라즈베리파이에서 YOLO를 활용한 실시간 객체 인식

안녕하세요, 이번 포스트에서는 **라즈베리파이**와 **YOLO**를 활용하여 실시간 객체 인식을 구현하는 방법을 알려드리려고 합니다. 이 글은 일반 대중을 대상으로 하며, 기술에 대한 깊은 이해 없이도 라즈베리파이와 YOLO의 매력을 느낄 수 있도록 쉽게 설명하겠습니다.

YOLO란 무엇인가?

YOLO는 'You Only Look Once'의 약자로, 이미지를 단 한번에 처리하여 객체를 인식하는 딥러닝 기반 기술입니다. YOLO는 빠르고 정확하게 물체를 탐지할 수 있어 다양한 분야에서 널리 활용됩니다.

라즈베리파이에서 YOLO를 사용해야 하는 이유

라즈베리파이는 컴팩트한 크기와 저렴한 가격으로 인기 있는 싱글보드 컴퓨터입니다. 특히 **소형 프로젝트**, **IoT 기기**, **학습 도구**로 많이 활용되고 있습니다. 라즈베리파이에서 YOLO를 사용하면, 실시간 객체 인식 시스템을 간단히 구축할 수 있습니다.

라즈베리파이에 YOLO 설치하기

라즈베리파이에 YOLO를 설치하기 전에 필요한 준비물을 살펴봅시다:

라즈베리파이 4 모델 B
마이크로 SD 카드(32GB 이상)
카메라 모듈
기본적인 라즈비안(Raspbian) 운영 시스템 설치

이제 설치 단계를 진행해보겠습니다. 터미널을 열고 다음 명령어를 입력하여 YOLO와 필요한 패키지들을 설치합니다.


sudo apt-get update
sudo apt-get upgrade
sudo apt-get install python3-pip
pip3 install opencv-python opencv-python-headless
pip3 install numpy pillow

YOLO 실시간 객체 인식을 위한 코드 예제

먼저, YOLO 모델을 다운로드합니다. YOLO의 다양한 가중치 파일을 사용해 다양한 수준의 정확도와 속도를 경험할 수 있습니다. YOLOv3-tiny 버전을 추천드립니다.


wget https://pjreddie.com/media/files/yolov3-tiny.weights

이제 Python 코드를 통해 실시간 객체 인식을 시작해보겠습니다:


import cv2
import numpy as np

net = cv2.dnn.readNet("yolov3-tiny.weights", "yolov3-tiny.cfg")
classes = []
with open("coco.names", "r") as f:
    classes = [line.strip() for line in f.readlines()]

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

cap = cv2.VideoCapture(0)

while True:
    _, img = cap.read()
    height, width, channels = img.shape
    blob = cv2.dnn.blobFromImage(img, 0.00392, (416, 416), (0, 0, 0), True, crop=False)
    net.setInput(blob)
    outs = net.forward(output_layers)

    class_ids = []
    confidences = []
    boxes = []

    for out in outs:
        for detection in out:
            scores = detection[5:]
            class_id = np.argmax(scores)
            confidence = scores[class_id]
            if confidence > 0.5:
                center_x = int(detection[0] * width)
                center_y = int(detection[1] * height)
                w = int(detection[2] * width)
                h = int(detection[3] * height)
                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)

    indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)

    for i in range(len(boxes)):
        if i in indexes:
            x, y, w, h = boxes[i]
            label = str(classes[class_ids[i]])
            confidence = confidences[i]
            color = np.random.uniform(0, 255, size=(3,))
            cv2.rectangle(img, (x, y), (x + w, y + h), color, 2)
            cv2.putText(img, label, (x, y + 30), cv2.FONT_HERSHEY_PLAIN, 3, color, 3)

    cv2.imshow("Image", img)
    key = cv2.waitKey(1)
    if key == 27:
        break

cap.release()
cv2.destroyAllWindows()

YOLO의 활용 사례

실시간 객체 인식은 많은 분야에 적용될 수 있습니다. 아래는 다양한 활용 예입니다:

활용 분야	설명
보안 시스템	무단 침입자 탐지 및 경고 시스템
스마트 홈	가정 내 물체 인식을 통한 자동화
로봇 공학	로봇의 자동 물체 회피 및 경로 설계
무인 자동차	도로상의 위험 요소 인식

라즈베리파이를 활용하면 이러한 시스템을 보다 경제적이고 컴팩트하게 구현할 수 있습니다. 물론, 정확도와 속도를 높이려면 더 강력한 하드웨어가 필요할 수 있지만, 라즈베리파이는 그 시작점으로 아주 훌륭합니다.

마치며

지금까지 **라즈베리파이**에서 **YOLO**를 활용하여 실시간 객체 인식 시스템을 구축하는 방법과 그 활용 사례에 대해 알아보았습니다. 이 기술을 이용하여 여러분도 다양한 프로젝트를 시도해 보실 수 있기를 바랍니다. 언제든지 궁금한 사항이 있으면 댓글로 남겨주세요!