AI는 이미지를 어떻게 인식할까?
픽셀부터 객체 인식까지, 비전 AI의 전체 동작 과정을 쉽게 이해하기
- AI는 사람처럼 이미지를 ‘보는’ 것이 아니라 숫자 배열(픽셀 데이터)을 분석합니다.
- 초기 단계에서는 색상과 밝기, 이후에는 모양·패턴·객체를 단계적으로 추출합니다.
- CNN과 Vision Transformer(ViT)는 이미지를 이해하는 대표적인 구조입니다.
- 이미지 인식은 객체 분류, 탐지, 분할, 캡션 생성 등 다양한 작업으로 확장됩니다.
- AI의 이미지 이해는 학습 데이터의 품질과 다양성에 크게 영향을 받습니다.
사람은 사진을 보는 순간 자동차, 사람, 나무를 거의 즉시 구분합니다. 하지만 AI에게 이미지는 처음부터 의미 있는 장면이 아닙니다. 컴퓨터가 받아들이는 것은 단순한 숫자의 집합이며, 그 숫자 속에서 규칙을 찾아 의미를 만들어내는 과정이 바로 이미지 인식입니다.
최근 ChatGPT, Gemini, Claude와 같은 멀티모달 AI가 사진을 분석하거나 문서를 이해하는 기능을 제공하면서 “AI는 이미지를 어떻게 보는가?”라는 궁금증도 함께 커지고 있습니다. 실제로 AI는 눈을 가지고 있는 것이 아니라 수백만 개의 픽셀 값을 수학적으로 분석해 패턴을 찾아내는 방식으로 이미지를 이해합니다.
이번 글에서는 이미지가 AI 내부에서 어떤 데이터로 변환되는지, 특징을 어떻게 추출하는지, CNN과 Vision Transformer가 어떤 차이를 가지는지, 그리고 왜 AI가 사람보다 잘 인식하는 경우도 있고 실수하는 경우도 있는지까지 순서대로 살펴보겠습니다.
1. AI에게 이미지는 무엇일까?
사람이 사진을 보면 먼저 의미를 이해하지만 AI는 전혀 다른 방식으로 시작합니다. AI에게 이미지는 수백만 개의 숫자가 일정한 순서로 나열된 행렬(Matrix)입니다. 스마트폰으로 찍은 사진 한 장도 내부에서는 빨강(R), 초록(G), 파랑(B) 값으로 표현되는 수많은 숫자의 집합입니다.
예를 들어 1920×1080 해상도의 컬러 이미지는 약 200만 개의 픽셀을 가지고 있으며, 각각의 픽셀에는 RGB 값이 저장됩니다. 즉 AI는 처음부터 “고양이”나 “자동차”를 보는 것이 아니라 수백만 개의 숫자를 입력받아 그 안에서 규칙을 찾기 시작합니다.
그래서 이미지 인식은 ‘사진을 보는 과정’이 아니라 ‘숫자를 분석하는 과정’이라고 이해하는 것이 더 정확합니다.
사람은 의미를 먼저 이해하지만 AI는 숫자를 먼저 처리합니다. 따라서 색상이나 해상도가 조금만 달라져도 AI의 판단 결과가 바뀌는 이유도 여기에 있습니다.
2. AI는 가장 먼저 무엇을 찾을까?
이미지를 입력받은 AI는 처음부터 자동차나 사람을 찾지 않습니다. 가장 먼저 찾는 것은 밝기의 변화, 색상의 경계, 직선, 곡선 같은 매우 단순한 특징입니다.
초기 층에서는 모서리와 선을 인식하고, 중간 층에서는 원이나 사각형 같은 형태를 조합합니다. 마지막 단계에서는 바퀴, 얼굴, 창문, 눈과 같은 복합적인 특징을 만들어 객체 전체를 인식합니다.
이처럼 AI는 작은 특징을 여러 번 조합하면서 점차 큰 의미를 만들어갑니다. 사람의 시각 피질이 단계적으로 정보를 처리하는 방식과 어느 정도 비슷한 아이디어를 참고한 구조입니다.
3. CNN은 이미지를 어떻게 분석할까?
오랫동안 이미지 인식의 핵심 기술은 CNN(Convolutional Neural Network)이었습니다. CNN은 이미지 전체를 한 번에 보는 것이 아니라 작은 창(Filter)을 움직이며 반복적으로 특징을 추출합니다.
