161. [AI] [Fine-Tuning] : Object Detection을 활용한 도로 이미지 분석

목차 ▽열기

•  1. 개요
• 2. Object Detection이란?
• 3. Object Detection 코드 구현
  • 3-1.  pipeline을 활용한 모델 실행
  • 3-2. 탐지된 객체를 이미지에 시각화
• 4. Fine-Tuning: 모델 개선하기
  • 4-1. 데이터셋 준비
• 5. 결론 및 요약

 

 

 1. 개요

Object Detection(객체 탐지)은 이미지에서 객체를 식별하고, 위치를 파악하는 컴퓨터 비전 기술입니다.

이 글에서는 Hugging Face의 transformers 라이브러리의 pipeline을 활용하여

도로 이미지 속 자동차, 신호등, 보행자 등을 감지하는 방법을 자세히 살펴보겠습니다.

주요 내용

• transformers의 pipeline을 이용한 Object Detection
•  matplotlib를 활용한 객체 시각화
• 모델의 결과 해석 및 Fine-Tuning 확장

---

2. Object Detection이란?

Object Detection(객체 탐지)은 이미지 속에서 특정 물체가 어디에 위치하는지 박스로 표시하고,

해당 객체가 무엇인지 분류하는 기술입니다.

Object Detection의 주요 개념

1. Classification (분류): 이미지에 특정 객체가 포함되어 있는지 예측
2. Localization (위치 탐색): 이미지 내 객체의 위치를 Bounding Box로 표시
3. Detection (탐지): 이미지 속 여러 개의 객체를 동시에 탐색

활용 예시

• 자율주행 차량 - 보행자, 차량, 신호등 탐지
• CCTV 영상 분석 - 침입 탐지, 교통량 분석
• 스포츠 경기 분석 - 선수 위치 및 공의 이동 경로 분석

 

---

3. Object Detection 코드 구현

이제 Python을 사용하여 Object Detection 모델을 실행하고,

도로 사진 속 객체들을 감지하는 과정을 살펴보겠습니다.

3-1.  pipeline을 활용한 모델 실행

Hugging Face의 transformers 라이브러리는 다양한 AI 모델을 손쉽게 활용할 수 있도록 pipeline을 제공합니다.

먼저, pipeline("object-detection")을 사용하여 Object Detection 모델을 로드합니다.

from transformers import pipeline

# 객체 탐지(Object Detection) 모델 로드
model = pipeline("object-detection")

# 분석할 이미지 파일 (도로 사진)
image_path = '도로사진.jpg'

# 모델을 사용하여 객체 탐지 수행
result = model(image_path)

# 탐지된 객체 리스트 출력
print(result)

 

 

 

출력

[{'score': 0.8258874416351318,
  'label': 'truck',
  'box': {'xmin': 475, 'ymin': 194, 'xmax': 516, 'ymax': 221}},
 {'score': 0.9929500818252563,
  'label': 'car',
  'box': {'xmin': 153, 'ymin': 468, 'xmax': 321, 'ymax': 625}},
 {'score': 0.937700092792511,
  'label': 'traffic light',
  'box': {'xmin': 529, 'ymin': 163, 'xmax': 557, 'ymax': 186}},
 {'score': 0.9528058767318726,
  'label': 'truck',
  'box': {'xmin': 421, 'ymin': 201, 'xmax': 455, 'ymax': 232}},
 {'score': 0.9967544674873352,
  'label': 'traffic light',
  'box': {'xmin': 350, 'ymin': 295, 'xmax': 571, 'ymax': 357}},
 {'score': 0.9984515905380249,
  'label': 'traffic light',
  'box': {'xmin': 782, 'ymin': 296, 'xmax': 1018, 'ymax': 363}},
 {'score': 0.7857056260108948,
  'label': 'car',
  'box': {'xmin': 762, 'ymin': 294, 'xmax': 786, 'ymax': 317}},
 {'score': 0.9964152574539185,
  'label': 'motorcycle',
  'box': {'xmin': 663, 'ymin': 500, 'xmax': 730, 'ymax': 587}},
 {'score': 0.9896963834762573,
  'label': 'car',
  'box': {'xmin': 550, 'ymin': 192, 'xmax': 581, 'ymax': 215}},
 {'score': 0.6902872920036316,
  'label': 'car',
  'box': {'xmin': 429, 'ymin': 196, 'xmax': 452, 'ymax': 211}},
 {'score': 0.9012615084648132,
  'label': 'car',
  'box': {'xmin': 423, 'ymin': 202, 'xmax': 454, 'ymax': 232}},
 {'score': 0.9920904636383057,
  'label': 'car',
  'box': {'xmin': 270, 'ymin': 214, 'xmax': 309, 'ymax': 241}},
 {'score': 0.9286350011825562,
  'label': 'car',
  'box': {'xmin': 319, 'ymin': 296, 'xmax': 351, 'ymax': 344}},
 {'score': 0.7509833574295044,
  'label': 'car',
  'box': {'xmin': 476, 'ymin': 194, 'xmax': 515, 'ymax': 220}},
 {'score': 0.990738570690155,
  'label': 'traffic light',
  'box': {'xmin': 0, 'ymin': 292, 'xmax': 137, 'ymax': 357}},
 {'score': 0.9046427011489868,
  'label': 'car',
  'box': {'xmin': 394, 'ymin': 203, 'xmax': 430, 'ymax': 225}},
 {'score': 0.9982653260231018,
  'label': 'traffic light',
  'box': {'xmin': 654, 'ymin': 160, 'xmax': 747, 'ymax': 187}},
 {'score': 0.938798725605011,
  'label': 'car',
  'box': {'xmin': 149, 'ymin': 347, 'xmax': 189, 'ymax': 416}},
 {'score': 0.9560864567756653,
  'label': 'truck',
  'box': {'xmin': 248, 'ymin': 344, 'xmax': 351, 'ymax': 434}},
 {'score': 0.7842751145362854,
  'label': 'car',
  'box': {'xmin': 499, 'ymin': 227, 'xmax': 540, 'ymax': 264}},
 {'score': 0.9875442981719971,
  'label': 'car',
  'box': {'xmin': 248, 'ymin': 344, 'xmax': 348, 'ymax': 433}},
 {'score': 0.7373068332672119,
  'label': 'traffic light',
  'box': {'xmin': 34, 'ymin': 201, 'xmax': 42, 'ymax': 218}},
 {'score': 0.9899991154670715,
  'label': 'car',
  'box': {'xmin': 37, 'ymin': 347, 'xmax': 157, 'ymax': 454}},
 {'score': 0.9827091693878174,
  'label': 'car',
  'box': {'xmin': 331, 'ymin': 215, 'xmax': 364, 'ymax': 241}},
 {'score': 0.6544694900512695,
  'label': 'truck',
  'box': {'xmin': 393, 'ymin': 203, 'xmax': 433, 'ymax': 227}},
 {'score': 0.5787176489830017,
  'label': 'motorcycle',
  'box': {'xmin': 680, 'ymin': 526, 'xmax': 728, 'ymax': 587}},
 {'score': 0.874998152256012,
  'label': 'truck',
  'box': {'xmin': 498, 'ymin': 226, 'xmax': 541, 'ymax': 266}},
 {'score': 0.9974609613418579,
  'label': 'car',
  'box': {'xmin': 412, 'ymin': 402, 'xmax': 528, 'ymax': 505}},
 {'score': 0.998721182346344,
  'label': 'person',
  'box': {'xmin': 663, 'ymin': 467, 'xmax': 724, 'ymax': 549}}]

