Link to this section컴퓨터 비전 프로젝트의 주요 단계 이해하기#

Link to this section소개#

컴퓨터 비전은 컴퓨터가 인간처럼 세상을 보고 이해하도록 돕는 인공지능(AI)의 하위 분야입니다. 이미지나 비디오를 처리 및 분석하여 정보를 추출하고, 패턴을 인식하며, 해당 데이터를 기반으로 의사결정을 내립니다.

객체 탐지, 이미지 분류, 인스턴스 세분화와 같은 컴퓨터 비전 기술은 자율 주행부터 의료 영상에 이르기까지 다양한 산업에 적용되어 가치 있는 인사이트를 얻을 수 있습니다.

자신만의 컴퓨터 비전 프로젝트를 수행하는 것은 컴퓨터 비전을 이해하고 더 깊이 학습할 수 있는 훌륭한 방법입니다. 하지만 컴퓨터 비전 프로젝트는 많은 단계로 구성될 수 있어 처음에는 혼란스러울 수 있습니다. 이 가이드를 마칠 때쯤이면 컴퓨터 비전 프로젝트에 포함된 단계들을 숙지하게 될 것입니다. 프로젝트의 시작부터 끝까지 전체 과정을 살펴보며 각 부분이 왜 중요한지 설명해 드리겠습니다.

Link to this section컴퓨터 비전 프로젝트 개요#

컴퓨터 비전 프로젝트의 각 단계에 대한 세부 사항을 논의하기 전에 전체적인 프로세스를 살펴보겠습니다. 오늘 컴퓨터 비전 프로젝트를 시작한다면 다음과 같은 단계를 거치게 될 것입니다.

• 첫 번째 우선순위는 프로젝트 요구 사항을 파악하는 것입니다.
• 그런 다음 모델 학습을 도울 이미지를 수집하고 정확하게 라벨링합니다.
• 다음으로 데이터를 정제하고 증강 기법을 적용하여 모델 학습을 준비합니다.
• 모델 학습 후에는 다양한 조건에서 일관되게 작동하는지 모델을 철저히 테스트하고 평가합니다.
• 마지막으로 모델을 실제 환경에 배포하고 새로운 인사이트와 피드백을 바탕으로 업데이트합니다.

이제 무엇을 예상해야 하는지 알았으니, 바로 단계별 내용으로 들어가 프로젝트를 진행해 보겠습니다.

Link to this section1단계: 프로젝트 목표 정의하기#

모든 컴퓨터 비전 프로젝트의 첫 번째 단계는 해결하려는 문제를 명확하게 정의하는 것입니다. 최종 목표를 아는 것은 솔루션 구축을 시작하는 데 도움이 됩니다. 컴퓨터 비전의 경우 프로젝트의 목적이 어떤 컴퓨터 비전 작업에 집중해야 할지를 직접적으로 결정하기 때문에 이는 특히 중요합니다.

다음은 프로젝트 목적과 이를 달성하기 위해 사용할 수 있는 컴퓨터 비전 작업의 몇 가지 예시입니다.

• 목적: 고속도로에서 다양한 차량 유형의 흐름을 모니터링하고 관리하여 교통 관리 및 안전을 개선하는 시스템을 개발합니다.

  • 컴퓨터 비전 작업: 객체 탐지는 여러 차량을 효율적으로 위치 파악하고 식별하므로 교통 모니터링에 이상적입니다. 이 작업에는 불필요하게 상세한 정보를 제공하는 이미지 세분화보다 계산 요구량이 적어 더 빠르고 실시간 분석이 가능합니다.

• 목적: 의료 영상 스캔에서 종양의 픽셀 단위 정밀한 외곽선을 제공하여 방사선 전문의를 돕는 도구를 개발합니다.

  • 컴퓨터 비전 작업: 이미지 세분화는 크기, 모양 측정 및 치료 계획 수립에 중요한 종양의 정확하고 상세한 경계를 제공하므로 의료 영상에 적합합니다.

• 목적: 조직 효율성과 문서 검색 기능을 개선하기 위해 다양한 문서(예: 송장, 영수증, 법적 서류)를 분류하는 디지털 시스템을 구축합니다.