이 필터는 사진 위를 조금씩 이동하면서 같은 작업을 계속 수행합니다. 이를 통해 직선, 곡선, 색상 변화와 같은 특징을 찾고, 여러 층을 거치면서 복잡한 객체를 만들어냅니다.
예를 들어 고양이를 인식할 경우 처음에는 털의 질감과 귀의 모양을 찾고, 이후에는 눈과 얼굴 형태를 결합해 최종적으로 ‘고양이’라는 결과를 출력합니다.
- 이미지 처리 속도가 빠름
- 지역적인 특징 추출에 강함
- 오랫동안 검증된 구조
- 적은 연산량으로 높은 정확도 확보 가능
현재도 의료 영상, 산업 검사, 얼굴 인식 등에서는 CNN이 활발하게 사용되고 있습니다.
CNN은 이미지를 작은 영역으로 나누어 분석하기 때문에 세부 특징을 찾는 데 매우 강합니다. 반면 이미지 전체의 관계를 동시에 이해하는 데는 한계가 있어 최근에는 Vision Transformer가 함께 사용되는 경우가 늘어나고 있습니다.
4. Vision Transformer는 무엇이 다를까?
최근 ChatGPT를 비롯한 최신 멀티모달 AI에서는 Vision Transformer(ViT)가 널리 활용됩니다. CNN이 작은 영역을 순서대로 분석하는 방식이라면 ViT는 이미지를 여러 개의 작은 패치(Patch)로 분할한 뒤 각각을 하나의 토큰처럼 처리합니다.
즉 GPT가 문장을 토큰으로 이해하는 것처럼 Vision Transformer는 이미지를 패치 단위의 토큰으로 이해합니다. 이후 Self-Attention을 이용해 서로 얼마나 관련 있는지를 계산하면서 전체 장면을 동시에 이해하려고 합니다.
덕분에 멀리 떨어진 객체 사이의 관계도 자연스럽게 분석할 수 있으며, 복잡한 장면 이해나 이미지와 텍스트를 함께 처리하는 멀티모달 AI에서 매우 높은 성능을 보여주고 있습니다.
AI는 이미지를 사진이 아닌 숫자 데이터로 받아들인 뒤, 선과 색상부터 시작해 점차 복잡한 객체를 인식합니다. 기존 CNN은 작은 영역을 반복적으로 분석하는 데 강했고, 최신 Vision Transformer는 이미지를 토큰처럼 처리해 전체 관계를 이해하는 방향으로 발전했습니다. 다음에서는 객체 탐지, 이미지 분할, 멀티모달 AI, OCR과의 차이, Hallucination이 발생하는 이유까지 이어서 살펴보겠습니다.
5. 이미지 분류와 객체 탐지는 무엇이 다를까?
AI가 이미지를 인식한다고 말할 때는 여러 종류의 작업이 섞여 있습니다. 가장 단순한 작업은 이미지 분류입니다. 사진 전체를 보고 고양이, 자동차, 음식처럼 하나 이상의 범주를 예측하는 방식입니다.
이미지 분류 모델에 고양이 사진을 입력하면 모델은 사진 속 고양이의 위치를 정확히 표시하지 않고, 전체 이미지가 고양이일 확률을 계산합니다. 결과는 보통 “고양이 92%, 여우 5%, 개 3%”처럼 여러 후보와 확률 점수로 출력됩니다.
반면 객체 탐지는 사진에 무엇이 있는지뿐 아니라 어디에 있는지도 찾습니다. 이미지 안에 사람 세 명과 자동차 두 대가 있다면 각 객체 주변에 사각형을 표시하고 종류와 신뢰도 점수를 함께 출력합니다.
자율주행 자동차, 보안 카메라, 물류 자동화처럼 여러 객체의 위치를 실시간으로 판단해야 하는 시스템에서는 단순 분류보다 객체 탐지가 중요합니다.
6. 이미지 분할은 왜 더 정밀할까?
객체 탐지가 사각형으로 물체의 대략적인 위치를 찾는다면 이미지 분할은 이미지의 모든 픽셀이 어느 객체에 속하는지 구분합니다. 자동차의 테두리, 도로 영역, 사람의 실루엣을 픽셀 단위로 나누기 때문에 훨씬 정밀한 결과를 만들 수 있습니다.
