Link to this section컴퓨터 비전 프로젝트의 목표를 정의하는 방법#
컴퓨터 비전 프로젝트를 정의하려면 핵심 문제, 범위, 이해관계자 및 제약 사항을 명시한 문제 정의서를 작성하십시오. 측정 가능하고 기한이 정해진 목표를 설정하고, 모델, 데이터셋 및 배포 결정을 결정하는 컴퓨터 비전 작업에 문제를 매핑하십시오. 이 가이드는 실무 예제를 통해 각 단계를 안내합니다.
Watch: How to define Computer Vision Project's Goal | Problem Statement and VisionAI Tasks Connection 🚀
데이터 수집부터 배포까지의 전체 워크플로에 대한 개요는 컴퓨터 비전 프로젝트의 주요 단계 가이드를 참조하십시오.
Link to this section컴퓨터 비전 문제 정의서를 작성하는 방법#
명확한 문제 정의서는 가장 효과적인 솔루션을 찾기 위한 첫 번째 큰 단계입니다. 여기에는 네 가지 부분이 포함됩니다:
- 핵심 문제 파악: 컴퓨터 비전 프로젝트가 해결하고자 하는 구체적인 과제를 정확히 찾아냅니다.
- 범위 결정: 문제의 경계를 정의합니다.
- 최종 사용자 및 이해관계자 고려: 솔루션의 영향을 받을 대상이 누구인지 파악합니다.
- 프로젝트 요구사항 및 제약사항 분석: 가용 자원(시간, 예산, 인력)을 평가하고 기술적 또는 규제적 제약 사항을 확인합니다.
Link to this section비즈니스 문제 기술서의 예시#
고속도로에서 차량 속도를 추정하는 컴퓨터 비전 프로젝트를 고려해 보십시오. 핵심 문제는 기존의 레이더 시스템과 수동 프로세스가 노후화되어 현재의 속도 모니터링 방법이 비효율적이고 오류가 발생하기 쉽다는 점입니다. 이 프로젝트는 기존의 속도 추정 시스템을 대체할 수 있는 실시간 컴퓨터 비전 시스템을 개발하는 것을 목표로 합니다.
주요 사용자로는 교통 관리 당국과 법 집행 기관이 있으며, 이차적인 이해관계자로는 고속도로 설계자와 더 안전한 도로의 혜택을 받는 일반 대중이 있습니다. 주요 요구사항에는 예산, 시간, 인력 평가가 포함되며, 고해상도 카메라와 실시간 데이터 처리와 같은 기술적 요구사항을 해결하는 것도 포함됩니다. 또한 프라이버시 및 데이터 보안에 관한 규제적 제약 사항도 고려해야 합니다.
Link to this section측정 가능한 목표 설정하기#
측정 가능한 목표를 설정하는 것은 컴퓨터 비전 프로젝트의 성공에 핵심적입니다. 효과적인 목표는 SMART 기준을 따릅니다:
| 기준 | 의미 |
|---|---|
| 구체적 (Specific) | 명확하고 상세한 목표를 정의하십시오. |
| 측정 가능 (Measurable) | 목표가 정량화될 수 있는지 확인하십시오. |
| 달성 가능 (Achievable) | 귀하의 역량 내에서 현실적인 목표를 설정하십시오. |
| 관련성 (Relevant) | 목표를 전체 프로젝트 목표와 일치시키십시오. |
| 기한 설정 (Time-bound) | 각 목표에 대한 마감 기한을 설정하십시오. |
고속도로 속도 추정 예시의 경우, SMART 목표는 다음과 같을 수 있습니다:
- 10,000개의 차량 이미지 데이터셋을 사용하여 6개월 이내에 속도 감지 정확도 95% 이상을 달성합니다.
- 시스템은 최소한의 지연 시간으로 초당 30프레임의 실시간 비디오 피드를 처리할 수 있어야 합니다.
구체적이고 정량화 가능한 목표를 설정함으로써 진행 상황을 효과적으로 추적하고, 개선이 필요한 영역을 식별하며, 프로젝트가 올바른 방향으로 나아가도록 보장할 수 있습니다.
Link to this section올바른 컴퓨터 비전 작업을 선택하는 방법#
문제 정의서는 어떤 컴퓨터 비전 작업이 문제를 해결할 수 있는지 개념화하는 데 도움을 줍니다. 가장 인기 있는 작업으로는 이미지 분류, 객체 탐지 및 이미지 분할이 있으며, 자세한 비교는 Ultralytics 작업 페이지를 참조하십시오.
