객체 감지 아키텍처

핵심 구성 요소

대부분의 객체 감지 아키텍처는 함께 작동하는 몇 가지 주요 구성 요소로 이루어져 있습니다. 백본 네트워크(주로 컨볼루션 신경망(CNN))는 입력 이미지에서 초기 특징 추출을 수행하여 가장자리 및 텍스처와 같은 낮은 수준의 패턴을 식별하고 점차적으로 더 복잡한 특징을 식별합니다. "목" 구성 요소는 종종 백본의 여러 단계의 특징을 취합하여 다양한 규모의 물체를 감지하는 데 적합한 풍부한 표현을 생성하며, 이 개념은 피처 피라미드 네트워크 문서와 같은 리소스에 자세히 설명되어 있습니다. 마지막으로, 감지 헤드는 이러한 특징을 사용하여 객체의 클래스 및 위치(경계 상자 좌표)를 예측합니다. 성능은 종종 IoU(Intersection over Union) 와 같은 메트릭을 사용하여 로컬라이제이션 정확도와 전반적인 탐지 품질에 대한 평균 정밀도(mAP) 를 평가하여 측정하며, 자세한 설명은 COCO 데이터 세트 평가 페이지와 같은 사이트에서 확인할 수 있습니다.

아키텍처 유형

객체 감지 아키텍처는 접근 방식에 따라 크게 분류됩니다:

• 2단계 탐지기: 이 모델은 먼저 객체가 위치할 수 있는 관심 영역(RoI)을 제안한 다음 각 RoI에 대한 경계 상자를 분류하고 구체화합니다. 예를 들어 Faster R-CNN과 같은 R-CNN 제품군이 있습니다. 정확도가 높은 경우가 많지만 계산 집약적일 수 있습니다.
• 원스테이지 검출기: 이 모델은 영역 제안 단계를 건너뛰고 입력 이미지에서 바운딩 박스와 클래스 확률을 한 번에 직접 예측합니다. 예를 들면 싱글 샷 멀티박스 검출기(SSD) 와 Ultralytics YOLO 제품군이 있습니다. 일반적으로 더 빠른 실시간 추론 속도를 제공하므로 빠른 응답이 필요한 애플리케이션에 적합합니다. 다음과 같은 최신 1단계 감지기는 YOLO11 와 같은 최신 1단계 탐지기는 앵커가 없는 기술을 사용하는 경우가 많기 때문에 기존의 앵커 기반 방식에 비해 설계가 간소화됩니다. 다양한 YOLO 모델 간의 비교를 통해 그 진화를 살펴볼 수 있습니다.

유사 용어와 구별하기

객체 감지 아키텍처를 관련 컴퓨터 비전 작업과 구분하는 것이 중요합니다:

• 이미지 분류: 전체 이미지에 하나의 레이블을 할당합니다(예: '고양이', '개'). 이미지에 무엇이 있는지는 전체적으로 식별하지만 특정 개체의 위치는 식별하지 않습니다. 예제는 Ultralytics 분류 작업 설명서를 참조하세요.
• 시맨틱 세분화: 이미지의 각 픽셀을 미리 정의된 카테고리로 분류합니다(예: 자동차에 속하는 모든 픽셀은 '자동차'로 레이블 지정). 밀도 높은 예측을 제공하지만 동일한 객체 클래스의 다른 인스턴스를 구분하지는 않습니다.
• 인스턴스 세분화: 각 픽셀을 분류하고 개별 객체 인스턴스를 구분(예: '자동차 1', '자동차 2' 라벨 지정)하여 시맨틱 분할보다 한 단계 더 나아갑니다. 객체 감지와 의미론적 세분화를 결합한 것입니다. 자세한 내용은 Ultralytics 세그멘테이션 작업 설명서를 참조하세요.

실제 애플리케이션

객체 감지 아키텍처는 다양한 분야에 걸쳐 수많은 AI 애플리케이션을 지원합니다:

• 자율주행 차량: 자율주행차가 보행자, 다른 차량, 교통 표지판 및 차선 표시를 감지하여 주변 환경을 인식하는 데 필수적입니다. 웨이모와 같은 회사는 정교한 물체 감지에 크게 의존합니다. 자율 주행 차량의 AI에 대해 자세히 알아보세요.
• 보안 및 감시: 보안 시스템에서 무단 액세스를 감지하고, 군중이 비정상적인 활동을 하는지 모니터링하거나, 얼굴 인식을 구현하는 데 사용됩니다. 실제 사례는 Ultralytics 보안 경보 시스템 가이드를 참조하세요.
• 의료 이미지 분석: 방사선 전문의가 X-레이, CT 스캔, MRI에서 종양이나 골절과 같은 이상 징후를 발견할 수 있도록 지원합니다. 의료 솔루션의 AI와 YOLO11 사용한 종양 감지와 같은 특정 애플리케이션을 살펴보세요.
• 리테일 분석: 자동 결제, 진열대 모니터링, 재고 관리를 위한 AI와 같은 애플리케이션을 지원합니다.

도구 및 기술

이러한 아키텍처를 기반으로 모델을 개발하고 배포하려면 종종 전문화된 도구와 프레임워크가 필요합니다:

• 딥 러닝 프레임워크: 다음과 같은 라이브러리 PyTorch ( PyTorch 공식 웹사이트 방문) 및 TensorFlow ( TensorFlow 웹사이트 참조)와 같은 라이브러리가 핵심 빌딩 블록을 제공합니다.
• 컴퓨터 비전 라이브러리: OpenCV (공식 사이트: OpenCV.org)는 이미지 처리 및 조작을 위한 다양한 기능을 제공합니다.
• 모델 및 플랫폼: Ultralytics 사용자 지정 모델 학습, 데이터 세트(예: COCO) 관리, 솔루션 배포 프로세스를 간소화하는 최첨단 Ultralytics YOLO 모델과 Ultralytics HUB 플랫폼을 제공합니다.
• 오픈 소스: 많은 객체 감지 아키텍처와 도구가 오픈 소스 라이선스에 따라 개발되어 AI 커뮤니티 내에서 협업과 혁신을 촉진하고 있습니다. GitHub와 같은 리소스에서 이 분야의 수많은 프로젝트를 호스팅하고 있습니다.