이미지 분할에는 대표적으로 시맨틱 분할과 인스턴스 분할이 있습니다. 시맨틱 분할은 같은 종류의 객체를 하나의 범주로 묶습니다. 사진에 자동차가 세 대 있어도 모든 자동차 픽셀을 같은 색으로 표시합니다.
인스턴스 분할은 같은 종류의 객체라도 각각 별도로 구분합니다. 자동차 세 대를 서로 다른 개체로 인식하기 때문에 각 자동차의 경계와 위치를 독립적으로 추적할 수 있습니다.
배경 제거 기능도 넓게 보면 이미지 분할의 활용 사례입니다. AI가 인물에 속하는 픽셀과 배경에 속하는 픽셀을 분리한 뒤 배경 영역을 투명하게 바꾸는 방식입니다. 머리카락이나 반투명 물체처럼 경계가 복잡한 부분에서는 픽셀 구분이 어려워 오류가 생기기 쉽습니다.
의료 영상에서는 종양이나 장기의 경계를 구분하는 데 이미지 분할이 사용됩니다. 위성사진에서는 건물, 산림, 도로, 물을 나누고, 제조업에서는 제품 표면의 불량 영역을 찾아내는 데 활용됩니다.
7. AI는 이미지와 문장을 어떻게 연결할까?
최신 멀티모달 AI는 이미지를 단순히 분류하는 수준을 넘어 이미지와 텍스트를 같은 의미 공간에서 연결합니다. 이를 위해 이미지 인코더는 사진을 숫자 벡터로 바꾸고, 텍스트 인코더는 문장을 또 다른 숫자 벡터로 바꿉니다.
학습 과정에서는 서로 관련 있는 이미지와 문장의 벡터가 가까워지도록 조정합니다. 강아지 사진과 “잔디 위에서 뛰는 강아지”라는 문장은 가까운 위치에 놓이고, 전혀 관계없는 “도시의 야경”이라는 문장은 멀어지도록 학습하는 방식입니다.
이 과정을 거치면 AI는 사진을 보고 문장을 생성하거나, 문장과 가장 잘 맞는 이미지를 찾거나, 사용자의 질문에 사진 속 내용을 근거로 답할 수 있습니다.
예를 들어 사용자가 영수증 사진을 올리고 “총금액이 얼마야?”라고 질문하면 시스템은 이미지에서 글자와 배치 정보를 추출하고, 질문의 의미와 연결해 관련 영역을 찾아 답을 생성합니다. 단순 OCR이 글자를 읽는 데 집중한다면 멀티모달 AI는 읽어낸 정보가 질문과 어떤 관계를 가지는지까지 판단합니다.
8. OCR와 이미지 인식은 어떻게 다를까?
OCR은 이미지 속 문자를 찾아 텍스트 데이터로 변환하는 기술입니다. 문서, 영수증, 명함, 간판에 있는 글자를 읽는 것이 주된 목적입니다. 반면 일반적인 이미지 인식은 사진 속 사물, 장면, 행동, 색상, 관계를 이해하는 데 초점을 맞춥니다.
예를 들어 카페 메뉴판 사진을 분석한다고 가정해보겠습니다. OCR은 “아메리카노 4,000원”이라는 글자를 추출합니다. 이미지 인식 모델은 메뉴판, 커피 사진, 가격표가 있다는 사실을 판단할 수 있습니다. 멀티모달 AI는 두 결과를 함께 사용해 “가장 저렴한 음료는 무엇인가?” 같은 질문에 답할 수 있습니다.
멀티모달 AI가 문서 이미지를 분석한다고 해서 모든 글자를 정확히 읽는 것은 아닙니다. 해상도가 낮거나 글자가 작고 기울어진 경우, 표의 셀이 복잡하게 합쳐진 경우에는 숫자나 단위를 잘못 인식할 수 있습니다. 중요한 문서는 원본 파일이나 확대 이미지를 함께 제공하는 것이 좋습니다.
9. 이미지 인식 모델은 어떻게 학습될까?
이미지 인식 모델을 만들려면 많은 학습 이미지와 정답 정보가 필요합니다. 고양이와 개를 구분하는 모델이라면 다양한 품종, 자세, 배경, 조명에서 촬영된 고양이와 개 사진을 충분히 보여줘야 합니다.
학습 초기에는 모델의 예측이 거의 무작위에 가깝습니다. 모델이 사진을 보고 고양이일 확률을 30%, 개일 확률을 70%로 예측했지만 실제 정답이 고양이라면 예측 오차가 계산됩니다. 이후 역전파를 통해 모델 내부의 가중치가 조금씩 수정됩니다.
