와 같은 플랫폼을 통해 사용자의 프로세스를 간소화합니다. 이를 통해 농업에서 의료에 이르기까지 다양한 환경에서 NMS를 간편하게 적용할 수 있습니다.
PyTorch모델 학습 및 배포를 지원하여 AI 프로젝트의 효율성을 높여주는 Ultralytics' PyTorch 구현 가이드를 참조하세요.
요약하자면, 비최대 억제는 예측을 세분화하고 중복을 제거하여 객체 감지 모델의 정밀도를 향상시키는 중요한 기술입니다. 다양한 산업 분야에 걸쳐 적용되고 있으며, AI 기반 솔루션에 없어서는 안 될 필수 요소로 입증되었습니다. Ultralytics 도구가 어떻게 NMS를 쉽게 구현하여 AI 모델이 최적의 정확도와 효율성을 달성할 수 있도록 지원하는지 알아보세요.
