BloodshotNet: 세계 최초의 오픈소스 혈흔 탐지 AI 모델 출시

실용적 조언

비디오 분석 시 개별 프레임 결과에 의존하지 말고 5~10초 단위의 슬라이딩 윈도우를 적용하여 오탐지를 줄여라.
엣지 기기 배포를 고려한다면 향후 업데이트될 OpenVINO INT8 내보내기 기능을 활용하라.

섹션별 상세

BloodshotNet은 YOLO26 Small 및 Nano 변체를 사용하여 CPU에서도 40 FPS 이상의 빠른 추론 속도를 확보했다. 23,000개 이상의 주석이 달린 이미지 데이터셋을 학습에 사용했으며, 여기에는 격투기, 수술, 공포 영화 등 다양한 도메인이 포함됐다. 정밀도(Precision) 0.8, 재현율(Recall) 0.6 수준의 성능을 기록하며 실시간 콘텐츠 필터링에 적합한 효율성을 입증했다.

비디오 분석 시 개별 프레임의 정확도보다 장면 수준의 신호 포착이 더 중요하다는 사실이 확인됐다. 연구진은 5~10초 분량의 클립에 슬라이딩 윈도우 방식을 적용했을 때 경계선에 있는 사례들을 더 안정적으로 탐지할 수 있었다고 밝혔다. 이는 프레임별 완벽한 탐지가 어렵더라도 비디오 전체의 맥락을 통해 혈흔 노출 여부를 판단할 수 있음을 의미한다.

텍스트 프롬프트 기반의 개방형 어휘(Open-vocabulary) 모델인 YOLO-E는 혈흔 탐지에서 낮은 성능을 보였다. 혈흔의 패턴이 매우 불규칙하여 텍스트 설명만으로는 모델이 특징을 학습하기 어렵기 때문으로 분석됐다. 반면 ProgLoss와 STAL 기술이 적용된 YOLO26은 작은 물방울 형태의 혈흔까지 더 정교하게 포착하는 성과를 냈다.

트랜스포머 아키텍처 도입을 검토했으나 데이터 부족과 지연 시간 문제로 인해 최종적으로 YOLO26을 선택했다. 트랜스포머는 프레임 간 문맥 파악에 유리하지만, 이를 학습시킬 주석 달린 비디오 데이터셋이 전무한 실정이다. YOLO26은 학습 안정성과 낮은 추론 지연 시간 덕분에 실제 서비스 적용에 더 유리한 것으로 판단됐다.

용어 해설

어려운 음성 샘플(Hard-Negative): — 모델이 실제 정답이 아님에도 정답으로 오해하기 쉬운 데이터를 학습 과정에 포함하는 기법이다. 혈흔과 유사한 붉은 물체나 조명을 포함하여 오탐지(False Positive)를 줄이고 모델의 변별력을 높이는 데 기여한다.
개방형 어휘 모델(Open-Vocabulary Model): — 학습 시 정의된 클래스 외에도 텍스트 프롬프트를 통해 새로운 객체를 탐지할 수 있는 모델이다. 본문에서는 혈흔의 불규칙한 패턴 때문에 텍스트 기반 설명만으로는 탐지 성능이 낮았음을 지적했다.
슬라이딩 윈도우(Sliding Window): — 비디오 데이터 처리 시 특정 시간 간격의 프레임 묶음을 연속적으로 이동하며 분석하는 방식이다. 개별 프레임의 완벽한 탐지 대신 5~10초 단위의 장면 수준 신호를 포착하여 비디오 분석의 안정성을 높인다.
INT8 양자화(INT8 Quantization): — 모델의 가중치를 32비트 부동소수점에서 8비트 정수로 변환하여 모델 크기를 줄이고 추론 속도를 높이는 최적화 기법이다. 엣지 기기에서의 빠른 추론을 위해 OpenVINO INT8 내보내기 등이 활용된다.

언급된 도구

YOLO26추천

객체 탐지 및 혈흔 식별 아키텍처

uv추천

CLI 도구 설치 및 환경 관리

언급된 리소스

문서BloodshotNet Dataset (Hugging Face)

문서BloodshotNet Technical Breakdown