버전 5.6 · AI 에이전트가 Sim to Real 공장을 설계·프로그래밍·학습 · 모든 로봇 축의 모터 드라이브 · 무료 애드온 · 465 노드
Cameo Image Studio는 머신비전을 위한 노드 그래프 작업대입니다. 카메라 노드를 끌어다 GPU 추론에 연결하고, 그 결과를 PLC나 모션 축에 연결하면 라인 전체가 그대로 돌아갑니다. 빌드 스크립트는 필요 없습니다. 코드가 필요해지면 그래프를 C++, Python 또는 단독 실행 EXE로 내보낼 수 있습니다.
Windows 10/11 64비트 전용. 설치 파일은 작고, 나머지 — CUDA, PyTorch, OpenCV, ONNX Runtime, 내장 Python — 는 설치 중에 내려받습니다. 따로 준비할 것은 없습니다.
AI 어시스턴트
옆에 붙인 채팅창이 아닙니다. 어시스턴트가 파이프라인을 구성해 실행하고, 검사가 통과할 때까지 스스로 파라미터를 조정합니다. 비전-언어 모델(VLM)은 여러분의 GPU에서 프레임에 대한 질문에 답하고, 비전-언어-행동(VLA) 에이전트는 카메라가 본 것을 장비의 움직임으로 바꿉니다 — 여러분이 정한 한계 안에서.
한 문장을 동작하는 파이프라인으로 바꾸고, 직접 실행하고, 결과를 보고, 자기 실수를 스스로 고칩니다.
프레임에 대한 질문에 평범한 말로 답합니다 — “모든 작업자가 안전대를 착용했나?” — 미리 학습시킨 클래스 목록 없이.
카메라가 본 것과 각 기계의 실시간 상태를 읽고, 목표를 향한 축·PLC·로봇의 다음 동작을 제안하며, 동작마다 상태를 다시 읽습니다 — 설정한 한계 안에서.
트레이 위의 나사를 세어 줘. 하나라도 빠지면 트레이를 NG로 표시해.
설명용 예시(축약). 단계는 에이전트가 매 작업에서 실제로 밟는 것이며, 노드 이름은 실제 카탈로그에서 가져왔습니다.
내장 어시스턴트는 노드 카탈로그를 읽고 한 문장으로 파이프라인을 구성합니다. 각 노드가 만들어 내는 프레임을 실제로 볼 수 있고, 이미지나 PDF 사양서를 첨부할 수 있으며, 파이프라인을 실행해 결과를 읽은 뒤 파라미터를 바꿔 다시 시도합니다.
이미지와 문장 하나를 비전-언어 노드에 연결하면 답이 포트로 나옵니다. “비계 위 작업자가 모두 안전대를 착용했는가”를 물으면 그래프가 판정, 위반 건수, 근거 박스를 돌려줍니다 — 클래스 목록을 미리 학습시킬 필요가 없습니다. 모델은 현장 안전용으로 튜닝한 Qwen2.5-VL 3B이며, 그 PC에서 직접 돌아갑니다.
VLA Agent 노드는 카메라 프레임과 검출 결과를 보고, 캔버스 위 각 장비의 실시간 상태를 그 장비 자체의 통신 링크로 읽은 다음, 같은 노드를 통해 동작하여 입력한 목표에 다가갑니다. 한 번 움직일 때마다 상태를 다시 읽고 다음 동작을 정합니다: 인지, 판단, 행동, 검증.
목표카메라가 본 나사 위치로 X축을 옮긴 다음 그리퍼를 닫아라
출시 빌드에서 그대로 가져온 정지 화면과 화면 녹화입니다. 목업은 없습니다. 각 노드가 자기 출력을 본체에 미리보기로 보여 주므로, 그 단계가 실제로 무엇을 냈는지 그대로 드러납니다.
보통은 다섯 개의 서로 다른 도구에 흩어져 있는 기능을 하나의 캔버스에.