  • 컴퓨터 비전 작업: 이미지 분류는 이미지 내 문서의 위치를 고려할 필요 없이 한 번에 하나의 문서를 처리하므로 이 경우에 이상적입니다. 이러한 접근 방식은 분류 프로세스를 단순화하고 가속화합니다.

Link to this section1.5단계: 올바른 모델 및 학습 접근 방식 선택하기#

프로젝트 목적과 적절한 컴퓨터 비전 작업을 이해한 후, 프로젝트 목표를 정의하는 핵심 부분은 올바른 모델 선택 및 학습 접근 방식을 결정하는 것입니다.

목적에 따라 모델을 먼저 선택하거나 2단계에서 수집 가능한 데이터를 확인한 후에 모델을 선택할 수 있습니다. 예를 들어 프로젝트가 특정 유형의 데이터 가용성에 크게 의존하는 경우, 모델을 선택하기 전에 먼저 데이터를 수집하고 분석하는 것이 더 실용적일 수 있습니다. 반면 모델 요구 사항을 명확히 이해하고 있다면 모델을 먼저 선택한 후 해당 사양에 맞는 데이터를 수집할 수 있습니다.

처음부터 학습하는 방식과 전이 학습을 사용하는 방식 중 무엇을 선택하느냐는 데이터 준비 방법에 영향을 미칩니다. 처음부터 학습하려면 모델의 이해도를 밑바닥부터 쌓아 올리기 위해 다양한 데이터셋이 필요합니다. 반면 전이 학습을 사용하면 사전 학습된 모델을 활용하고 더 작고 구체적인 데이터셋으로 조정할 수 있습니다. 또한 특정 모델을 선택하여 학습할 경우 모델의 특정 요구 사항에 따라 이미지 크기 조정이나 주석 추가 등 데이터를 준비하는 방법이 결정됩니다.

참고: 모델을 선택할 때는 호환성과 성능을 보장하기 위해 배포 고려 사항을 확인하십시오. 예를 들어 경량 모델은 리소스가 제한된 장치에서 효율적이기 때문에 엣지 컴퓨팅에 이상적입니다. 프로젝트 정의와 관련된 핵심 사항에 대해 더 자세히 알아보려면 프로젝트 목표 정의 및 올바른 모델 선택에 관한 당사 가이드를 읽어보십시오.

컴퓨터 비전 프로젝트의 실무 작업에 들어가기 전에 이러한 세부 사항을 명확히 이해하는 것이 중요합니다. 2단계로 넘어가기 전에 다음 사항을 고려했는지 다시 한 번 확인하십시오:

• 해결하려는 문제를 명확하게 정의하십시오.
• 프로젝트의 최종 목표를 결정하십시오.
• 필요한 특정 컴퓨터 비전 작업을 식별하십시오(예: 객체 탐지, 이미지 분류, 이미지 세분화).
• 모델을 처음부터 학습할지 아니면 전이 학습을 사용할지 결정하십시오.
• 작업 및 배포 요구 사항에 적합한 모델을 선택하십시오.

Link to this section2단계: 데이터 수집 및 데이터 주석#

컴퓨터 비전 모델의 품질은 데이터셋의 품질에 달려 있습니다. 인터넷에서 이미지를 수집하거나 직접 사진을 찍거나 기존 데이터셋을 사용할 수 있습니다. 고품질 데이터셋을 다운로드할 수 있는 훌륭한 리소스로는 Google 데이터셋 검색 엔진, UC 어바인 머신 러닝 저장소, Kaggle 데이터셋 등이 있습니다.

Ultralytics와 같은 일부 라이브러리는 다양한 데이터셋에 대한 내장 지원을 제공하여 고품질 데이터로 쉽게 시작할 수 있도록 돕습니다. 이러한 라이브러리에는 대중적인 데이터셋을 원활하게 사용할 수 있는 유틸리티가 포함되는 경우가 많으며, 이는 프로젝트 초기 단계에서 시간과 노력을 크게 절약해 줍니다.

