OpenCV에서 YOLO를 활용한 객체 탐지

OpenCV에서 YOLO를 활용한 객체 탐지

객체 탐지는 컴퓨터 비전 분야에서 중요한 기술 중 하나로, 이미지나 영상에서 객체의 위치를 탐지하고 분류하는 역할을 합니다. 이 글에서는 OpenCV를 활용하여 YOLO(You Only Look Once) 모델을 사용한 객체 탐지 방법을 설명하고, Python 코드 예제를 통해 실제로 YOLO를 활용하는 방법을 살펴보겠습니다.

---

1. YOLO란?

YOLO(You Only Look Once)는 객체 탐지를 위한 딥러닝 기반 알고리즘 중 하나로, 이미지 전체를 한 번만 분석하여 빠르게 객체를 탐지하는 것이 특징입니다. YOLO는 다음과 같은 장점을 가지고 있습니다:

• 빠른 속도: 한 번의 전방향 전달(forward pass)로 객체를 탐지하므로 실시간 탐지가 가능합니다.
• 높은 정확도: 최신 버전(YOLOv4, YOLOv5, YOLOv7 등)은 높은 mAP(mean Average Precision) 성능을 보입니다.
• 다양한 객체 탐지 가능: COCO, Pascal VOC 등의 데이터셋을 기반으로 학습된 모델을 활용할 수 있습니다.

YOLO는 Darknet이라는 프레임워크로 구현되어 있으며, OpenCV의 DNN 모듈을 이용하면 Python에서 YOLO 모델을 쉽게 사용할 수 있습니다.

---

2. YOLO 모델 다운로드 및 환경 설정

YOLO를 사용하려면 사전 학습된 가중치 파일과 네트워크 구조를 정의하는 파일이 필요합니다. YOLOv3 또는 YOLOv4 모델을 사용할 수 있으며, 아래의 파일들이 필요합니다:

• yolov3.weights 또는 yolov4.weights: 학습된 가중치 파일
• yolov3.cfg 또는 yolov4.cfg: 네트워크 구조 정의 파일
• coco.names: COCO 데이터셋의 클래스 이름 파일

2.1 파일 다운로드

다음 명령어를 사용하여 YOLO 모델 파일을 다운로드할 수 있습니다:

wget https://pjreddie.com/media/files/yolov3.weights
wget https://raw.githubusercontent.com/pjreddie/darknet/master/cfg/yolov3.cfg
wget https://raw.githubusercontent.com/pjreddie/darknet/master/data/coco.names

---

3. OpenCV를 활용한 YOLO 객체 탐지 구현

OpenCV의 cv2.dnn 모듈을 활용하여 YOLO 모델을 로드하고 객체 탐지를 수행할 수 있습니다.

3.1 YOLO 모델 로드 및 객체 탐지 코드

아래는 YOLO 모델을 로드하고 객체 탐지를 수행하는 Python 코드입니다.

import cv2
import numpy as np

# YOLO 모델 파일 경로 설정
CONFIG_PATH = "yolov3.cfg"
WEIGHTS_PATH = "yolov3.weights"
NAMES_PATH = "coco.names"

# 클래스 이름 로드
with open(NAMES_PATH, "r") as f:
    class_names = [line.strip() for line in f.readlines()]

# YOLO 모델 로드
net = cv2.dnn.readNet(WEIGHTS_PATH, CONFIG_PATH)

# OpenCV DNN 백엔드 설정 (CUDA 사용 가능)
net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)
net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)  # GPU 사용 시 DNN_TARGET_CUDA

# 객체 탐지 함수
def detect_objects(image):
    height, width = image.shape[:2]
    blob = cv2.dnn.blobFromImage(image, 1/255.0, (416, 416), swapRB=True, crop=False)
    net.setInput(blob)

    layer_names = net.getLayerNames()
    output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]
    detections = net.forward(output_layers)

    boxes, confidences, class_ids = [], [], []
    for output in detections:
        for detection in output:
            scores = detection[5:]
            class_id = np.argmax(scores)
            confidence = scores[class_id]
            if confidence > 0.5:
                center_x, center_y, w, h = (detection[0:4] * [width, height, width, height]).astype(int)
                x = int(center_x - w / 2)
                y = int(center_y - h / 2)
                boxes.append([x, y, w, h])
                confidences.append(float(confidence))
                class_ids.append(class_id)

    indices = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)
    for i in indices.flatten():
        x, y, w, h = boxes[i]
        label = f"{class_names[class_ids[i]]}: {confidences[i]:.2f}"
        cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
        cv2.putText(image, label, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

    return image

# 이미지 불러오기 및 탐지 수행
image = cv2.imread("test.jpg")
detected_image = detect_objects(image)

# 결과 출력
cv2.imshow("YOLO Object Detection", detected_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

4. 코드 설명

• cv2.dnn.readNet(): YOLO 모델을 로드합니다.
• blobFromImage(): 이미지를 YOLO 입력 형식으로 변환합니다.
• net.forward(): YOLO 네트워크를 통해 객체 탐지를 수행합니다.
• cv2.rectangle(), cv2.putText(): 탐지된 객체를 시각적으로 표시합니다.
• NMSBoxes(): 비최대 억제(Non-Maximum Suppression)를 적용하여 중복된 박스를 제거합니다.

---

5. 결론

이 글에서는 OpenCV의 cv2.dnn 모듈을 활용하여 YOLO 모델을 사용한 객체 탐지 방법을 설명하였습니다. YOLO는 빠르고 정확한 객체 탐지가 가능하며, OpenCV를 활용하면 쉽게 구현할 수 있습니다. 향후 YOLOv5, YOLOv7 등의 최신 모델을 적용하여 성능을 비교해보는 것도 좋은 방법입니다.