모든 처리가 타입이 지정된 포트를 가진 노드입니다. 이미지 불러오기, 이진화, 블롭 검출, 검출기 실행, 거리 기준 게이팅, 코일 쓰기. 배선을 따라 프레임, 검출 결과, 자세, 깊이 맵, 수치가 흐릅니다. 각 노드는 자신의 출력을 노드 본체에 미리 보여 주므로, 라인을 멈추지 않고도 파이프라인이 어디서 어긋났는지 눈으로 확인할 수 있습니다.
박스와 폴리곤으로 주석을 달고 YOLO 또는 COCO 구조로 내보낸 뒤, 같은 프로젝트의 학습 노드로 바로 넘길 수 있습니다. 텍스트 프롬프트 기반 세그멘테이션(Grounded SAM)으로 사람이 손대기 전에 배치 전체를 미리 라벨링할 수 있습니다.
MLP와 CNN 레이어를 구성하는 그래픽 디자이너와, 학습 툴체인이 요구하는 것과 동일한 YAML을 내보내는 YOLO 방식 블록 표를 제공합니다. .onnx 또는 .pth 가중치를 불러와 GPU에서 추론하고, STM32 타깃을 위해 INT8로 양자화할 수 있습니다.
구동할 수 없는 비전은 데모일 뿐입니다. 판정 결과를 PLC 코일, 모션 축, 마이크로컨트롤러 GPIO 또는 MQTT 토픽으로 연결하세요. STM32와 Arduino 펌웨어는 앱 안에서 생성·컴파일·플래싱까지 이루어집니다.
컨베이어, 센서, 푸셔, 로봇 팔, AGV, 로봇 개, 휴머노이드로 플랜트를 만들고 래더·ST·C로 PLC를 작성해 물리가 있는 3D에서 실행합니다. 태그·카메라·라이다는 모든 비전·AI 노드에 연결되고 운전 HMI로 조작합니다. 그다음 링크를 시뮬레이션에서 실제 PLC나 로봇으로 전환합니다.
지형 생성기가 경사, 계단, 블록, 징검돌, 물결을 난이도 순으로 배치합니다. 다리 로봇은 발을 지면에 딛고, 바퀴는 오를 수 없는 계단을 거부하며, 너무 기울면 넘어집니다. 강화학습 노드는 플랜트의 숨은 사본에서 학습한 뒤 일반 배선으로 실제 플랜트를 구동합니다.
Sim to Real 사족 로봇을 위한 스튜디오. 조이스틱으로 계단, 경사, 징검돌을 건너게 하면서 발 디딤 계획, 속도, 몸체 각도를 실시간으로 확인하고, 단계별 지형에서 PPO로 보행 정책을 백그라운드 학습한 뒤, 평가 코스로 모든 체크포인트를 채점해 가장 좋은 것을 로봇에 넣습니다.
자체 C++ 엔진을 갖춘 블록 다이어그램 시뮬레이터. 제어 엔지니어가 그리는 방식 그대로 신호원, 스코프, 게인, 합산, 적분기, 전달 함수, 상태 공간, PID, 이산 필터, 포화, 릴레이, 로직, 룩업 테이블, 서브시스템으로 플랜트와 제어기를 그리고 피드백 루프를 닫은 뒤 가변 스텝 ode45 / ode23 또는 고정 스텝 솔버로 풉니다. 그다음 Block Diagram 노드가 비전 파이프라인 안에서 모델을 실시간으로 실행합니다: 카메라 측정값이 들어가고 모터 명령이 나옵니다.
누름 버튼, 스위치, 슬라이더, 설정값, 램프, OK / NG, 게이지, 트렌드, 카운터, 카메라 이미지, 결과 표, 알람 목록으로 라인의 운영자 화면을 그립니다. 각 요소는 캔버스의 노드(결과, 출력, 설정, 이미지, 수식)에 바로 연결되고, 버튼은 값을 설정하고, 트리거 펄스를 보내고, 노드 동작을 호출하고, 화면을 바꾸거나 라인을 시작·정지합니다. 화면은 프로젝트 안에 저장됩니다.