하지만 직접 이미지를 수집하거나 사진을 찍기로 결정했다면 데이터를 주석 처리해야 합니다. 데이터 주석은 모델에 지식을 전달하기 위해 데이터에 라벨을 붙이는 과정입니다. 작업할 데이터 주석 유형은 특정 컴퓨터 비전 기술에 따라 달라집니다. 다음은 몇 가지 예입니다:

• 이미지 분류: 전체 이미지를 하나의 클래스로 라벨링합니다.
• 객체 탐지: 이미지 내 각 객체 주위에 경계 상자(bbox)를 그리고 각 상자에 라벨을 붙입니다.
• 이미지 세분화: 이미지의 각 픽셀을 해당 픽셀이 속한 객체에 따라 라벨링하여 상세한 객체 경계를 생성합니다.

데이터 수집 및 주석 작업은 시간이 많이 소요되는 수동 작업일 수 있습니다. 주석 도구는 이 과정을 더 쉽게 만드는 데 도움을 줄 수 있습니다. 유용한 오픈 소스 주석 도구로는 Label Studio, CVAT, Labelme 등이 있습니다.

Link to this section3단계: 데이터 증강 및 데이터셋 분할#

이미지 데이터를 수집하고 주석을 단 후에는 데이터 증강을 수행하기 전에 먼저 데이터셋을 학습, 검증, 테스트 세트로 분할하는 것이 중요합니다. 증강 전에 데이터셋을 분할하는 것은 원본 데이터 그대로 모델을 테스트하고 검증하기 위해 필수적입니다. 이는 모델이 새로운 보지 못한 데이터에 대해 얼마나 잘 일반화되는지 정확하게 평가하는 데 도움이 됩니다.

데이터 분할 방법은 다음과 같습니다:

• 학습 세트: 전체 데이터의 약 70~80%를 차지하는 가장 큰 부분으로, 모델을 학습시키는 데 사용됩니다.
• 검증 세트: 일반적으로 데이터의 약 10~15%를 차지하며, 하이퍼파라미터를 조정하고 학습 중에 모델을 검증하여 과적합을 방지하는 데 사용됩니다.
• 테스트 세트: 나머지 10~15%의 데이터는 테스트 세트로 따로 보관합니다. 학습이 완료된 후 보지 못한 데이터에 대한 모델의 성능을 평가하는 데 사용됩니다.

데이터를 분할한 후에는 이미지 회전, 크기 조정, 뒤집기와 같은 변환을 적용하여 데이터셋의 크기를 인위적으로 늘리는 데이터 증강을 수행할 수 있습니다. 데이터 증강은 모델을 다양한 변화에 더 견고하게 만들고 보지 못한 이미지에 대한 성능을 향상시킵니다.

OpenCV, Albumentations, TensorFlow와 같은 라이브러리는 사용할 수 있는 유연한 증강 함수를 제공합니다. 또한 Ultralytics와 같은 일부 라이브러리는 모델 학습 함수 내에 내장 증강 설정이 직접 포함되어 있어 프로세스를 단순화합니다.

데이터를 더 잘 이해하려면 Matplotlib이나 Seaborn과 같은 도구를 사용하여 이미지를 시각화하고 분포와 특성을 분석할 수 있습니다. 데이터를 시각화하면 패턴, 이상치, 증강 기법의 효과를 파악하는 데 도움이 됩니다. Ultralytics Platform의 Charts 탭은 업로드된 모든 데이터셋에 대해 분할 분포, 클래스 개수, 이미지 차원 히스토그램, 주석 위치 히트맵을 자동으로 생성하여 코드 없이도 이러한 많은 인사이트를 제공할 수 있습니다.

데이터를 적절히 이해하고, 분할하며, 증강함으로써 실제 애플리케이션에서 잘 작동하는, 잘 학습되고 검증 및 테스트된 모델을 개발할 수 있습니다.

Link to this section4단계: 모델 학습#

데이터셋이 학습 준비가 되면 필요한 환경을 설정하고 데이터셋을 관리하며 모델을 학습시키는 데 집중할 수 있습니다.

