섹션별 상세
수동 비디오 리뷰의 한계를 극복하기 위해 컴퓨터 비전 기반의 자동화된 수영 모니터링 시스템 도입이 필요합니다. 시설 내 카메라 영상을 입력받아 디지털 일관성을 가진 데이터로 처리함으로써 코치와 분석가에게 정확한 퍼포먼스 데이터를 제공할 수 있습니다. 이를 통해 턴 동작이나 물보라가 심한 구간에서도 데이터 누락 없이 선수를 추적하는 것이 가능해집니다.
탐지 모델 학습을 위해 Roboflow Universe의 수영 선수 데이터셋을 활용하고 RF-DETR 아키텍처를 선택합니다. RF-DETR Small 모델은 트랜스포머 기반이면서도 추론 속도가 빨라 실시간 비디오 스트림 처리에 적합하며 엣지 디바이스 배포가 용이합니다. 학습 데이터는 훈련 70%, 검증 20%, 테스트 10% 비율로 분할하여 모델의 일반화 성능을 확보합니다.
수영장의 특수한 환경에 대응하기 위해 채도, 밝기, 노출 등 다양한 데이터 증강 기법을 적용합니다. 채도를 ±25% 조절하여 수질이나 염소 농도에 따른 물의 색상 변화에 대비하고, 밝기와 노출 조절을 통해 실내 조명이나 자연광 변화 속에서도 정확도를 유지합니다. 모든 이미지는 모델 입력 규격에 맞춰 512x512 크기로 표준화됩니다.
학습된 모델은 mAP@50 78.6%와 F1 Score 79.4%를 달성하여 실무 적용 가능한 수준의 성능을 보였습니다. 정밀도 77.5%와 재현율 81.3%를 기록했으며, 특히 재현율이 높아 프레임 내 대부분의 수영 선수를 놓치지 않고 포착합니다. 향후 성능 개선을 위해 깊은 물 속이나 스트로크 중간 단계의 샘플을 추가하거나 원거리 피사체 탐지를 위한 SAHI 도입을 고려할 수 있습니다.
근거
- 수영 선수 탐지 모델은 mAP@50 78.6%와 F1 Score 79.4%를 달성했습니다. — Step 7: Evaluate Results 섹션
- 신뢰도 임계값 41%에서 정밀도 77.5%와 재현율 81.3%를 기록했습니다. — Step 7: Evaluate Results 섹션 및 관련 그래프 이미지
탐지된 객체에 일관된 ID를 부여하기 위해 ByteTrack 블록을 워크플로에 통합합니다. ByteTrack은 탐지 모델이 생성한 바운딩 박스 좌표와 모션 벡터를 사용하여 프레임 간 선수의 동일성을 유지합니다. 수영 선수가 물보라에 일시적으로 가려지더라도 위치를 예측하여 추적 ID가 끊기지 않도록 보장하는 역할을 수행합니다.
기술
- RF-DETR
- ByteTrack
- Roboflow Workflows
- Roboflow Universe
- SAHI
활용 사례
- 실시간 수영 선수 추적
- 선수별 퍼포먼스 메타데이터 생성
- 수영장 안전 모니터링 및 익사 방지 보조
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 05. 02.수집 2026. 05. 02.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
