인공지능(AI) 이미지 분류 종류와 모델의 진화
우리는 일상에서 두 눈을 통해 어떤 사물이나 객체를 인지하고 있습니다. 지금처럼 ‘컴퓨터’와 ‘모바일’의 인터넷을 통해 글을 읽는다는 것을 우리의 ‘눈’을 통해 인식하게 되는 것이죠. 오늘날에는 우리의 눈 역할을 대신해 줄 수 있는 AI가 나타나며 많은 일상에 이점을 만들어주는데요.😁
인공지능 AI를 통해 이미지를 인식하고 분류해서, 다양한 산업 내 활용할 수 있습니다. 이처럼, 오늘은 일상 속에서 활용되는 ‘AI 이미지 분류’ 기술과 진화에 대해서 간단하게 설명해 드릴게요!😃
인공지능(AI)의 이미지 분류란 무엇일까요?
이미지 분류(Image Classification)은 이미지 내 특정 사물을 분류하는 것으로, AI를 이용한 대표적인 기술로 꼽힙니다. 2012년부터 딥러닝 모델은 이미지 인식 경진 대회에서 우승을 차지하고, 2016년도에는 96% 이상의 정확도를 달성하여 이미지 분류 딥러닝 기술은 점점 더 많은 관심을 받기 시작했어요. 그렇다면 인공지능의 다양한 이미지 분류 방식과 종류는 어떻게 될까요?
1️⃣ 이미지 분류 Classification
이미지 분류는 이미지를 정해진 카테고리에 따라 AI가 자동으로 분류해 주는 기술입니다. 초기 이미지 분류는 비교적 단순한 원리를 사용하였는데요. 주어진 이미지와 학습한 데이터들 간의 거리를 비교하여 Class를 분류하는 방식이었습니다.
🤖분류 방식에 있어서는 여러 복잡한 원리들이 있지만, classification은 인공지능 기술 중 가장 기초적인 단계라고 볼 수 있어요!
Classfication은 위의 이미지와 같이 🐶강아지와 😺고양이 특징을 잡아낸 뒤, 각각 어디에 속하는지 판별하는 작업을 수행할 수 있는데요. 이러한 이미지 분류 기술은 데이터양 및 모델의 복잡도가 늘어감으로써, 90%가 넘는 이미지 정확도를 보이고 있었습니다!
이뿐만 아니라 'Fine-Grained' 'Image Classification'이라는 시각적 유사하지만 조금씩 다른 클래스를 분류하는 수준까지 발전했어요. 예를 들어, 2023년도 형 자동차 모델과 2024년도 자동차 모델의 차이까지 파악하여 분류할 수 있게 된답니다 :)🚗🚕
2️⃣객체 인식 Object Detection, Tracking
객체 인식은 Classification에서 한 단계 더 나아간 기술입니다. Object Detection은 단순히 이미지의 클래스를 분류하는 것을 넘어, 이미지 분류뿐만 아니라 이미지 내 객체의 경계나 중앙점의 위치를 탐지할 수 있어요!🔎
객체 인식 초기 단계에는 정적 이미지에 있는 객체를 인식하는 것으로 시작했지만, 현재는 프레임 단위로 객체를 인식하여 영상에서 바운딩 박스가 객체를 따라가는 형태로 발전하였습니다. 실제 장면 내에서 움직이는 객체를 따라가 객체의 대상을 인식하게 되어요!🚶
이러한 객체 인식은 Detection, Tracking 등의 하위 기술을 모두 포함하고 있는데요. Detection은 특정 범위 내에 객체가 존재하는지 판단하고, 그 위치를 찾아내는 과정입니다. Tracking은 연속된 프레임에서 같은 객체끼리 연결하여 그것을 추적할 수 있도록 하는 개념입니다🤗
3️⃣이미지 세분화 Segmentation
Segmentation은 Detection과 Classification을 동시에 수행할 수 있어요. Segmentation은 이미지에서 픽셀 단위로 Class ID를 도식화합니다. Segmentation의 객체인식은 위치 기반으로 데이터를 추측하는 것과는 다르게, 🎨픽셀을 기준으로 데이터를 추측합니다. 특히 딥러닝에서는 Semantic Segmentation과 Instance Segmentation로 나눌 수 있는데요!
