브라우저에서 작동하는 온디바이스 바퀴벌레 검출기 구현 경험과 실험 결과 공유

원문에는 작성자의 경험과 실험 결과, GitHub 링크가 포함되어 있어 실무자들이 실험 수치나 데이터 검증 절차를 공유할 근거가 마련되어 있다. 작성자는 결과를 추가로 공유할 의사를 밝혔고 질문 환영 태도를 보였기 때문에 후속 토론과 검증 데이터 제공 가능성이 높다. 게시물 내용은 실용적 교훈과 재현 가능한 실험 설계 요소를 포함해 초심자들이 실무에서 겪을 함정들을 회피하는 데 유용한 출발점을 제공했다.

• 데이터셋을 다운로드하면 파일 단위가 아니라 개별 이미지를 검증해 라벨 오염이나 클래스 혼동 여부를 반드시 확인해야 한다.
• 의미가 불분명한 라벨('object', 'insect' 등)은 추측으로 처리하지 말고 해당 이미지를 배제하거나 별도 라벨링 기준을 세워야 한다.
• 목재 무늬·카펫 등 반복적인 배경 질감 문제는 해당 질감 이미지를 명시적 음성 샘플로 추가해 오탐을 줄이는 것이 효과적이다.
• ONNX로 내보낸 모델의 파일 크기와 브라우저 추론 지연을 측정해 목표 지연·용량에 맞는 모델 크기(nano/small)를 선택해야 한다.

ONNX

— ONNX는 서로 다른 딥러닝 프레임워크 간 모델을 교환하기 위한 중립 포맷으로, 학습된 모델의 그래프와 가중치를 표현해 다양한 런타임에서 동일한 모델을 실행할 수 있게 한다. 작성자는 PyTorch/YOLO로 학습한 모델을 ONNX로 내보낸 뒤 브라우저 환경에서 onnxruntime-web으로 추론을 실행해 온디바이스 검출을 실현했다. ONNX는 모델 포맷 변환 과정에서 호환성 검증과 최적화 기회를 제공해 경량 배포에 유리하다.

onnxruntime-web

— onnxruntime-web은 브라우저 환경에서 ONNX 모델을 실행하기 위한 런타임으로, WASM이나 WebGPU를 통해 클라이언트 사이드 추론을 수행한다. 작성자는 이 런타임을 사용해 서버 전송 없이 웹페이지 내에서 이미지당 수밀리초 수준의 추론을 달성했고 최종 모델 용량은 약 9MB로 보고됐다. 브라우저 내 추론은 개인정보 유출 위험을 낮추고 네트워크 지연을 제거하는 장점이 있다.

mAP50

— mAP50은 객체 검출 성능을 평가하는 지표로, IoU(Intersection over Union) 임계값 0.5에서 클래스별 평균 정밀도를 평균해 계산한다. 작성자는 모델 크기별 실험에서 nano에서 small로 이동할 때 mAP50이 0.942에서 0.960으로 상승했다고 보고해 모델 확장 효과의 크기를 수치로 제시했다. mAP50은 모델 비교에 직관적인 수치지만, 실제 적용에서는 오탐·재현성·추론 지연을 함께 고려해야 한다.

NMS

— NMS는 객체 검출에서 중복되는 박스들을 제거해 최종 바운딩박스를 결정하는 기법으로, 전통적으로 후처리 단계에서 사용된다. 작성자는 YOLO26의 end2end(NMS-free) 내보내기를 시험해 NMS를 제거한 워크플로가 nano 크기에서 유리한 트레이드오프를 제공했음을 보고했다. NMS-free 방식은 후처리 비용을 줄이며 일부 상황에서 속도와 정확도 균형을 개선할 수 있다.

Roboflow

— Roboflow는 이미지 데이터 전처리·라벨링·데이터셋 관리 기능을 제공하는 플랫폼으로, 다양한 공개·합성 데이터셋을 병합하거나 변환해 학습용으로 준비할 수 있다. 작성자는 Roboflow에서 합쳐진 데이터셋을 사용해 YOLO 모델을 학습했으나 일부 데이터셋의 라벨 오류와 이미지 단위 오염 문제를 경험했다. 데이터 출처와 각 이미지의 라벨을 검증하는 과정이 실무에서 매우 중요하다는 점을 보여준다.