YOLO를 이용한 이미지 객체 탐지: 작동 원리와 발전 과정

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

YOLO(You Only Look Once)는 비디오에서 실시간으로 여러 객체를 식별하고 위치를 파악할 수 있는 고속 딥 뉴럴 네트워크 아키텍처이다. 기존의 2단계 방식과 달리 단일 통과(One-pass)로 분류와 지역화를 동시에 수행하여 높은 프레임 속도를 구현한다. 본 아키텍처는 입력 이미지를 그리드로 나누고, 각 셀에서 객체 확률과 바운딩 박스 좌표를 예측하는 방식을 취한다. 2015년 첫 등장 이후 v12에 이르기까지 어텐션 메커니즘 도입과 효율성 최적화를 통해 성능을 지속적으로 개선해왔다.

배경

Convolutional Neural Networks (CNN) 기본 개념, 딥러닝 학습 및 추론 프로세스 이해, 바운딩 박스 및 객체 분류 개념

대상 독자

컴퓨터 비전 엔지니어 및 실시간 객체 탐지 시스템 개발자

의미 / 영향

YOLO의 지속적인 발전은 엣지 디바이스에서도 고성능 객체 탐지를 가능하게 하여 자율 주행 및 스마트 시티 인프라 확산에 기여한다. 특히 최신 버전들의 효율성 개선은 하드웨어 요구 사양을 낮추면서도 정확도를 높이는 방향으로 진화하고 있다.

섹션별 상세

YOLO는 입력 이미지를 고정된 그리드(예: 7x7)로 분할하여 각 셀을 독립적인 하위 이미지로 처리하며, 전체 이미지를 단 한 번의 ConvNet 통과로 분석한다.

거리 풍경에서 사람, 차량, 신호등을 바운딩 박스로 표시한 실시간 객체 탐지 예시이다. — ScreenshotYOLO가 실제 환경에서 여러 클래스의 객체를 동시에 식별하고 위치를 파악하는 능력을 보여준다. 각 박스 상단의 라벨은 분류 결과를 나타낸다.

출력 텐서는 객체 분류 정보와 바운딩 박스의 좌표(중심점, 높이, 너비)를 모두 포함하며, 이를 통해 초당 65프레임 이상의 실시간 추론 속도를 확보한다.

입력 이미지부터 ConvNet, 출력 텐서, NMS를 거쳐 최종 결과가 나오는 YOLO 파이프라인 다이어그램이다. — Diagram이미지를 그리드로 나누고 단일 신경망을 통과시켜 객체 박스와 클래스를 예측한 뒤, NMS로 중복을 제거하는 전체 프로세스를 시각화한다.

하나의 그리드 셀 내에 여러 객체가 존재할 경우를 대비해 다양한 크기와 비율의 앵커 박스(Anchor Boxes)를 사용하여 객체 탐지의 정확도를 높인다.

5x5 이미지에 3x3 필터를 적용하여 3x3 출력을 생성하는 기본 컨볼루션 연산 과정이다. — Diagram필터가 이미지를 스캔하며 요소별 곱셈과 합계를 통해 특징을 추출하는 수학적 원리를 설명한다. 결과값 15가 도출되는 과정을 보여준다.

RGB 3채널 이미지에 3x3x3 필터를 적용하여 3차원 텐서 출력을 생성하는 과정이다. — Diagram공간 차원 외에 채널 차원을 추가하여 딥러닝에서 텐서가 어떻게 처리되는지 보여준다. 이는 YOLO 내부의 복잡한 특징 추출 방식을 이해하는 기초가 된다.

중복된 탐지 결과를 제거하기 위해 비최대 억제(Non-Max Suppression) 알고리즘을 적용하여 가장 높은 확률을 가진 바운딩 박스만 남기고 나머지는 제거한다.

YOLOv1부터 시작하여 v12까지 발전하며 배치 정규화, 어텐션 블록(C3k2, C2PSA), NMS-free 학습 등 다양한 기술적 혁신을 도입했다.

24개의 컨볼루션 레이어와 완전 연결 레이어로 구성된 YOLOv1의 전체 네트워크 아키텍처이다. — Diagram입력 해상도 448x448에서 시작하여 레이어를 거칠수록 공간 해상도는 줄고 채널 수는 늘어나는 전형적인 CNN 구조를 상세히 명시한다.

최신 버전인 YOLOv12는 어텐션 중심 설계를 통해 CNN 기반의 속도를 유지하면서도 트랜스포머 수준의 높은 정확도를 제공한다.

실무 Takeaway

실시간성이 중요한 자율 주행이나 로보틱스 분야에서는 2단계 모델보다 YOLO와 같은 단일 통과 방식의 모델이 더 적합하다.
객체가 겹치거나 밀집된 환경에서는 적절한 크기의 앵커 박스를 설정하고 NMS 임계값을 튜닝하여 탐지 누락을 방지해야 한다.
최신 YOLOv12는 효율적인 영역 어텐션(A2) 모듈을 도입하여 기존 CNN 기반 모델의 속도와 트랜스포머의 정확도를 결합했다.

언급된 리소스

논문You Only Look Once: Unified, Real-Time Object Detection