빈 검수도 하나의 확정 결과
사람이 객체 없음을 확인한 빈 라벨은 자동 후보보다 우선합니다. 단순히 배열이 비었다는 이유로 자동 탐지 후보를 다시 채우지 않도록 원본 병합 규칙을 옮겼습니다.
02 / Vision AI
Watchers
영상에서 데이터로, 데이터에서 안전으로.
01 / MY CONTRIBUTION
자동 라벨 초안·사람 검수·데이터셋·모델 평가
02 / EXPLORE HERE
클래스 매핑·IoU 병합·빈 검수 우선·프레임/라벨 내보내기
03 / EVIDENCE
실제 프레임 JPEG와 수정한 라벨의 CVAT ZIP을 생성·검증했습니다.
CONTEXT & CONTRIBUTIONPROJECT PRESENTATION / RECORDED DEMO DECISIONS & TRADE-OFFS01 / 원본 순수 규칙을 웹 체험에 이식 02 / 평가 판단 규칙 체험
모델보다 먼저, 학습할 데이터를 믿을 수 있을까?
산업 현장 영상을 프레임으로 추출하고 YOLO·Grounding DINO 라벨 초안을 클래스 통일·중복 제거·CVAT 검수와 연결했습니다. Electron 화면은 팀의 작업 맥락이며 담당은 데이터·모델 영역입니다.
영상 변환과 프레임 추출, YOLO·Grounding DINO 자동 라벨링, 클래스 통일·IoU 중복 제거, CVAT 검수 형식 생성, 데이터셋 병합과 학습·평가.
Watchers 최종 시연 영상
프로젝트 최종 발표를 위해 제작한 사전 녹화 시연 영상. 현재 웹페이지에서 실행되는 실시간 AI 추론이 아닙니다.
YouTube에서 직접 보기 (새 탭)재생이 제한되거나 플레이어를 사용할 수 없다면 직접 보기 링크를 이용해 주세요.
어떤 판단을 했는가
전체 수치보다 감시 클래스의 recall
감시 클래스 recall 후퇴와 다른 클래스의 허용 범위를 먼저 비교하고, 동점일 때 전체 mAP를 확인합니다. 체험 수치는 입력 예시이며 실제 모델 평가가 아닙니다.
핵심 흐름
- 영상 → 프레임 → 라벨 초안 → 사람 검수 → 학습 파이프라인
- 수동 검수 우선 규칙과 클래스·IoU 기반 후보 병합
- 클래스별 탐지 결과와 평가 지표 비교
기여 범위와 검증 한계
직접 체험 →팀의 Electron 앱 화면을 작업 맥락으로 사용하고 데이터·모델 담당 영역을 체험합니다. 합성 영상에서 프레임 추출·라벨 병합·검수·CVAT ZIP 생성은 실제 동작하지만, 탐지 후보와 평가 숫자는 예시이며 실제 YOLO/DINO 추론·학습 결과가 아닙니다.
TROUBLESHOOTING / 문제 해결 과정
문제의 원인부터 확인한 결과까지.
개발 당시 기록을 기준으로 정리했습니다. 아래 결과는 이 웹사이트의 체험 기능에서 새로 측정한 값이 아닙니다.
01라벨 품질 · 검수두 탐지 모델이 만든 중복 Bounding Box
BEFORE / 문제 상태
같은 객체에 서로 다른 크기의 라벨 후보가 중복
AFTER / 변경 후
클래스·좌표 통일 → IoU 병합 → 사람 검수
- 01
문제 상황
YOLO와 Grounding DINO가 같은 물체를 서로 다른 크기의 박스로 탐지해 중복 라벨이 생겼습니다.
- 02
원인 분석
모델마다 클래스 ID와 좌표 표현이 달랐고, 같은 객체를 가리키는 후보를 합치는 단계가 필요했습니다.
- 03
해결 방법과 기술적 선택
두 결과의 클래스와 좌표 형식을 통일하고, 같은 클래스의 박스가 IoU 기준 이상으로 겹치면 중복 후보로 판단해 하나를 남겼습니다. 자동 라벨은 CVAT에서 수정·보완하고 검수 완료 데이터만 학습에 반영했습니다.