검사 PC 안에만 남은 판정은 누구에게도 도움이 되지 않습니다. 프레임을 붙여 MQTT 브로커로 publish 하고, webhook 으로 POST 하고(Telegram, LINE, ThingsBoard 등 JSON 을 읽는 것이면 무엇이든), 또는 디자이너에서 휴대폰 화면을 구성해 작업자에게 고른 타일만 건네십시오. 저장하면 이미 열려 있는 휴대폰이 몇 초 만에 다시 그려집니다.
로봇, Raspberry Pi·Jetson 보드, PC, Sim to Real 공장이 네트워크에서 서로를 자동으로 찾고 ROS처럼 토픽과 서비스로 통신합니다. ROS도 Ubuntu도 설치할 필요가 없습니다. 카메라, 오도메트리, 관절 상태를 내보내고 속도 명령과 동작을 받습니다. 코어는 C++, Python 라이브러리는 파일 하나뿐이라 같은 스크립트로 가상 로봇과 실제 로봇을 모두 움직일 수 있습니다. 네임스페이스만 바꾸면 됩니다.
출하 빌드에서 실제로 확인된 범위입니다. 여기에 없는 것은 주장하지 않습니다.
설치 파일 하나. 나머지는 설치 중에 내려받습니다.
Windows 10/11 64비트용 작은 설치 실행 파일. 실행하면 필요한 런타임을 스스로 내려받습니다.
설치 파일 다운로드
—
설치 전 검증: CertUtil -hashfile <파일> SHA256
Sim to Real, HMI Designer, Block Simulator는 따로 내려받는 구성이라 PC마다 쓰는 것만 설치합니다. 앱이 직접 받아 옵니다: 도구 > 구성 요소 / 애드온 > 다운로드 및 설치 후 다시 시작. 또는 여기서 zip을 받아 같은 창에서 “파일에서 설치”를 고르세요. Cameo Image Studio 5.5 이상이 필요합니다.
가상 공장: 컨베이어, 센서, 로봇 팔, AGV, 드론, 로봇 개, 휴머노이드를 물리 엔진과 함께. 래더·구조화 텍스트·C 소프트 PLC, GPU 렌더링, 여러 로봇 동시 강화 학습.
애드온 다운로드—
라인 운전 화면 — 버튼, 스위치, 슬라이더, 램프, 게이지, 추이 그래프, 카메라 화면, 알람 목록 — 모든 요소가 노드에 바로 연결되고 프로젝트 안에 저장됩니다.
애드온 다운로드—
C++ 엔진 기반 동적 시스템 블록 선도 — 전달 함수, 상태 공간, PID, 이산 필터, 논리, 룩업 테이블, 서브시스템 — 그리고 파이프라인 안에서 모델을 실행하는 Block Diagram 노드.
애드온 다운로드—
애플리케이션 자체가 돌아가는 C++ 이미지 라이브러리를, 직접 만드는 프로그램에서 쓸 수 있도록 묶은 것입니다. 모듈이 참조하는 것은 운영체제와 Microsoft C++ 런타임뿐 — OpenCV도, LibTorch도, BLAS도 없습니다.
모듈마다 하나씩의 DLL, C# 바인딩이 불러오는 단일 파일 빌드, 임포트 라이브러리, 헤더, 그리고 C#과 Python 바인딩.
전체 모듈 내려받기(아카이브)—
모듈은 아래에 적힌 의존 모듈과 함께 복사하세요. 모든 모듈에 cameo_core와 cameo_license가 필요합니다.
같은 모듈을 g++ 15로 .so로 빌드한 것에 헤더와 Python 패키지를 더했습니다. C# 바인딩은 Windows용 단일 파일 빌드를 불러오므로, Linux에서는 C, C++ 또는 Python이 진입점입니다.
