OpenCV

AI 및 머신 러닝의 관련성

OpenCV는 특히 시각적 입력을 처리할 때 AI 및 ML 파이프라인에서 중요한 역할을 합니다. 이미지나 동영상을 머신러닝 모델에 입력하기 전 중요한 단계인 데이터 전처리를 위한 기본 도구를 제공합니다. OpenCV에서 처리하는 일반적인 전처리 단계에는 크기 조정, 색 공간 변환(특정 색상 순서로 학습된 모델에 종종 필요한 BGR을 RGB로 변환), 가우시안 블러 같은 필터를 사용한 노이즈 감소, 이미지 품질 향상 또는 관련 특징 추출을 위한 다양한 변환 적용 등이 있습니다. 이러한 전처리는 딥러닝(DL) 모델의 성능에 큰 영향을 미칩니다.

OpenCV는 다음과 같이 널리 사용되는 ML 프레임워크와 함께 자주 사용됩니다. PyTorch 및 TensorFlow 과 같은 인기 있는 머신러닝 프레임워크와 함께 자주 사용됩니다. 이러한 프레임워크는 신경망 구축 및 훈련에 중점을 두지만, OpenCV는 입력/출력, 조작, 그리고 종종 다음과 같은 모델에서 예측한 경계 상자 또는 분할 마스크 그리기와 같은 시각적 데이터의 후처리를 처리합니다. Ultralytics YOLO. 실시간 비디오 스트림을 처리하는 데 효율적이기 때문에 물체 감지나 포즈 추정을 위한 실시간 추론과 같이 즉각적인 시각적 분석이 필요한 애플리케이션에 없어서는 안 될 필수 요소입니다.

주요 특징 및 기능

OpenCV는 고전적인 컴퓨터 비전 기술과 최신 딥러닝 통합 지원을 모두 아우르는 방대한 기능(2,500개 이상의 알고리즘)을 제공합니다. 주요 기능은 다음과 같습니다:

• 이미지 및 비디오 입출력: 다양한 이미지(JPEG, PNG, TIFF) 및 동영상 형식(AVI, MP4)을 읽고 쓸 수 있습니다.
• 이미지 처리: 크기 조정, 자르기(개체 자르기 가이드 참조), 회전, 색 공간 변환, 필터링 및 형태 변환과 같은 기본 작업입니다.
• 특징 감지 및 설명: 이미지의 주요 지점을 식별하기 위해 SIFT, SURF(독점, 최신 버전에서는 종종 ORB로 대체됨) 및 FAST와 같은 알고리즘을 구현합니다.(OpenCV 특징 감지 문서).
• 객체 감지: 모델 자체를 훈련하지는 않지만, 사전 훈련된 검출기(예: 얼굴 감지를 위한 Haar 캐스케이드)를 실행하고 DL 모델의 출력을 처리하는 도구를 제공합니다. YOLO11 예측에서 상자 그리기).
• 동영상 분석: 광학 흐름, 배경 빼기, 객체 추적 알고리즘과 같은 동작 분석 도구가 포함되어 있습니다(추적 모드 참조).
• 카메라 보정 및 3D 재구성: 카메라 지오메트리를 이해하고 3D 장면을 재구성하는 기능(카메라 보정 가이드).
• 머신 러닝 모듈: 딥 러닝 작업은 일반적으로 전용 프레임워크에 의존하지만 SVM(서포트 벡터 머신) 및 KNN(K-최근접 이웃)과 같은 일부 클래식 ML 알고리즘의 구현이 포함되어 있습니다. 또한 다음과 같은 형식으로 내보낸 모델을 로드하고 실행하는 기능도 제공합니다. ONNX.(모델 내보내기 문서).

OpenCV와 관련 개념 비교

OpenCV를 관련 용어와 구별하는 것이 도움이 됩니다:

• 컴퓨터 비전(CV): CV는 기계가 시각 정보를 해석할 수 있도록 하는 광범위한 과학 분야입니다. OpenCV는 CV 애플리케이션을 구현하는 데 사용되는 도구 또는 라이브러리이지 이 분야 자체가 아닙니다.
• 이미지 처리: 주로 이미지 조작(예: 대비 향상, 노이즈 제거)에 중점을 둡니다. OpenCV는 광범위한 이미지 처리 기능을 제공하지만 컴퓨터 비전에 속하는 객체 인식 및 장면 이해와 같은 더 높은 수준의 작업도 포함합니다.
• ML 프레임워크(PyTorch, TensorFlow): 이러한 프레임워크는 주로 신경망 및 기타 ML 모델을 구축, 훈련 및 배포하기 위해 설계되었습니다. OpenCV는 시각적 데이터를 모델에 넣기 전 (전처리)과 추론 후 (시각화, 후처리)에 처리하기 위한 필수 도구를 제공함으로써 이러한 프레임워크를 보완합니다. OpenCV에는 일부 ML 기능이 있지만, 이러한 전용 프레임워크에 비해 주요 초점은 아닙니다. 예를 들어, Ultralytics HUB는 모델 학습을 위해 PyTorch 같은 프레임워크를 사용하며 데이터 처리를 위해 암시적으로 또는 명시적으로 OpenCV를 사용할 수 있습니다.

실제 애플리케이션

OpenCV는 다재다능한 기능 덕분에 수많은 AI/ML 애플리케이션에서 널리 사용되고 있습니다:

1. 자율주행 차량: 자율 주행 차량과 첨단 운전자 지원 시스템(ADAS)에서는 카메라 및 LiDAR 데이터의 초기 처리에 OpenCV가 자주 사용됩니다. 이러한 작업에는 차선 감지, 특징 매칭 또는 윤곽 감지를 통한 장애물 인식, 교통 표지판 인식(종종 처리된 이미지를 분류기에 공급), 서라운드 뷰 시스템을 위한 이미지 스티칭이 포함됩니다. 예를 들어, 원시 카메라 프레임은 다음과 같은 딥러닝 모델에 공급되기 전에 OpenCV를 사용하여 사전 처리(왜곡 보정, 밝기 조정)될 수 있습니다. YOLOv8 과 같은 딥 러닝 모델에 입력할 수 있습니다.(Waymo의 기술 살펴보기).
2. 의료 이미지 분석: OpenCV는 다양한 의료 영상 포맷(DICOM 등, 종종 다른 라이브러리의 도움을 받아)을 로드하고, 이미지 대비를 향상시켜 이상 징후를 더 잘 파악하고, 임계값 또는 워터쉐드 알고리즘과 같은 기술을 사용하여 관심 영역(종양이나 장기 등)을 세분화하고, 다른 시간 또는 다른 모달리티에서 촬영한 이미지를 등록하는 데 도움을 줍니다. 이렇게 사전 처리된 데이터는 진단 또는 치료 계획을 위해 특수 ML 모델로 분석되는 경우가 많습니다.(영상의학에서의 AI - RSNA).

다른 애플리케이션으로는 로봇공학(로봇 공학에 컴퓨터 비전 통합), 감시(보안 경보 시스템), 증강 현실, 제조 품질 관리, 농업 (예: 작물 건강 모니터링) 등이 있습니다. Ultralytics 문서에서는 YOLO 모델과 함께 전처리 또는 후처리 단계에 OpenCV 기능을 사용할 수 있는 많은 예시를 제공합니다.