객체 감지 영역에서 1단계 객체 감지기는 신경망을 한 번만 통과하면 이미지 내에서 객체를 식별하고 위치를 찾을 수 있도록 설계된 알고리즘 클래스입니다. 관심 영역을 먼저 제안한 다음 분류하는 2단계 객체 감지기와 달리, 1단계 감지기는 경계 상자와 클래스 확률을 동시에 예측하여 프로세스를 간소화합니다. 이 통합된 접근 방식은 속도와 효율성을 크게 향상시키므로 1단계 검출기는 특히 빠른 처리가 중요한 실시간 애플리케이션에 적합합니다.
1단계 객체 감지기는 일반적으로 전체 이미지를 한 번에 처리하는 단일 신경망으로 구성된 간소화된 아키텍처가 특징입니다. 이 설계는 별도의 영역 제안 단계가 필요하지 않으므로 추론 시간이 더 빨라집니다. 네트워크는 해당 클래스 확률과 함께 경계 상자 집합을 출력하여 이미지 내 물체의 위치와 범주를 직접 예측합니다.
1단계 디텍터의 가장 큰 장점은 속도입니다. 한 번에 이미지를 처리하기 때문에 실시간 또는 거의 실시간에 가까운 성능을 구현할 수 있어 비디오 분석, 자율 주행, 실시간 감시 시스템과 같은 애플리케이션에 이상적입니다. 또한 아키텍처가 단순하기 때문에 컴퓨팅 요구 사항이 낮아 휴대폰이나 임베디드 시스템과 같이 리소스가 제한된 장치에 배포할 수 있는 경우가 많습니다.
여러 가지 1단계 객체 감지 아키텍처가 이 분야에서 각광받고 있습니다. 가장 영향력 있는 것은 Ultralytics YOLO (You Only Look Once)입니다. Ultralytics YOLO 뛰어난 속도와 정확성으로 유명하여 다양한 실제 애플리케이션에 널리 사용되고 있습니다. 다른 주목할 만한 1단계 아키텍처로는 SSD(Single Shot MultiBox Detector)와 RetinaNet이 있으며, 각각 속도, 정확도 및 복잡성 측면에서 고유한 장점과 장단점을 가지고 있습니다.
1단계 객체 감지기는 일반적으로 완전 컨볼루션 신경망(CNN)을 사용하여 입력 이미지를 처리합니다. CNN은 이미지에서 특징을 추출하여 경계 상자 및 클래스 확률을 예측하는 감지 헤드에 공급합니다. 감지 헤드는 일반적으로 CNN이 생성한 특징 맵에서 작동하는 여러 컨볼루션 레이어로 구성됩니다.
감지 헤드의 출력은 특징 맵의 집합으로, 각 셀은 입력 이미지의 특정 영역에 해당합니다. 각 셀은 관련 클래스 확률 및 신뢰 점수와 함께 여러 개의 경계 상자를 예측합니다. 그런 다음 이러한 예측은 비최대 억제(NMS) 같은 기술을 사용하여 중복되거나 겹치는 박스를 제거하고 가장 신뢰할 수 있는 예측을 선택하는 방식으로 개선됩니다.
1단계 물체 감지기의 속도와 효율성은 다양한 실제 애플리케이션에 매우 적합합니다. 다음은 두 가지 구체적인 예시입니다:
1단계 감지기는 속도와 효율성이 뛰어나지만, 2단계 물체 감지기는 특히 작은 물체나 복잡한 장면에서 더 높은 정확도를 제공하는 경우가 많습니다. Faster R-CNN과 같은 2단계 감지기는 먼저 영역 제안을 생성한 다음 별도의 단계에서 이러한 영역을 분류합니다. 이 2단계 프로세스를 통해 보다 정교한 객체 위치 파악 및 분류가 가능하지만 계산 복잡성이 증가하고 추론 시간이 느려지는 대가가 따릅니다.
1단계와 2단계 감지기의 선택은 특정 애플리케이션 요구 사항에 따라 달라집니다. 속도가 가장 중요한 실시간 애플리케이션의 경우 1단계 감지기가 선호되는 경우가 많습니다. 가장 높은 정확도가 요구되고 처리 시간이 덜 중요한 작업의 경우 2단계 감지기가 더 적합할 수 있습니다.
1단계 물체 감지기는 속도와 효율성의 강력한 조합을 제공하는 컴퓨터 비전 분야의 중요한 발전을 나타냅니다. 신경망을 통해 한 번에 이미지를 처리할 수 있기 때문에 다양한 산업 분야의 실시간 애플리케이션에 이상적입니다. 연구가 계속 발전함에 따라 1단계 감지기의 정확도와 성능은 더욱 향상되어 끊임없이 진화하는 AI 및 머신러닝 환경에서 그 역할을 더욱 공고히 할 것으로 기대됩니다. 물체 감지에 대한 최신 정보를 알아보려면 Ultralytics YOLO 페이지를 방문하세요. 또한 객체 감지 아키텍처에 대해 자세히 알아보고 해당 분야에 대한 폭넓은 이해를 얻을 수 있습니다. AI 및 컴퓨터 비전 용어에 대한 포괄적인 이해는 Ultralytics 용어집을 참조하세요.
%202.png)