Object Detection의 경우, 전체 이미지의 특정 영역에 대한 분류 결과를 보여준다면, Semantic Segmentation은 이미지 내 모든 픽셀에 대한 분류 결과를 보여줍니다. 이미지의 각 세부적인 부분이 어떤 의미를 가지고 있는지까지 구분해서 알려준답니다. Instance Segmentation은 단순히 객체를 감지하는 것을 넘어, 각 객체의 세부적인 형상 및 경계를 파악하게 돼요.
일반적으로 기술적 측면에서는 Instance 방식이 조금 더 고차원적이라고 볼 수 있지만,📚 Semantic 방식에 비해 더 많은 계산 비용이 들어간다는 단점이 있습니다. 💰때문에 Class 안의 Instance 분류가 중요하지 않은 실질적인 상황들을 고려했을 때, Semantic 방식을 조금 더 많이 활용하기도 합니다.
다음의 이미지를 통해, 이미지 분류(Classification), 객체 인식 (Object Detection), Segmentation를 비교할 수 있는데요. 단순히 개인지 고양인지에 대해서만 인식했던 이미지 분류에서, 객 개체의 특징을 비교하여 인식하고, 픽셀을 기준으로 도식화 진행까지 도달할 수 있어요! 이러한 이미지 분류와 인식 기술은 🚗자율주행 자동차의 객체인식, 🧑⚕️의료 영상 진단 보조, 얼굴인식, 🔎이미지 검색 등 다양한 영역에서 활용되고 있답니다:) 🩷
시각 지능 모델 학습도 astrago로 어렵지 않게!
🔎위에서 살펴본 인공지능 이미지 분류 방식을 통해서, 많은 기업은 AI 서비스 내 해당 기술을 적용하게 되는데요.
때에 따라 객체 위치 탐지 및 고사양 딥러닝 모델을 만들기 위해서는 객체의 위치 정보가 존재하는 학습 데이터를 준비해야 하고, ⌛이는 굉장한 시간 소모가 발생하게 돼요. 하지만 아스트라고를 통해서라면, 시각 지능 모델 학습까지 편하게 진행할 수 있답니다:) 🤗
우선, 아스트라고는 워크 로드 생성 단계에서 학습 이미지 및 리소스를 선택할 수 있어요. 이때 실시간 객체 탐지 시각 지능 모델인 YOLO 허브도 지원 가능하답니다.
아스트라고(astrago)는 편의성을 강조한 모델 허브와 개발 환경을 지원하는 빌트인 이미지, 사용자의 모델 학습 자유도를 높인 커스텀 이미지를 제공하여 효율적인 이미지 학습을 진행할 수 있습니다.
특히, 워크로드의 학습시간 예측이 가능해, 사용자 편의성 강화와 프로젝트 계획성 향상에 도움이 되는 머신러닝 AI 솔루션입니다.
✅모델 허브: 오픈소스 SOTA 모델을 GUI 인터페이스 조작만으로 학습
✅ 빌트인 이미지: 사용자의 인프라 환경에 최적화된 PyTorch, TensorFlow, Keras 라이브러리가 탑재된 이미지 제공
✅커스텀 이미지: 사용자가 원하는 이미지 경로를 불러와서 사용
오늘은 인공지능을 이용한 이미지 분류 방식을 알아보았는데요.
이미지 분류 기술에서 가장 중요한 '학습'!
아스트라고(astrago)에서 진행해 보시는 건 어떨까요?
Email : astrago@xiilab.com
영업 문의: sales@xiilab.com
TEL: 02-6914-9369