먼저 환경이 올바르게 구성되었는지 확인해야 합니다. 일반적으로 여기에는 다음이 포함됩니다:

• TensorFlow, PyTorch 또는 Ultralytics와 같은 필수 라이브러리 및 프레임워크 설치.
• GPU를 사용하는 경우 CUDA 및 cuDNN과 같은 라이브러리를 설치하면 GPU 가속을 활성화하여 학습 과정을 가속화할 수 있습니다.

그런 다음 학습 및 검증 데이터셋을 환경에 로드할 수 있습니다. 크기 조정, 형식 변환 또는 증강을 통해 데이터를 정규화하고 전처리하십시오. 모델을 선택한 후에는 레이어를 구성하고 하이퍼파라미터를 지정하십시오. 손실 함수, 옵티마이저 및 성능 메트릭을 설정하여 모델을 컴파일하십시오.

Ultralytics와 같은 라이브러리는 학습 과정을 단순화합니다. 최소한의 코드로 모델에 데이터를 입력하여 학습을 시작할 수 있습니다. 이러한 라이브러리는 가중치 조정, 역전파 및 검증을 자동으로 처리합니다. 또한 진행 상황을 모니터링하고 하이퍼파라미터를 쉽게 조정할 수 있는 도구도 제공합니다. 학습 후에는 몇 가지 명령어로 모델과 가중치를 저장하십시오.

효율적인 학습을 위해서는 적절한 데이터셋 관리가 필수적임을 기억하십시오. 데이터셋에 버전 관리를 사용하여 변경 사항을 추적하고 재현성을 보장하십시오. DVC(데이터 버전 관리)와 같은 도구는 대규모 데이터셋을 관리하는 데 도움이 될 수 있습니다.

Link to this section5단계: 모델 평가 및 모델 미세 조정#

다양한 메트릭을 사용하여 모델 성능을 평가하고 정확도를 개선하기 위해 다듬는 것이 중요합니다. 평가는 모델이 뛰어난 부분과 개선이 필요한 부분을 식별하는 데 도움이 됩니다. 미세 조정은 모델이 최상의 성능을 낼 수 있도록 최적화합니다.

• 성능 메트릭: 정확도, 정밀도, 재현율, F1-점수와 같은 메트릭을 사용하여 모델 성능을 평가하십시오. 이러한 메트릭은 모델이 예측을 얼마나 잘 수행하고 있는지에 대한 인사이트를 제공합니다.
• 하이퍼파라미터 튜닝: 하이퍼파라미터를 조정하여 모델 성능을 최적화하십시오. 그리드 탐색이나 랜덤 탐색과 같은 기법이 최적의 하이퍼파라미터 값을 찾는 데 도움이 될 수 있습니다.
• 미세 조정: 모델 아키텍처나 학습 과정에 작은 조정을 가하여 성능을 향상시키십시오. 이는 학습률, 배치 크기 또는 기타 모델 파라미터를 조정하는 것을 포함할 수 있습니다.

모델 평가 및 미세 조정 기법에 대한 더 깊은 이해를 원하시면 당사의 모델 평가 인사이트 가이드를 확인하십시오.

Link to this section6단계: 모델 테스트#

이 단계에서는 모델이 완전히 보지 못한 데이터에서도 잘 작동하는지 확인하여 배포 준비 상태를 검증할 수 있습니다. 모델 테스트와 모델 평가의 차이점은 후자가 반복적인 개선에 초점을 맞추는 반면, 전자는 최종 모델의 성능을 검증하는 데 중점을 둔다는 점입니다.

발생할 수 있는 일반적인 문제를 철저히 테스트하고 디버깅하는 것이 중요합니다. 학습이나 검증 중에 사용되지 않은 별도의 테스트 데이터셋으로 모델을 테스트하십시오. 이 데이터셋은 모델 성능이 일관되고 신뢰할 수 있는지 보장하기 위해 실제 시나리오를 나타내야 합니다.

또한 과적합, 과소적합, 데이터 누수와 같은 일반적인 문제를 해결하십시오. 교차 검증 및 이상 탐지와 같은 기법을 사용하여 이러한 문제를 식별하고 수정하십시오. 포괄적인 테스트 전략은 당사의 모델 테스트 가이드를 참조하십시오.