이 과정을 수많은 이미지에 반복하면 모델은 어떤 패턴이 고양이와 관련 있고 어떤 패턴이 개와 관련 있는지 점차 학습합니다. 귀의 모양, 얼굴 비율, 털의 질감처럼 사람이 직접 규칙을 모두 입력하지 않아도 모델이 데이터에서 유용한 특징을 찾아냅니다.
- 학습용 이미지와 정답을 준비합니다.
- 이미지를 일정한 크기와 형식으로 전처리합니다.
- 모델이 이미지의 결과를 예측합니다.
- 예측값과 정답의 차이를 손실값으로 계산합니다.
- 손실을 줄이는 방향으로 가중치를 수정합니다.
- 별도의 검증 데이터로 실제 성능을 확인합니다.
다만 학습 데이터가 많다고 무조건 좋은 것은 아닙니다. 잘못된 라벨이 많거나 특정 환경의 사진만 몰려 있다면 모델도 편향된 규칙을 배웁니다. 밝은 실내에서 촬영한 사진만 학습한 모델은 어두운 야외 사진에서 성능이 크게 떨어질 수 있습니다.
이미지 모델의 성능을 높이려면 같은 객체를 다양한 각도, 거리, 조명, 배경에서 보여주는 것이 중요합니다. 모델은 사람처럼 대상의 본질을 자동으로 이해하는 것이 아니라 학습 데이터에서 반복적으로 나타난 통계적 특징을 중심으로 판단하기 때문입니다.
10. 데이터 증강은 왜 사용할까?
실제 학습 현장에서는 모든 상황의 사진을 직접 촬영하기 어렵습니다. 이때 사용하는 방법이 데이터 증강입니다. 기존 이미지를 회전하거나 좌우로 뒤집고, 밝기와 대비를 바꾸거나 일부 영역을 잘라 새로운 학습 예시처럼 사용하는 방식입니다.
데이터 증강을 적용하면 모델이 특정 배경이나 촬영 방향만 외우는 것을 줄일 수 있습니다. 고양이가 항상 화면 중앙에 있는 사진만 학습하면 모델은 화면 중앙의 털 패턴에 지나치게 의존할 수 있습니다. 위치와 크기를 다양하게 바꾸면 고양이가 어디에 있더라도 찾을 가능성이 높아집니다.
그러나 증강을 과도하게 사용하면 오히려 학습을 방해할 수 있습니다. 숫자 6 이미지를 180도 회전하면 9처럼 보일 수 있고, 좌우 방향 자체가 중요한 교통 표지판을 뒤집으면 의미가 달라집니다. 따라서 데이터의 의미가 유지되는 범위 안에서 변형해야 합니다.
11. AI는 왜 이미지에서 실수할까?
사람에게는 명확해 보이는 사진도 AI에게는 어려울 수 있습니다. 가장 흔한 원인은 해상도 부족, 작은 객체, 가림, 낯선 각도, 복잡한 배경입니다. 사진 속 대상이 학습 데이터와 크게 다르게 보이면 AI는 잘못된 특징을 기준으로 판단할 수 있습니다.
예를 들어 눈 덮인 배경에서 늑대 사진을 많이 학습한 모델은 늑대 자체보다 눈을 중요한 특징으로 배울 수 있습니다. 이후 눈 위에 서 있는 개를 늑대로 분류하는 오류가 발생할 수 있습니다. 모델이 우리가 원하는 대상을 이해한 것이 아니라 데이터에서 자주 함께 등장한 배경까지 규칙으로 사용한 것입니다.
또한 투명한 물체, 반사된 모습, 그림자, 착시 사진처럼 시각적 단서가 복잡한 경우에도 오류가 늘어납니다. 일부 사진에서는 객체의 전체 모습보다 특정 질감이나 색상에 지나치게 의존하기도 합니다.
- 사진이 흐리거나 해상도가 지나치게 낮은 경우
- 분석할 객체가 너무 작게 촬영된 경우
- 객체의 대부분이 다른 물체에 가려진 경우
- 강한 역광이나 그림자로 형태가 달라진 경우
- 학습 데이터에 거의 없던 각도에서 촬영된 경우
- 반사, 투명도, 착시처럼 시각적 단서가 복잡한 경우
- 이미지 안의 글자가 작거나 기울어진 경우
12. 이미지 Hallucination은 왜 발생할까?