전체 모듈 내려받기(아카이브)—
모듈은 아래에 적힌 의존 모듈과 함께 복사하세요. 모든 모듈에 cameo_core와 cameo_license가 필요합니다.
Windows 너머
애플리케이션에는 Windows가 필요하지만 라이브러리에는 필요 없습니다. 같은 C++ 모듈이 ARM용 임베디드 Linux로도, 운영체제가 없는 Cortex-M으로도 빌드됩니다. C 런타임 외에는 아무것도 참조하지 않으므로 OpenCV나 BLAS, Python을 먼저 크로스 컴파일할 일이 없습니다.
Yocto, Buildroot 또는 Debian 계열 이미지를 올린 64비트 Cortex-A 보드용 — Jetson, Raspberry Pi 4와 5, Rockchip, i.MX8. 공유 오브젝트와 헤더, Python 패키지가 들어 있고 진입 방식은 x64 빌드와 같습니다. 아카이브에는 README, 헤더, cameo Python 패키지, 그리고 Python에서 호출하는 방법을 보여 주는 예제 여섯 개가 들어 있습니다.
전체 모듈 내려받기(아카이브)—
모듈은 아래에 적힌 의존 모듈과 함께 복사하세요. 모든 모듈에 cameo_core와 cameo_license가 필요합니다.
하드웨어 부동소수점을 갖춘 32비트 Cortex-A용 같은 모듈 — i.MX6, Allwinner, 구형 Raspberry Pi 이미지. 공유 오브젝트와 헤더, Python 패키지. 아카이브에는 README, 헤더, cameo Python 패키지, 그리고 Python에서 호출하는 방법을 보여 주는 예제 여섯 개가 들어 있습니다.
전체 모듈 내려받기(아카이브)—
모듈은 아래에 적힌 의존 모듈과 함께 복사하세요. 모든 모듈에 cameo_core와 cameo_license가 필요합니다.
여기서 내려받을 것은 없습니다. 앱이 이 타깃을 직접 빌드합니다. 베어메탈 마이크로컨트롤러가 담을 수 있는 모듈을 고르면 arm-none-eabi용으로 컴파일하고, 생성한 펌웨어에 정적 라이브러리를 링크합니다 — STM32와 Arduino를 플래시하는 흐름과 같습니다.
앱 받기애플리케이션은 오프라인에서 동작하지만 AI 어시스턴트는 장비 단위로 라이선스가 발급됩니다. 먼저 설치한 뒤 도구 ▸ AI 설정 을 열어 표시되는 Machine ID를 복사해 이 양식과 함께 보내 주세요.
또는 이메일로 직접 문의: [email protected]
Windows 애플리케이션의 요구 사항입니다. macOS 빌드는 없고 애플리케이션의 Linux 포팅도 아직 공개되지 않았습니다. Windows를 벗어나는 쪽은 이미지 라이브러리입니다.
| 항목 | 최소 | 권장 |
|---|---|---|
| 운영체제 | Windows 10 64비트 | Windows 11 64비트 |
| CPU | 4코어, x86-64 | 8코어 이상 |
| 메모리 | 8 GB | 16 GB 이상 |
| GPU | 없어도 됨 — 추론은 CPU로 대체 | NVIDIA RTX 3060 이상, 최신 드라이버 |
| 저장 공간 | 여유 30 GB (SSD) | 데이터셋과 녹화를 위해 여유 60 GB |
| 설치 프로그램이 내려받음 | Visual C++ x64 런타임, Microsoft Edge WebView2, CUDA 및 cuDNN 라이브러리, PyTorch, OpenCV, ONNX Runtime, 내장 Python 환경. 설치 프로그램이 대신 내려받으므로 직접 설치할 것은 없지만, 설치하는 동안에는 연결이 필요합니다. | |
설치 파일 자체는 작습니다. 정확한 크기와 해시는 위 다운로드 카드에 있습니다. 설치 중에는 코어 런타임 — CUDA와 cuDNN, PyTorch, GPU를 지원하는 OpenCV, ONNX Runtime, 완전한 Python 환경 — 을 내려받으며 그 용량도 카드에 표시됩니다. 선택 구성 요소는 나중에 Tools > Components에서, 켠 것만 내려받습니다.
