YOLOX에 합성 데이터로 교통콘 클래스를 추가한 실험

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

COCO의 기존 80개 클래스에 traffic cone을 추가하기 위해 CARLA에서 합성 데이터를 생성하고 실제 데이터와 결합한 뒤 YOLOX 네 가지 크기 모델을 학습했습니다. 새 cone 클래스는 78.8% AP를 기록했고 기존 클래스 성능은 baseline 대비 약 1포인트 이내로 유지됐습니다. A100 추론 시간도 프레임당 약 1.7~6ms로 실시간 수준을 보였으며, 학습 weights는 Apache-2.0으로 Hugging Face에 공개됐습니다. 이 실험은 희귀 객체의 실사 라벨링 부담을 줄이는 클래스 확장 방법으로 Synthetic Data를 활용한 사례입니다.

실용적 조언

희귀 객체 클래스를 YOLOX에 추가할 때는 CARLA에서 해당 객체의 합성 데이터를 만들고 이를 COCO 실사 데이터와 혼합하는 방식을 시도할 수 있습니다. 학습 후 새 클래스의 AP와 기존 클래스들의 baseline 대비 변화를 함께 측정해야 클래스 추가에 따른 손실을 확인할 수 있습니다. 추론 시간은 A100 기준 1.7~6ms처럼 하드웨어와 YOLOX 크기별로 따로 기록하는 편이 적절합니다.
공개된 weights를 Hugging Face에서 받아 traffic cone 탐지 결과를 재현하고, 다른 custom object에서도 같은 데이터 생성·혼합 절차가 유지되는지 확인할 수 있습니다. 실험 결과를 공유할 때는 새 클래스의 AP뿐 아니라 기존 클래스 성능과 프레임당 지연 시간도 함께 기록해야 합니다.

섹션별 상세

작성자는 COCO의 기존 80개 클래스에 traffic cone 클래스를 추가하면서 대규모 실사 라벨링을 피하는 실험을 진행했습니다. CARLA에서 교통콘 장면을 합성하고 생성된 데이터를 실제 데이터와 섞은 뒤 YOLOX의 네 가지 크기 모델을 학습했습니다. 희귀하거나 수집이 오래 걸리는 객체를 추가할 때 Synthetic Data가 라벨 확보 과정을 단순화한다는 점이 실험의 핵심입니다.

새로 추가한 traffic cone 클래스는 78.8% AP를 기록해 높은 탐지 성능을 보였습니다. COCO의 기존 80개 클래스 성능은 baseline에서 약 1포인트 이내로 유지되어, 새 클래스를 넣는 과정이 기존 클래스 성능을 크게 훼손하지 않았습니다. 합성 데이터로 추가 클래스를 학습하면서 기존 탐지 범위를 거의 보존했다는 결과입니다.

학습한 모델은 A100에서 프레임당 약 1.7~6ms로 실행되어 실시간 처리 특성을 유지했습니다. 측정 범위는 YOLOX 크기에 따라 달라지는 추론 시간을 함께 반영합니다. 따라서 이 실험은 클래스 확장뿐 아니라 처리 속도까지 확인한 사례입니다.

작성자는 traffic cone을 시험 사례로 삼았으며, 같은 방식이 다른 custom object에도 적용될 수 있다고 판단했습니다. 모델 weights는 Apache-2.0 라이선스로 Hugging Face에 공개되어 사용자가 직접 실행하고 피드백을 공유할 수 있게 했습니다. 게시물의 결론은 합성 장면과 실제 데이터를 결합하면 새 객체 클래스를 비교적 낮은 라벨링 부담으로 추가할 수 있다는 것입니다.

용어 해설

합성 데이터(Synthetic Data): — 실제 환경에서 촬영하고 사람이 직접 주석을 붙인 데이터 대신, CARLA 같은 시뮬레이션 환경에서 객체와 장면을 생성해 얻는 학습 데이터입니다. 생성 과정에서 객체 위치와 종류를 함께 확보할 수 있어 라벨링 비용과 수작업을 줄이는 데 쓰입니다.
객체 탐지(Object Detection): — 이미지 안에 어떤 객체가 있는지 분류하고, 각 객체의 위치를 바운딩 박스로 찾는 Computer Vision 작업입니다. YOLOX는 한 장의 입력 프레임에서 여러 객체의 종류와 위치를 함께 예측해 실시간 처리에 활용됩니다.
평균 정밀도(Average Precision (AP)): — 객체 탐지 모델의 분류와 위치 예측을 함께 평가하는 지표입니다. 여러 confidence 기준에서 precision과 recall의 관계를 집계하므로, AP가 높을수록 해당 클래스의 탐지 결과가 정확하고 누락이 적다는 뜻으로 해석됩니다.
실시간 추론(Real-time Inference): — 학습이 끝난 모델이 입력 프레임을 받아 객체 탐지 결과를 반환하는 처리 단계가 짧은 시간 안에 완료되는 상태입니다. 게시물에서는 A100에서 프레임당 처리 시간이 1.7~6ms 수준으로 측정됐습니다.

언급된 도구

YOLOX추천

COCO의 80개 클래스에 traffic cone 클래스를 추가해 객체 탐지 모델을 학습하고 실시간 추론 성능을 측정하는 데 사용됐습니다.

CARLA추천

traffic cone이 포함된 합성 학습 데이터를 생성하는 시뮬레이션 환경으로 사용됐습니다.

Hugging Face중립링크

학습한 YOLOX weights를 Apache-2.0 라이선스로 공개하고 재현 및 피드백 공유를 가능하게 하는 배포 경로로 사용됐습니다.

언급된 리소스

문서empirischtech/yolox-pylon 모델