알제리 창고 노동자의 독학 컴퓨터 비전 도전: CPU 기반 박스 카운팅 시스템 구축기

커뮤니티 반응

작성자의 독학 노력과 실무 적용 의지에 대해 긍정적인 반응이 이어지고 있으며, 제한된 하드웨어 환경에서의 최적화 방안에 대한 기술적 조언이 공유되고 있다.

합의점 vs 논쟁점

합의점

구형 CPU 환경에서 딥러닝 모델을 구동하기 위해서는 OpenVINO와 같은 하드웨어 가속 툴킷 사용이 필수적이다.
물류 현장의 박스 카운팅에서 가장 큰 기술적 장벽은 객체 간의 심각한 가려짐(Occlusion) 현상이다.

논쟁점

RT-DETR이 폐쇄 문제 해결의 대안이 될 수 있으나 CPU 환경에서의 연산 효율성 측면에서는 의견이 갈린다.

실용적 조언

CPU 성능 한계를 극복하기 위해 모델을 INT8 수준으로 양자화(Quantization)하여 실행 속도를 추가로 확보할 것
박스 전체 형태에 의존하기보다 가려짐에 덜 민감한 박스의 상단 모서리나 특정 표식을 탐지하도록 모델을 재학습시킬 것

섹션별 상세

작성자는 구형 사무용 PC 환경에서 실시간성을 확보하기 위해 YOLOv8n 모델을 OpenVINO로 변환하고 초당 3-4프레임만 처리하는 프레임 스킵 기법을 적용했다. 하지만 작업자가 여러 박스를 가슴에 밀착해 들고 이동할 때 YOLOv8n이 이를 하나의 객체로 병합해버리는 심각한 폐쇄(Occlusion) 문제가 발생하여 정확한 수량 파악에 어려움을 겪고 있다.

폐쇄 현상을 개선하기 위해 NMS(Non-Maximum Suppression) 과정이 없는 RT-DETR 모델을 도입하여 테스트를 진행했다. RT-DETR은 겹쳐진 객체를 분리하는 데 더 우수한 성능을 보였으나, i7 CPU 환경에서는 연산 부하가 너무 커서 시스템 전체의 병목 현상을 초래하고 실시간 구동이 불가능한 수준으로 나타났다.

객체 추적을 위해 Roboflow Supervision 라이브러리와 ByteTrack을 조합하여 사용 중이다. `sv.PolygonZone`을 활용해 배경에 쌓인 정적인 박스들을 마스킹 처리했으나, 작업자가 배경 박스 앞을 지나갈 때 트래커가 이동 중인 박스와 배경의 정지 박스를 혼동하여 ID를 놓치거나 잘못 부여하는 현상이 보고됐다.

저사양 CPU 환경에서 고밀도 객체 탐지를 구현하기 위해 모델 양자화(Quantization)나 더 가벼운 백본 네트워크로의 교체 가능성이 논의되고 있다. 또한 박스 전체를 탐지하는 대신 박스의 모서리나 특정 패턴 등 가려짐에 강한 특징점을 학습시키는 방식이 대안으로 제시될 수 있다.

용어 해설

오픈비노(OpenVINO): — 인텔에서 개발한 딥러닝 추론 최적화 툴킷으로, 모델을 인텔 CPU나 내장 그래픽에 최적화하여 실행 속도를 높인다. GPU가 없는 환경에서 실시간 AI 추론 성능을 확보하기 위해 필수적으로 사용되는 기술이다.
폐쇄 현상(Occlusion): — 컴퓨터 비전에서 탐지하려는 객체가 다른 객체나 장애물에 의해 가려지는 현상을 의미한다. 물류 환경에서 작업자가 여러 박스를 겹쳐 들 때 개별 박스를 구분하지 못하고 하나로 인식하게 만드는 주요 원인이다.
비최대 억제(NMS): — 객체 탐지 모델이 동일한 객체에 대해 생성한 여러 경계 상자 중 가장 신뢰도가 높은 것만 남기고 나머지를 제거하는 알고리즘이다. 객체가 밀집된 환경에서는 인접한 다른 객체의 상자까지 제거할 위험이 있다.
바이트트랙(ByteTrack): — 객체 탐지 결과의 신뢰도가 낮은 상자까지 활용하여 객체의 이동 경로를 추적하는 알고리즘이다. 가려짐이 빈번하거나 조명이 어두운 환경에서도 객체의 ID를 비교적 안정적으로 유지하는 성능을 제공한다.

언급된 도구

OpenVINO추천

인텔 CPU 기반 딥러닝 추론 최적화 및 가속

Roboflow Supervision추천

객체 추적, 마스킹 및 시각화 도구 세트

YOLOv8n중립

실시간 객체 탐지 모델

RT-DETR비추천

NMS가 필요 없는 실시간 객체 탐지 모델