모바일 실시간 포즈 추정 모델 비교 경험: MoveNet, BlazePose, ARKit 등

작성자는 자신의 측정 결과와 실무적 판단을 공유하며 다른 사용자들의 접근법을 요청했고 게시물 말미에 다른 사람들의 사용 사례를 묻는 문장을 남겼다. 게시물 내용은 측정치와 구체적 기준을 포함해 실무자들이 당면한 현실적 제약을 드러내므로 실무적 조언을 유도하는 성격을 띠었다. 작성자의 질문은 추가적인 경험 공유와 도구별 최적화 팁을 촉발할 가능성이 높다.

• 웹 브라우저 기반의 모바일 실시간 오버레이가 목표라면 MoveNet 계열을 우선 검토하는 것이 타당하다.
• iOS 전용 고정식 제품이라면 ARKit/Apple Vision의 3D 스켈레톤을 활용해 관절 각도와 정밀 추적을 확보하고 Android 동시 지원이 필요하면 별도 스택을 준비해야 한다.
• 모델 선택 이후에는 관절 각도 계산, 반복 카운팅, 폼 평가, 노이즈 평활화 같은 후처리 로직을 플랫폼별 카메라 파이프라인 특성에 맞춰 별도로 구현해야 한다.

Pose Estimation

— 이미지나 비디오 프레임에서 사람의 신체 부위 위치를 수치화된 관절 좌표(키포인트)로 반환하는 기술이다. 입력으로 카메라 프레임을 받아 신체 주요 관절의 x, y, (z) 좌표와 신뢰도 점수를 출력하며 이를 기반으로 자세 각도나 동작 카운팅을 계산한다. 모바일 실시간 애플리케이션에서는 연산 비용과 프레임률 제약 때문에 라이트급 네트워크와 후처리 파이프라인 설계가 중요하다.

Keypoint Detection

— 신체의 관절이나 특징점에 해당하는 좌표를 영상에서 검출하는 단계로, 각 키포인트는 2D 또는 3D 좌표와 신뢰도 값을 가진다. 이 검출 결과는 이후 각도 계산, 동작 인식, 반복 횟수 카운팅 같은 애플리케이션 레벨 로직의 입력으로 사용된다. 모델별 키포인트 개수 차이는 필요한 애플리케이션 기능과 연산 비용에 직접적인 영향을 미친다.

On-device Inference

— 모델 추론을 클라우드가 아닌 사용자의 기기 자체에서 수행하는 방식으로, 네트워크 지연을 줄이고 개인정보를 기기에 유지한다. 모바일 환경에서는 CPU/GPU/NPUs의 제약을 고려해 모델 경량화와 런타임 최적화가 필요하며 브라우저와 네이티브 런타임 간 차이가 발생한다. 실시간 프레임레이트 요구가 있는 애플리케이션에서는 온디바이스 추론 능력이 채택 여부를 결정하는 주요 기준이 된다.

3D Skeleton

— 2D 키포인트를 넘어서 각 관절의 깊이(z) 정보를 포함하여 신체의 3차원 구조를 복원한 표현이다. 3D 스켈레톤은 관절 간 각도와 절대 위치를 보다 정확히 계산할 수 있어 복잡한 동작 분석이나 AR/VR 연동에서 유용하다. 다만 3D 복원은 센서 또는 추가적인 모델 연산을 요구해 모바일 실시간 처리에서 비용이 증가할 수 있다.