멀티모달 AI가 사진에 실제로 없는 물체를 있다고 설명하거나, 보이지 않는 글자를 추측해 답하는 현상도 발생할 수 있습니다. 이를 이미지 기반 Hallucination이라고 부를 수 있습니다.
이 현상은 이미지 인식 단계와 언어 생성 단계가 결합되면서 나타납니다. 이미지에서 추출된 정보가 불완전하거나 애매하더라도 언어 모델은 문맥상 자연스러운 문장을 계속 생성하려는 특성이 있습니다.
예를 들어 흐릿한 식탁 사진에서 컵처럼 보이는 형태가 발견되면 모델은 주변 문맥을 바탕으로 “커피가 담긴 컵”이라고 설명할 수 있습니다. 실제로는 빈 유리병이거나 전혀 다른 물체일 수도 있지만, 모델은 가장 가능성 높은 설명을 선택합니다.
특히 작은 글자, 가려진 숫자, 브랜드 로고, 인물의 정확한 신원처럼 이미지에서 명확하게 확인하기 어려운 정보는 추측이 개입될 가능성이 큽니다.
13. 확률 점수는 정확도를 의미할까?
이미지 인식 모델은 결과와 함께 확률처럼 보이는 점수를 출력하는 경우가 많습니다. 하지만 95%라는 숫자가 항상 “정답일 확률이 정확히 95%”라는 뜻은 아닙니다.
이 점수는 모델 내부 후보 중 해당 범주가 얼마나 강하게 선택되었는지를 나타냅니다. 모델이 잘못된 특징을 매우 확신하고 있다면 오답에도 높은 점수를 줄 수 있습니다.
이 문제를 줄이기 위해 모델의 점수가 실제 정답률과 비슷하게 맞도록 조정하는 캘리브레이션 과정이 사용되기도 합니다. 중요한 판단에서는 하나의 점수만 믿기보다 여러 모델의 결과, 원본 이미지의 품질, 추가 검증 절차를 함께 확인해야 합니다.
AI가 높은 확신을 보인다는 것과 실제로 정답이라는 것은 같은 의미가 아닙니다. 모델은 자신이 학습한 범위 안에서 가장 강한 후보를 선택할 뿐이며, 입력 자체가 학습 범위 밖이라면 높은 점수로 틀릴 수도 있습니다.
14. 사람의 시각과 AI의 이미지 인식 비교
사람과 AI는 모두 여러 시각적 단서를 조합하지만 처리 방식에는 큰 차이가 있습니다. 사람은 경험, 상식, 상황의 맥락을 함께 사용합니다. 컵의 일부만 보여도 식탁 위에 놓인 위치와 주변 사물을 보고 컵이라고 추론할 수 있습니다.
AI도 대규모 학습을 통해 비슷한 추론을 수행하지만, 그 근거는 학습 데이터에서 발견한 통계적 관계입니다. 따라서 인간에게는 중요하지 않은 픽셀 변화에 민감하게 반응하거나, 반대로 사람에게 명확한 의미를 놓칠 수 있습니다.
15. 이미지 인식 AI를 사용할 때 확인할 점
이미지 AI를 효과적으로 사용하려면 입력 이미지 자체의 품질을 먼저 확인해야 합니다. 분석하려는 대상이 충분히 크게 보이고, 초점이 맞으며, 그림자나 반사가 심하지 않은 사진이 좋습니다.
문서를 분석할 때는 페이지 전체를 멀리서 찍기보다 글자가 읽힐 정도의 해상도를 확보해야 합니다. 표가 여러 페이지에 걸쳐 있다면 페이지 순서를 알려주고, 중요한 숫자는 확대해서 추가로 제공하는 것이 안전합니다.
사진 속 특정 대상을 질문할 때는 위치를 명확히 지정하는 것도 도움이 됩니다. “이 사진이 무엇이야?”보다 “오른쪽 아래의 검은색 장치는 무엇으로 보이는지 설명해줘”라고 요청하면 모델이 분석할 영역을 좁힐 수 있습니다.
- 분석 대상이 크게 보이는 원본 이미지를 사용합니다.
- 흐림, 반사, 강한 그림자를 줄입니다.
- 작은 글자는 별도로 확대해 제공합니다.