- 04
검증 과정
개정2 PDF p.14·17의 병합 흐름과 원본 라벨링 README를 대조했습니다. 클래스 순서·YOLO 라벨 형식·동일 클래스 IoU 중복 제거 후 CVAT 검수 데이터를 만드는 흐름이며, 웹 체험의 합성 후보 테스트와 당시 학습은 별개입니다.
- 05
결과와 검증 근거
PDF에는 중복 후보를 정리하고 사람 검수 단계로 넘긴 흐름이 기록돼 있습니다. 제거 건수나 라벨 정확도의 별도 수치는 제시되지 않았습니다.
- 06
배운 점과 남은 한계
학습 전에 후보의 의미와 좌표 체계를 일치시켜야 합니다. 자동 병합 결과도 사람의 최종 검수를 대신하지 않습니다.
근거 · 범위 당시 프로젝트 PDF의 라벨 병합·CVAT 검수 기록. 현재 웹 체험은 사전 정의 탐지 후보를 사용합니다.
02모델 평가 · 당시 기록no_helmet 검출 누락을 줄이기 위한 데이터 보강
BEFORE / 문제 상태
기존 파인튜닝 모델의 no_helmet Recall 0.694
AFTER / 변경 후
데이터 보강·전체 레이어 재학습 뒤 Recall 0.763
no_helmet Recall당시 고정 평가셋 기록
기존
0.694
재학습
0.763
현재 웹 데모의 탐지·학습 결과가 아닙니다.
- 모델 / PDF p.17
- YOLO26m
- Precision
- 0.941
- Recall
- 0.891
- mAP50
- 0.938
- mAP50–95
- 0.744
- forklift Recall / PDF p.16
- 0.985
- 입력 해상도 · FPS
- 실측 자료 미확인
- 데이터 버전 · 실험 ID
- 자료 미확인
- 01
문제 상황
기존 파인튜닝 모델에서 no_helmet Recall이 0.694로 다른 클래스보다 낮았습니다.
- 02
원인 분석
해당 클래스의 놓친 사례와 실패 데이터를 살폈고, 학습 옵션만 바꾸는 방식으로는 개선 폭이 제한적이라고 판단했습니다. 단일 원인을 확정한 실험은 아닙니다.
- 03
해결 방법과 기술적 선택
검수 데이터를 기존 데이터셋에 누적하고 오버샘플링, Hard Negative 추가, 학습률·Optimizer 변경을 실험했습니다. 이후 사전학습 가중치에서 전체 레이어를 다시 학습했습니다.
- 04
검증 과정
개정2 PDF p.16·17에는 기존 YOLO26m 파인튜닝과 사전학습 YOLO26m의 전체 레이어 재학습이 비교돼 있습니다. 라벨링 README는 고정 검증셋과 Gold Set을 분리합니다. PDF의 전체 지표와 Gold Set 점수의 실험 실행 ID·동일 분할 여부는 원본 결과 파일 없이 확정할 수 없어 별도 기록으로 표시합니다.
- 05
결과와 검증 근거
PDF p.17에는 no_helmet Recall 0.694 → 0.763이 기록돼 있습니다. p.16의 전체 지표는 Precision 0.941 · Recall 0.891 · mAP50 0.938 · mAP50-95 0.744이며, 학습 이미지 37,456장·검증 이미지 4,343장도 별도로 제시돼 있습니다. 실험 결과 파일이 없어 지표들의 평가 분할이 모두 같다고 확정하지 않습니다.
- 06
배운 점과 남은 한계
전체 평균만으로 감시할 클래스를 판단하지 않고 클래스별 Recall과 실패 사례를 함께 봐야 합니다. 정확도와 처리 FPS의 균형도 중요하지만 해상도·실측 FPS 자료가 없어 속도 개선을 주장하지 않습니다. 이 수치는 당시 기록이며 현재 웹 데모에서 모델을 재학습하거나 독립 재현한 결과가 아닙니다.
근거 · 범위 당시 PDF의 고정 Gold Set·학습/검증 규모·평가 지표. 모델 가중치와 데이터셋은 웹에 포함하지 않았습니다.