비전 파이프라인은 키 없이 동작합니다. 장비 단위 라이선스가 필요한 것은 AI 어시스턴트뿐입니다. 앱에 표시되는 Machine ID를 보내 주시면 해당 PC에 묶인 키를 발급합니다. 한 PC용으로 발급된 키는 다른 PC에서 동작하지 않습니다.
아직 아닙니다. 코드 서명 인증서를 준비 중입니다. 그때까지는 다운로드 옆에 공개된 SHA-256 해시를 확인해 주세요. 변조되거나 잘린 파일을 잡아내는 데는 똑같이 확실합니다.
프로젝트는 평범한 .json으로 저장됩니다. 노드, 파라미터, 연결이 담기며 텍스트 편집기로 열 수 있고 버전 관리에 올리기도 쉽습니다. 가끔 보이는 .mcameo 확장자는 모델 가중치를 담는 별도의 텐서 컨테이너이지 프로젝트 파일이 아닙니다.
됩니다. 검출과 세그멘테이션은 자동으로 CPU로 전환됩니다. 다만 속도 차이가 큽니다. 무거운 모델의 CPU 실행은 검증용이지 라인 택트에는 부족합니다.
macOS 빌드는 없고, 애플리케이션의 Linux 빌드도 없습니다. C++ 이미지 라이브러리는 다릅니다 — Linux로 빌드되며 .so 파일은 위 다운로드 항목에 있습니다. 파이프라인이라면, 오늘 Linux로 가는 현실적인 길은 Windows 애플리케이션에서 Python이나 C++로 내보내 대상 장비에서 실행하는 것입니다.
라이브러리는 됩니다. 64비트와 32비트 ARM 임베디드 Linux, 그리고 운영체제가 없는 Cortex-M으로 빌드되므로 검사 자체를 장비에서 돌릴 수 있습니다. 각 타깃에 무엇이 들어 있는지는 위 임베디드 섹션에 적혀 있습니다. 애플리케이션은 Windows에 그대로 있습니다. 거기서 만들고 학습시킨 다음, 내보낸 파이프라인이나 라이브러리를 호출하는 직접 만든 프로그램을 보드에서 실행하십시오.
그렇게 설정했을 때만입니다. 새 VLA Agent 노드는 Dry-run으로 시작해, 무엇을 할지 기록만 하고 아무것도 움직이지 않습니다. Confirm은 동작마다 예/아니오를 묻습니다. Autonomous는 스스로 움직이지만, 설정한 위치 범위·스텝·속도 한계 안에서만 움직이며 벗어나는 명령은 드라이브에 닿기 전에 거부됩니다. 에이전트는 스스로 시작하지 않고, 인터록이 열리면 모든 장비가 멈춥니다.
아니요. VLM 노드는 그 PC의 GPU에서 로컬 모델을 돌리며(4비트 빌드는 6 GB에 들어갑니다), 프레임은 장비 밖으로 나가지 않습니다. VLA 에이전트는 다릅니다. 설정에서 고른 AI 제공자로 판단하며, Gemini, OpenAI, Claude 같은 클라우드 서비스일 수도, Ollama를 통한 로컬 모델일 수도 있습니다.
버그를 발견했거나, 필요한 노드가 없거나, 잘 동작한 부분이 있나요? 모든 메시지는 이 앱을 만드는 개발자가 직접 읽습니다.
Windows 10·11용 작은 설치 파일 하나. 설치 중에 필요한 런타임을 받아오고, 그 뒤로는 오프라인으로 동작합니다.