- 여러 이미지가 있다면 촬영 순서와 관계를 설명합니다.
- 분석할 위치나 객체를 구체적으로 지정합니다.
- 확실하지 않은 부분은 추측하지 말라고 요청합니다.
- 중요한 결과는 원본 자료와 다시 대조합니다.
16. 이미지 인식은 어디에 활용될까?
이미지 인식 기술은 스마트폰 카메라부터 의료, 제조, 교통까지 매우 넓게 사용됩니다. 스마트폰 사진 앱은 인물, 동물, 음식, 장소를 자동으로 분류해 검색할 수 있게 만들고, 카메라는 얼굴과 피사체를 찾아 초점과 노출을 조정합니다.
제조업에서는 제품 표면의 흠집이나 조립 오류를 자동으로 검사합니다. 수많은 제품을 같은 기준으로 빠르게 확인할 수 있다는 장점이 있지만, 새로운 형태의 불량을 놓치지 않도록 지속적인 데이터 갱신이 필요합니다.
의료 분야에서는 엑스레이, CT, MRI와 같은 영상을 보조 분석하는 데 활용됩니다. 다만 의료 이미지 AI는 전문가의 판단을 완전히 대체하기보다 의심 영역을 표시하고 검토 우선순위를 정하는 보조 도구로 사용되는 것이 일반적입니다.
자율주행에서는 차량, 보행자, 신호등, 차선의 위치를 실시간으로 파악합니다. 이미지 한 장만 분석하는 것이 아니라 연속된 영상과 거리 센서, 지도 정보까지 함께 결합해 주변 환경을 판단합니다.
17. 자주 묻는 질문
아닙니다. AI는 픽셀의 색상과 밝기를 숫자로 받아들이고, 학습된 패턴을 이용해 객체와 장면의 의미를 예측합니다.
용도에 따라 다릅니다. CNN은 지역적인 특징 추출과 효율적인 처리에 강하고, Vision Transformer는 이미지 전체의 관계와 대규모 학습에서 강점을 보입니다. 실제 시스템에서는 두 방식을 결합하기도 합니다.
OCR이나 멀티모달 모델을 이용하면 글자를 읽고 문맥을 분석할 수 있습니다. 다만 작고 흐린 글자, 복잡한 표, 손글씨에서는 오류가 발생할 수 있습니다.
대체로 세부 정보 확인에는 유리하지만 모델이 내부 처리 과정에서 이미지를 축소할 수도 있습니다. 중요한 것은 분석 대상이 충분히 크고 선명하게 보이는지입니다.
가능합니다. 이미지가 모호하거나 해상도가 낮으면 모델이 주변 문맥을 바탕으로 추측할 수 있습니다. 중요한 분석에서는 보이는 정보와 추정 정보를 구분해달라고 요청해야 합니다.
일반적인 이미지 분석과 특정 인물을 식별하는 얼굴 인식은 다른 작업입니다. 사진 품질과 시스템 권한, 학습 데이터에 따라 결과가 달라지며 일반 멀티모달 AI의 추측을 신원 확인 근거로 사용하면 안 됩니다.
일상적인 설명에는 유용하지만 의료, 안전, 계약, 금액 확인처럼 중요한 판단에서는 원본 자료와 전문가 검토를 함께 사용해야 합니다.
📚 함께 보면 좋은 글
이미지 인식의 원리를 이해했다면 AI가 답변을 만드는 방식과 오류가 발생하는 이유도 함께 살펴보는 것이 좋습니다. 아래 글을 이어서 읽으면 멀티모달 AI의 전체 처리 구조를 더 입체적으로 이해할 수 있습니다.
🔗 공식 자료
📖 출처
- Google AI Edge, Image Classifier Task Guide
- Google ML Kit, Image Labeling Documentation
- Google Research, An Image is Worth 16×16 Words
- PyTorch Torchvision, VisionTransformer Documentation
- PyTorch Tutorials, Transfer Learning for Computer Vision
- OpenAI API Documentation, Images and Vision
AI는 이미지를 사람처럼 직접 보는 것이 아니라 픽셀을 숫자로 바꾸고, 선·질감·형태·객체의 관계를 단계적으로 계산해 의미를 예측합니다. 따라서 뛰어난 분석 능력을 보여주더라도 결과는 학습 데이터와 이미지 품질에 따라 달라질 수 있으며, 중요한 정보는 반드시 원본과 다시 확인해야 합니다.