 

위 결과에서 모델이 **자동차(car), 보행자(person), 신호등(traffic light)**을 인식했음을 확인할 수 있습니다.

---

3-2. 탐지된 객체를 이미지에 시각화

탐지된 객체를 보기 쉽게 Bounding Box(경계 상자)와 라벨을 추가하여 시각화하겠습니다.

 

코드 구현

import matplotlib.pyplot as plt
import matplotlib.patches as patches

# 이미지 불러오기
image = plt.imread(image_path)

# Matplotlib을 사용하여 이미지 출력
fig, ax = plt.subplots(1, figsize=(10, 6))
ax.imshow(image)

# 탐지된 객체에 Bounding Box 추가
for data in result:
    xmin = int(data['box']['xmin'])
    ymin = int(data['box']['ymin'])
    xmax = int(data['box']['xmax'])
    ymax = int(data['box']['ymax'])

    # Bounding Box 그리기
    width = xmax - xmin
    height = ymax - ymin
    rect = patches.Rectangle((xmin, ymin), width, height, linewidth=2, edgecolor='red', facecolor='none')
    ax.add_patch(rect)

    # 객체 라벨 표시
    label = data['label']
    confidence = data['score']
    text = f"{label}: {confidence:.2f}"
    ax.text(xmin, ymin, text, fontsize=10, color='yellow', bbox=dict(facecolor='black', alpha=0.5))

# 시각화 출력
plt.axis("off")
plt.show()

 

 

출력

 

 

 

코드 설명

• plt.imread(image_path) → 이미지를 불러옵니다.
• matplotlib.patches.Rectangle() → Bounding Box(경계 상자)를 추가합니다.
• ax.text() → 객체 라벨(이름)과 신뢰도(확률)를 표시합니다.

 

 

• 결과 이미지 예시
  •  신호등, 자동차, 보행자가 감지된 도로 사진

 

 

---

4. Fine-Tuning: 모델 개선하기

위에서 사용한 모델은 사전 학습된 모델이므로, 특정 도로 환경(예: 한국 도로 표지판)에 맞춰져 있지 않을 수 있습니다.

따라서 우리 데이터로 Fine-Tuning을 진행하여 모델 성능을 향상시킬 수 있습니다.

4-1. 데이터셋 준비

Fine-Tuning을 위해 도로 이미지를 포함한 Custom Dataset을 준비해야 합니다.

• COCO Dataset: 교통량 분석에 유용한 데이터셋
• Roboflow Dataset: 커스텀 데이터셋 제작 가능

 

 

예제 데이터셋 구조

/data
 ├── train/
 │   ├── image_1.jpg
 │   ├── image_2.jpg
 │   ├── ...
 │   ├── labels/
 │   │   ├── image_1.json
 │   │   ├── image_2.json
 │   │   ├── ...
 ├── test/
 ├── val/

• labels/ 폴더에는 이미지에 대한 객체 정보(라벨, Bounding Box)가 포함된 .json 파일 저장.

 

---

5. 결론 및 요약

이 글에서는 Hugging Face pipeline을 활용한 Object Detection을 수행하고,

도로 사진에서 자동차, 신호등, 보행자를 감지하는 방법을 설명했습니다.

 

핵심 요약

• pipeline("object-detection")을 활용하여 도로 이미지 속 객체 탐지
• matplotlib을 사용하여 탐지된 객체를 이미지에 시각화
• Fine-Tuning을 통해 한국 도로 환경에 최적화된 모델 구축

Fine-Tuning된 모델을 배포하면 자율주행, 교통 감시, 사고 감지 시스템 등에 활용할 수 있습니다.