Link to this section7단계: 모델 배포#

모델이 철저히 테스트되면 이제 배포할 시간입니다. 모델 배포는 모델을 프로덕션 환경에서 사용할 수 있도록 만드는 과정을 포함합니다. 컴퓨터 비전 모델을 배포하는 단계는 다음과 같습니다:

• 환경 설정: 클라우드 기반(AWS, Google Cloud, Azure)이든 엣지 기반(로컬 장치, IoT)이든 선택한 배포 옵션에 필요한 인프라를 구성합니다.
• 모델 내보내기: 배포 플랫폼과의 호환성을 보장하기 위해 모델을 적절한 형식(예: YOLO26용 ONNX, TensorRT, CoreML)으로 내보냅니다.
• 모델 배포: API 또는 엔드포인트를 설정하고 이를 애플리케이션과 통합하여 모델을 배포합니다.
• 확장성 보장: 로드 밸런서, 자동 확장 그룹, 모니터링 도구를 구현하여 리소스를 관리하고 증가하는 데이터 및 사용자 요청을 처리합니다.

배포 전략 및 모범 사례에 대한 더 자세한 안내는 모델 배포 관행 가이드를 확인하십시오. Ultralytics Platform은 인프라 설정을 자동으로 처리하며 43개 글로벌 지역에서 자동 확장이 가능한 관리형 배포 엔드포인트를 제공합니다.

Link to this section8단계: 모니터링, 유지 보수 및 문서화#

모델이 배포되면 성능을 지속적으로 모니터링하고, 문제를 처리하기 위해 유지 보수하며, 향후 참조 및 개선을 위해 전체 프로세스를 문서화하는 것이 중요합니다.

모니터링 도구는 핵심 성과 지표(KPI)를 추적하고 이상 징후나 정확도 저하를 감지하는 데 도움을 줍니다. 모델을 모니터링하면 입력 데이터의 변화로 인해 시간이 지남에 따라 모델 성능이 저하되는 모델 드리프트를 파악할 수 있습니다. 정확도와 관련성을 유지하기 위해 주기적으로 업데이트된 데이터로 모델을 재학습하십시오.

모니터링 및 유지 보수 외에도 문서화가 핵심입니다. 모델 아키텍처, 학습 절차, 하이퍼파라미터, 데이터 전처리 단계, 배포 및 유지 보수 중 변경된 모든 내용을 포함하여 전체 프로세스를 철저히 문서화하십시오. 좋은 문서화는 재현성을 보장하고 향후 업데이트나 문제 해결을 더 쉽게 만듭니다. 모델을 효과적으로 모니터링, 유지 보수 및 문서화함으로써 모델의 수명 주기 동안 정확하고 신뢰할 수 있으며 관리하기 쉽게 유지할 수 있습니다.

Link to this section커뮤니티와 교류하기#

컴퓨터 비전 애호가 커뮤니티와 소통하면 컴퓨터 비전 프로젝트를 수행하는 동안 직면하는 문제를 자신 있게 해결하는 데 도움이 될 수 있습니다. 효과적으로 학습하고 문제를 해결하며 네트워크를 형성하는 몇 가지 방법은 다음과 같습니다.

Link to this section커뮤니티 리소스#

• GitHub Issues: YOLO26 GitHub 저장소를 확인하고 Issues 탭을 사용하여 질문하고, 버그를 보고하며, 새로운 기능을 제안하십시오. 활발한 커뮤니티와 관리자들이 특정 문제에 대한 도움을 제공합니다.
• Ultralytics Discord 서버: Ultralytics Discord 서버에 가입하여 다른 사용자 및 개발자와 교류하고, 지원을 받으며, 인사이트를 공유하십시오.

Link to this section공식 문서#

• Ultralytics YOLO26 문서: 다양한 컴퓨터 비전 작업과 프로젝트에 대한 유용한 팁이 담긴 상세 가이드를 보려면 공식 YOLO26 문서를 살펴보십시오.

이러한 리소스를 활용하면 도전을 극복하고 컴퓨터 비전 커뮤니티의 최신 트렌드와 모범 사례를 계속 업데이트할 수 있습니다.

