객체 탐지 문서 원본 보기

'''객체 탐지'''(Object Detection)는 이미지 속에서 객체의 위치를 바운딩 박스로 표시하고 클래스를 분류하는 컴퓨터 비전 과제이다. 물체 인식, 자율주행, 사진 키워딩 등 다양한 상위 응용의 기초 기능이다.

== 개요 ==
객체 탐지는 분류(classification)와 위치 회귀(regression)를 동시에 수행하는 과제로, 이미지 내 여러 객체의 클래스와 바운딩 박스를 예측한다. 객체 탐지 모델의 성능은 보통 COCO 데이터셋의 mAP(동급 평균 정확도)로 평가된다.

== 관련 태스크 ==

* 영역 분할(segmentation) — 픽셀 단위로 객체 경계 정의
* 인스터니스 탐지(instance segmentation) — 개체 별 영역 분할
* 키포인트 감지(keypoint detection) — 사람의 관절 위치 감지
* 그라운딩(grounding) — 텍스트 지시어와 영역 매핑

== 주요 기법 ==

=== 이단 감지기 ===
R-CNN 계열이 대표적이며, 영역 제안(proposal)을 생성하고 각 영역을 분류하는 방식이다. 정확도가 높지만 보통 속도가 느리다.

=== 1단 감지기 ===
YOLO 계열과 SSD가 대표적이며, 이미지를 그리드로 나누어 한 번의 전파에서 박스와 클래스를 예측한다. 실시간 응용에 적합하다.

=== Transformer 기반 ===
DETR(DEtection TRansformer)는 앱채 가이드 없이 [[트랜스포머]]와 세트 기반 예측을 사용한다. 최근 모델은 모든 태스크를 통합하여 처리하는 경향이며, [[Florence-2]]와 같은 [[비전 언어 모델]]도 객체 탐지를 수행할 수 있다.

== 함께 보기 ==

* [[Florence-2]] — 객체 탐지를 포함한 통합 비전 모델
* [[비전 언어 모델]] — 텍스트와 이미지를 함께 처리하는 모델 분류
* [[트랜스포머]] — DETR 등 최신 탐지 기법의 기반

== 출처 ==

* [https://github.com/AlexeyAB/darknet YOLO (Darknet)]
* [https://github.com/facebookresearch/detr DETR GitHub]
* [https://cocodataset.org/ COCO 데이터셋]

[[분류:컴퓨터 비전]]
[[분류:머신 러닝]]