AI 이미지 분류의 종류와 진화

사람은 눈으로 사물과 객체를 인식합니다. 이제는 AI가 그 눈의 역할을 대신하며 일상과 산업 곳곳에서 이점을 만들고 있습니다. AI가 이미지를 인식하고 분류하는 기술, 그리고 그 기술이 어떻게 발전해 왔는지 간단히 정리했습니다.

(이미지 출처: Medical Times)

AI 이미지 분류란

이미지 분류(Image Classification)는 이미지 속 특정 사물을 구분하는 기술로, AI의 대표적인 활용 분야입니다. 2012년부터 딥러닝 모델이 이미지 인식 경진대회에서 우승하기 시작했고, 2016년에는 96% 이상의 정확도를 달성하면서 이미지 분류 딥러닝 기술에 대한 관심이 크게 높아졌습니다.

(이미지 출처: GOT IT)

1. 이미지 분류(Classification)

이미지를 정해진 카테고리에 따라 AI가 자동으로 나누는 기술입니다. 초기에는 주어진 이미지와 학습 데이터 사이의 거리를 비교해 클래스를 정하는 비교적 단순한 방식이었습니다. 복잡한 원리들이 더해졌지만, Classification은 AI 기술 중 가장 기초적인 단계라고 할 수 있습니다.

강아지와 고양이의 특징을 잡아낸 뒤 각 이미지가 어디에 속하는지 판별하는 것이 대표적인 예입니다. 데이터 양과 모델 복잡도가 늘면서 정확도는 90%를 넘어섰고, 시각적으로 비슷하지만 조금씩 다른 클래스를 구분하는 Fine-Grained Image Classification까지 발전했습니다. 2023년형 자동차와 2024년형 자동차의 차이를 구분하는 수준입니다.

(이미지 출처: 슈퍼브 블로그)

2. 객체 인식(Object Detection, Tracking)

객체 인식은 Classification에서 한 단계 나아가, 이미지의 클래스를 구분하는 동시에 이미지 안 객체의 경계나 중앙점 위치까지 찾아냅니다.

처음에는 정지 이미지 속 객체를 인식하는 데서 출발했지만, 지금은 프레임 단위로 객체를 인식해 영상 속에서 바운딩 박스가 움직이는 객체를 따라가는 수준으로 발전했습니다. 객체 인식은 Detection과 Tracking을 포함합니다. Detection은 특정 범위 안에 객체가 있는지 판단하고 위치를 찾는 과정이고, Tracking은 연속된 프레임에서 같은 객체를 이어 추적하는 개념입니다.

(이미지 출처: thegridiant)

3. 이미지 세분화(Segmentation)

Segmentation은 Detection과 Classification을 함께 수행합니다. 위치를 기준으로 추정하는 객체 인식과 달리, 이미지의 각 픽셀에 Class ID를 매겨 픽셀 단위로 판단합니다. 딥러닝에서는 Semantic Segmentation과 Instance Segmentation으로 나뉩니다.

(이미지 출처: folio3)

Object Detection이 이미지의 특정 영역에 대한 분류 결과를 보여 준다면, Semantic Segmentation은 이미지의 모든 픽셀에 대한 분류 결과를 보여 줘 각 부분이 어떤 의미인지까지 알려 줍니다. Instance Segmentation은 여기서 더 나아가 객체 하나하나의 세부 형상과 경계를 파악합니다.

기술적으로는 Instance 방식이 더 고차원적이지만 계산 비용이 더 많이 듭니다. 그래서 클래스 안의 개별 객체 구분이 중요하지 않은 실제 상황에서는 Semantic 방식이 더 많이 쓰이기도 합니다.

(이미지 출처: medium)

정리하면, 개인지 고양이인지만 구분하던 이미지 분류에서 시작해 각 개체의 특징을 비교해 인식하고, 픽셀 단위로 구분하는 단계까지 발전한 것입니다. 이런 이미지 분류·인식 기술은 자율주행차의 객체 인식, 의료 영상 진단 보조, 얼굴 인식, 이미지 검색 등 다양한 분야에서 쓰이고 있습니다.

시각 지능 모델 학습, AstraGo로 쉽게

기업이 이런 기술을 AI 서비스에 적용하려면 객체 위치 탐지나 고사양 딥러닝 모델을 위해 위치 정보가 담긴 학습 데이터를 준비해야 하고, 여기에 많은 시간이 듭니다. AstraGo를 쓰면 시각 지능 모델 학습까지 훨씬 편하게 진행할 수 있습니다.

AstraGo는 워크로드를 만들 때 학습 이미지와 리소스를 선택할 수 있고, 실시간 객체 탐지 시각 지능 모델인 YOLO 허브도 지원합니다. 편의성을 높인 모델 허브, 개발 환경을 갖춘 빌트인 이미지, 학습 자유도를 높인 커스텀 이미지로 효율적인 이미지 학습이 가능하며, 워크로드의 학습 시간까지 예측해 사용 편의성과 프로젝트 계획성을 높여 줍니다.

- 모델 허브: 오픈소스 SOTA 모델을 GUI 조작만으로 학습

- 빌트인 이미지: 사용자 인프라에 최적화된 PyTorch, TensorFlow, Keras 라이브러리 탑재 이미지 제공

- 커스텀 이미지: 원하는 이미지 경로를 불러와 사용

이미지 분류 기술에서 가장 중요한 '학습', AstraGo에서 시작해 보세요.