개요
이 속도 덕분에 드론부터 셀프 계산대까지 모든 곳에서 실시간 시야가 가능해졌습니다.
심층 분석
YOLO 이전에는 R-CNN과 같은 감지기가 이미지 영역 전체에 걸쳐 분류기를 수천 번 실행했는데 속도가 느렸습니다. 2015년 Joseph Redmon이 도입한 YOLO는 감지를 하나의 회귀 문제로 재구성했습니다. 즉, 이미지를 그리드로 나누고 각 셀에 대해 단일 정방향 패스에서 경계 상자, 객체성 점수 및 클래스 확률을 예측합니다. 이러한 '한 번 보기' 디자인은 정확성을 유지하면서 2단계 감지기보다 훨씬 더 빠른 속도를 구현했습니다. 제품군은 앵커 박스, 더 나은 백본, 앵커 없는 헤드를 추가하면서 다양한 버전(YOLOv2부터 YOLOv8까지)을 통해 빠르게 발전했습니다. 최신 변형은 GPU에서 초당 100프레임이 훨씬 넘는 속도로 실행되므로 지연 시간이 정확성만큼 중요한 경우 YOLO를 기본 선택으로 만듭니다.
실제 구현
셀프 체크아웃 시스템과 계산원이 없는 매장에서는 쇼핑객이 물건을 픽업할 때 물건을 감지합니다.
농작물, 잡초, 가축을 실시간으로 찾아내는 드론과 농업용 로봇
스마트 시티 분석을 위해 차량 수를 세고 보행자를 감지하는 교통 및 감시 카메라
빠르게 움직이는 컨베이어 벨트에서 결함 부품을 표시하는 제조 라인
YOLO 실시간 탐지의 미래
YOLO는 클라우드 연결 없이 휴대폰, 마이크로 컨트롤러 및 내장 카메라에서 실행되는 더 작은 양자화 모델을 통해 엣지 배포를 향한 추세를 이어가고 있습니다. 최신 릴리스에서는 속도 저하 없이 정확성을 위해 변압기 구성 요소와 앵커 없는 설계를 혼합했습니다. 추적 및 분할과의 긴밀한 통합, 고정 레이블이 아닌 텍스트 프롬프트에서 개체를 인식하는 개방형 어휘 감지, 엣지의 저렴한 저전력 하드웨어에서 효율적으로 실행하기 위한 지속적인 관심을 기대합니다.
실천에 옮기기
왜 중요한가요?
- 속도와 규모. Visual AI는 대규모 검사, 감지 및 태그 지정 작업을 자동화할 수 있습니다.
- 빌드 선택. 크리에이티브 팀은 수동 수정 횟수를 줄여 컨셉의 프로토타입을 더 빠르게 제작할 수 있습니다.
- 팀과 워크플로우. 이전에는 처리하기 어려웠던 이미지 및 비디오 신호를 작업에 사용할 수 있습니다.
조심하세요
- 출처가 불분명할 경우 이미지 권리 및 동의는 법적 위험이 될 수 있습니다.
- 모델 성능은 조명, 인구통계, 환경에 따라 달라질 수 있습니다.
- 신뢰도 임계값을 모니터링하지 않으면 거짓양성이 발견되지 않을 수 있습니다.
다음 단계
- 정밀도, 재현율, 오류 비용에 대한 허용 기준을 정의합니다.
- 실제 생산 조건과 일치하는 데이터로 테스트합니다.
- 신뢰도가 낮거나 영향력이 큰 예측에 대해 인적 검토를 추가합니다.
- 모델 드리프트를 추적하고 카메라 또는 데이터 세트가 변경된 후 재검증합니다.
계속 탐색하세요
무료 뉴스레터
일일 AI 브리핑 받기
매주 평일 아침마다 3개의 검증된 AI 스토리를 일반 영어로 작성합니다. 무료이며, 광고 없음.
매주 평일마다 한 번 이메일을 받습니다. 한 번 클릭으로 구독 해지. 주소를 판매하거나 공유하지 않습니다.
자신을 테스트해 보세요
YOLO 실시간 감지 퀴즈 풀기
모든 답변에 즉각적인 피드백과, 과정을 통과하면 검증 가능한 ID가 있는 공유 가능한 인증서를 제공합니다.
무료 AI 교육을 지원합니다. AI Understanding는 501(c)(3) 비영리 단체입니다 — 광고 없음, 유료 장벽 없음, 영원히. 기부하기
자주 묻는 질문
YOLO 실시간 탐지란 무엇인가요?
YOLO(You Only Look Once)는 라이브 비디오에 충분히 빠른 단일 신경망 패스를 사용하여 이미지의 모든 개체를 찾아 레이블을 지정하는 개체 감지 모델 제품군입니다. 그 속도로 인해 드론부터 셀프 체크아웃 키오스크까지 모든 것에 대한 실시간 비전이 가능해졌습니다.
이 맥락에서 YOLO라는 약어는 무엇을 의미합니까?
YOLO는 'You Only Look Once'의 약자로 단일 신경망의 모든 객체가 이미지 위를 통과하는 것을 감지한다는 의미입니다.
원본 YOLO 논문은 어떤 교차 도메인 평가를 보고했나요?
원본 논문은 자연 이미지에서 예술 작품으로의 일반화 테스트로 피카소 및 People-Art 데이터셋에 대한 평가를 보고합니다.
YOLO 출력에서 중복되고 겹치는 경계 상자를 제거하는 기술은 무엇입니까?
비최대 억제는 신뢰도가 가장 높은 상자를 유지하고 교차-결합 임계값 위에 있는 겹치는 상자를 삭제합니다.
원래 YOLO 디자인에서 예측을 위해 입력 이미지는 어떻게 분할됩니까?
YOLO는 이미지를 S x S 그리드로 분할하고 각 셀은 중앙에 있는 객체에 대한 상자 및 클래스 확률을 예측하는 역할을 합니다.
각 그리드 셀은 경계 상자 좌표와 함께 어떤 수량을 예측합니까?
각 셀은 상자 좌표, 객체성 신뢰도 점수 및 클래스 확률을 모두 하나의 순방향 패스에서 함께 예측합니다.