예를 들어, 고속도로에서 차량 속도를 모니터링하는 것이 문제라면 관련 작업은 객체 추적입니다. 추적은 각 차량을 고유 ID로 비디오 프레임 전체에 걸쳐 따라가기 때문에 적합하며, 이는 속도 계산에 필요한 요소입니다.
다른 작업들은 단독으로 사용하기에는 덜 적합합니다. 예를 들어 객체 탐지는 모든 프레임에서 차량의 위치를 찾지만 프레임 간에 각 차량의 신원을 유지하지 못하며, 신원 정보 없이는 시스템이 시간에 따른 움직임을 측정할 수 없습니다. 적절한 컴퓨터 비전 작업을 식별하면 모델 선택, 데이터셋 준비 및 모델 학습 접근 방식과 같은 프로젝트의 여러 중요한 측면을 결정하는 데 도움이 됩니다.
Link to this section무엇이 우선인가: 모델, 데이터 또는 학습 접근 방식?#
모델 선택, 데이터셋 준비 및 학습 접근 방식의 순서는 프로젝트의 세부 사항에 따라 달라집니다:
| 상황 | 시작점 | 예시 |
|---|---|---|
| 잘 정의된 문제 및 목표 | 모델 선택 | 차량 속도를 추정하는 교통 모니터링 시스템의 경우, 객체 추적 모델을 선택하고 고속도로 비디오를 수집 및 라벨링한 다음 실시간 비디오 처리를 위한 기술로 학습하십시오. |
| 독특하거나 제한된 데이터 | 데이터셋 준비 | 소규모 데이터셋을 사용하는 얼굴 인식 시스템의 경우, 먼저 데이터를 라벨링한 다음 전이 학습을 위한 사전 학습된 모델과 같이 제한된 데이터에서 잘 작동하는 모델을 선택하고 데이터셋 확장을 위해 데이터 증강을 계획하십시오. |
| 실험이 중요함 (연구) | 학습 접근 방식 | 제조 결함을 탐지하기 위한 새로운 방법을 연구하는 프로젝트에서는 먼저 데이터의 작은 하위 집합에서 실험하십시오. 유망한 기술을 발견하면 해당 결과에 맞춰 모델을 선택하고 포괄적인 데이터셋을 준비하십시오. |
데이터부터 시작하는 경우 Ultralytics Platform이 프로젝트가 발전함에 따라 데이터셋 구성, 라벨링 및 학습 과정을 간소화해 줍니다.
Link to this section배포 옵션이 프로젝트에 미치는 영향#
모델 배포 옵션은 컴퓨터 비전 프로젝트의 성능에 결정적인 영향을 미치므로 처음부터 고려하십시오. 배포 환경은 모델의 계산 부하를 처리할 수 있어야 합니다:
| 배포 옵션 | 적합한 용도 | 예시 기술 |
|---|---|---|
| 엣지 장치 | 계산 자원이 제한된 스마트폰 및 IoT 장치; 경량 모델 | LiteRT, ONNX Runtime |
| 클라우드 서버 | 더 큰 계산 요구 사항을 가진 복잡한 모델; 프로젝트에 따라 확장 가능한 하드웨어 | AWS, Google Cloud, Azure |
| 온프레미스 서버 | 높은 데이터 개인정보 보호 및 보안 요구 사항; 데이터 및 인프라에 대한 완전한 제어 | 자체 관리형 GPU 서버 |
| 하이브리드 솔루션 | 성능, 비용 및 지연 시간의 균형; 엣지 처리 및 클라우드 분석 조합 | 엣지 런타임과 클라우드 플랫폼의 조합 |
각 옵션은 서로 다른 장점과 과제를 제공하며, 선택은 성능, 비용 및 보안과 같은 구체적인 프로젝트 요구 사항에 따라 달라집니다.
Link to this section결론#
성공적인 컴퓨터 비전 프로젝트는 명확한 문제 정의서, SMART 측정 가능 목표, 그리고 해당 작업에 맞는 컴퓨터 비전 작업에서 시작됩니다. 이러한 결정은 모델 선택부터 배포까지 이어지는 모든 과정을 안내합니다. 다음 단계로 데이터 수집 및 라벨링 방법을 배우거나 GitHub 및 Ultralytics Discord 서버에서 다른 개발자들과 프로젝트에 대해 토론해 보십시오.