Link to this section다음 단계#

컴퓨터 비전 프로젝트를 수행하는 것은 흥미롭고 보람 있는 일입니다. 이 가이드의 단계를 따르면 성공을 위한 탄탄한 기초를 다질 수 있습니다. 각 단계는 목표를 충족하고 실제 시나리오에서 잘 작동하는 솔루션을 개발하는 데 매우 중요합니다. 경험을 쌓으면서 프로젝트를 개선하기 위한 고급 기법과 도구를 발견하게 될 것입니다.

Link to this sectionFAQ#

Link to this section제 프로젝트에 적합한 컴퓨터 비전 작업은 어떻게 선택하나요?#

올바른 컴퓨터 비전 작업 선택은 프로젝트의 최종 목표에 따라 달라집니다. 예를 들어, 교통을 모니터링하려는 경우 객체 탐지는 실시간으로 여러 차량 유형을 위치 파악하고 식별할 수 있으므로 적합합니다. 의료 영상의 경우 이미지 세분화는 종양의 상세한 경계를 제공하여 진단 및 치료 계획 수립에 도움을 주므로 이상적입니다. 객체 탐지, 인스턴스 세분화, 의미론적 세분화, 이미지 분류와 같은 특정 작업에 대해 자세히 알아보십시오.

Link to this section컴퓨터 비전 프로젝트에서 데이터 주석이 중요한 이유는 무엇인가요?#

데이터 주석은 모델이 패턴을 인식하도록 가르치는 데 필수적입니다. 주석 유형은 작업에 따라 다릅니다:

• 이미지 분류: 전체 이미지가 단일 클래스로 라벨링됨.
• 객체 탐지: 객체 주위에 경계 상자가 그려짐.
• 이미지 세분화: 각 픽셀이 속한 객체에 따라 라벨링됨.

Label Studio, CVAT, Labelme와 같은 도구가 이 과정을 도울 수 있습니다. 자세한 내용은 데이터 수집 및 주석 가이드를 참조하십시오.

Link to this section데이터셋을 효과적으로 증강하고 분할하려면 어떤 단계를 따라야 하나요?#

증강 전에 데이터셋을 분할하면 원본 데이터 그대로 모델 성능을 검증하는 데 도움이 됩니다. 다음 단계를 따르십시오:

• 학습 세트: 데이터의 70~80%.
• 검증 세트: 하이퍼파라미터 튜닝을 위해 10~15%.
• 테스트 세트: 최종 평가를 위해 나머지 10~15%.

데이터 분할 후, 회전, 스케일링, 뒤집기 같은 데이터 증강 기법을 적용하여 데이터셋의 다양성을 높이십시오. Albumentations 및 OpenCV와 같은 라이브러리가 도움이 될 수 있습니다. Ultralytics는 또한 편의를 위해 내장 증강 설정을 제공합니다.

Link to this section학습된 컴퓨터 비전 모델을 배포를 위해 어떻게 내보낼 수 있습니까?#

모델을 내보내면 다양한 배포 플랫폼과의 호환성이 보장됩니다. Ultralytics는 ONNX, TensorRT, CoreML을 포함한 여러 형식을 제공합니다. YOLO26 모델을 내보내려면 다음 가이드를 따르십시오.

• 원하는 형식 매개변수와 함께 export 기능을 사용하십시오.
• 내보낸 모델이 배포 환경(예: 엣지 디바이스, 클라우드)의 사양에 맞는지 확인하십시오.

더 자세한 정보는 모델 내보내기 가이드를 확인하십시오.

Link to this section배포된 컴퓨터 비전 모델을 모니터링하고 유지 관리하기 위한 모범 사례는 무엇입니까?#

지속적인 모니터링과 유지 관리는 모델의 장기적인 성공을 위해 필수적입니다. 핵심 성과 지표(KPI)를 추적하고 이상 징후를 감지하는 도구를 구현하십시오. 모델 드리프트를 방지하기 위해 최신 데이터로 정기적으로 모델을 재학습하십시오. 재현성을 보장하고 향후 업데이트를 용이하게 하기 위해 모델 아키텍처, 하이퍼파라미터 및 변경 사항을 포함한 전체 프로세스를 문서화하십시오. 모니터링 및 유지 관리 가이드에서 자세히 알아보십시오.