Link to this sectionFAQ#
Link to this section컴퓨터 비전 프로젝트를 위한 명확한 문제 정의서는 어떻게 작성합니까?#
명확한 문제 정의서는 프로젝트가 해결하려는 핵심 문제, 범위, 최종 사용자 및 이해관계자, 그리고 자원 및 규제 제약 사항을 명시합니다. 이 네 가지 부분을 순서대로 작성한 후 기술적인 결정을 내리기 전에 이해관계자와 함께 정의서를 검토하십시오. 전체적인 구성과 실무 예제는 컴퓨터 비전 문제 정의서 작성 방법을 참조하십시오.
Link to this section제 문제에 맞는 올바른 컴퓨터 비전 작업은 어떻게 선택합니까?#
문제에 필요한 출력과 이를 생성하는 작업을 일치시키십시오. 이미지당 단일 레이블은 이미지 분류를, 객체 위치는 객체 탐지를, 픽셀 수준의 경계는 이미지 분할을, 비디오 프레임 전반에 걸쳐 유지되는 신원은 객체 추적을 나타냅니다. 예를 들어 차량 속도 모니터링은 시간에 따른 차량 움직임에서 속도를 계산하기 때문에 추적이 필요합니다. 지원되는 모든 작업은 Ultralytics 작업 페이지를 참조하십시오.
Link to this section컴퓨터 비전 프로젝트를 위한 효과적이고 측정 가능한 목표는 어떻게 설정합니까?#
SMART 기준(구체적, 측정 가능, 달성 가능, 관련성, 기한 설정)을 사용하십시오. 예를 들어, "10,000개의 차량 이미지 데이터셋을 사용하여 6개월 이내에 속도 탐지 정확도 95% 달성"과 같은 방식입니다. 이 접근 방식은 진행 상황을 추적하고 개선이 필요한 영역을 식별하는 데 도움이 됩니다. 측정 가능한 목표 설정에 대해 더 자세히 읽어보십시오.
Link to this section사전 학습된 모델이 사용자 지정 학습 이전에 알고 있던 클래스를 기억할 수 있습니까?#
아니요, 사전 학습된 모델은 전통적인 의미에서 클래스를 '기억'하지 않습니다. 모델은 방대한 데이터셋에서 패턴을 학습하며, 사용자 정의 학습(미세 조정)을 하는 동안 이러한 패턴은 특정 작업에 맞게 조정됩니다. 모델의 용량은 제한적이며 새로운 정보에 집중하면 이전 학습 내용 일부가 덮어씌워질 수 있습니다.
모델이 사전 학습된 클래스를 사용하려면 두 개의 모델을 사용하는 것이 실용적인 접근 방식입니다. 하나는 원래의 성능을 유지하고 다른 하나는 특정 작업에 맞게 미세 조정하는 것입니다. 이렇게 하면 두 모델의 출력을 결합할 수 있습니다. 레이어 고정, 사전 학습된 모델을 특징 추출기로 사용, 작업별 분기 처리와 같은 다른 옵션들도 있지만, 이러한 해결책은 더 복잡하며 전문 지식이 필요합니다.
Link to this section배포 옵션이 컴퓨터 비전 프로젝트에 어떤 영향을 미칩니까?#
배포 옵션에 따라 실행 가능한 모델 크기와 형식이 결정되므로, 프로젝트 초기 단계부터 배포 옵션을 고려해야 합니다. 엣지 디바이스는 LiteRT나 ONNX Runtime과 같은 형식 및 런타임을 통해 제공되는 경량 모델이 필요하며, 클라우드 서버는 확장 가능한 하드웨어에서 복잡한 모델을 처리하고, 온프레미스 서버는 개인정보 보호가 중요한 프로젝트를 위해 전체 데이터 제어권을 제공하며, 하이브리드 설정은 이 둘 사이의 균형을 맞춥니다. 배포 옵션 표에서 이들을 비교하거나, 자세한 내용은 모델 배포 옵션 가이드를 참조하십시오.
Link to this section컴퓨터 비전 문제를 정의할 때 발생하는 가장 흔한 과제는 무엇입니까?#
일반적인 과제는 다음과 같습니다:
- 모호하거나 지나치게 광범위한 문제 기술서.
- 비현실적인 목표.
- 이해관계자 간의 정렬 부족.
- 기술적 제약에 대한 이해 부족.
- 데이터 요구사항을 과소평가함.
철저한 초기 조사, 이해관계자와의 명확한 커뮤니케이션, 문제 정의서 및 목표의 반복적인 개선을 통해 이러한 과제를 해결하십시오. 전체 프로젝트 워크플로는 컴퓨터 비전 프로젝트의 주요 단계를 참조하십시오.