자율 주행 성능을 높이는 객체 인식 프로젝트

실내 주차장 탐지 기술

• 노란색: 주차 가능한 공간
• 초록색: 주행 가능한 공간
• 파란색: 가까운 차량 인식
• 빨간색: 보행자 인식

주차 공간 탐지 정확도를 높여, 주차 가능 공간 중에서도 가장 가까운 위치를 명확히 인식하고 보행자를 인지하여 피할 수 있도록 하는 것이 중요합니다.

특히 카메라로 인식하는 경우 실외 주차장에서 밝은 주간 시간과 어두운 상황에서 균형 있는 인식이 필요합니다.

실외 주차장 (주간)

• 충분한 조명 덕분에 물체, 주행 가능 공간, 주차 공간을 명확하게 탐지
• 실내와 동일한 수준의 정확도를 유지

실외 주차장 (야간)

• 어두운 환경에서도 주차 차선 인식 가능
• 실시간 탐지 정확도가 높은 수준으로 유지되어, 신뢰할 수 있는 결과 제공

낮과 밤 상황에서도 어떻게 인식하는지 충분히 비교 테스트를 통해 성능을 높여보는 작업을 진행해 보았습니다.

• Python: 데이터 분석 및 전처리
• OpenCV: 객체 탐지 및 영상 처리
• Detectron2: 인스턴스 세그멘테이션
• Nvidia CUDA: GPU 가속 처리
• COCO 데이터셋: 객체 탐지 학습 데이터

자율주행 트랙은 1차 프로젝트에서 위의 기술들을 사용하기 위해 사전 자료 제공 및 역량테스트를 통해 수업에 따라오실 수 있는 분들께 최종 합격 안내를 드리고 있어요.

자율주행 트랙에 합류하고 싶다면, 꼭 사전알림신청 해두시고 개강 후 바로 사전 자료를 받아보시길 추천드립니다.

데이터셋 담당 (2명)

• 데이터 수집 및 분석
• COCO 형식으로 변환하여 학습 데이터 준비

모델 담당 (2명)

• 객체 탐지 모델 선정 및 구현
• 모델 학습 및 시각화 서비스 구축

프로젝트 주간에는 4명의 팀원들과 역할분담한 후 코치님과 함께 프로젝트를 진행합니다.

왜 모델 선택이 중요한가?

자율주행 기술에서 가장 핵심적인 요소 중 하나는 정확하고 빠른 객체 인식입니다. 주차 공간 탐지와 같은 실시간 서비스를 구현하기 위해서는 단순히 인식 정확도가 높은 것만으로는 충분하지 않습니다. 처리 속도, 정확도(mAP), 학습 시간 등 다양한 요소들을 종합적으로 고려해 최적의 모델을 선택해야 합니다.

이 과정에서 두 가지 강력한 딥러닝 기반 객체 탐지 모델인 Mask R-CNN과 Detectron2를 비교하고, 각각의 특성과 성능을 분석해 최종 선택을 내릴 수 있었는데요. 이 선택 과정은 단순한 성능 비교 이상의 의미를 지니며, 모델 최적화와 실시간 서비스 환경에 대한 깊은 이해로 이어졌습니다. 현직 코치님과 함께 하니 두 가지 모델을 비교하는 것도 꽤 수월하게 할 수 있었습니다.

▲ 모델 비교 예시 표

수강생들의 생생한 후기

• 데이터 전처리 과정의 중요성을 깨닫는 계기가 되었어요! (정보통신학 전공, 23세)
• 대용량 데이터 처리와 모델 구현에 대한 귀중한 경험이었어요! (자율주행 경진대회 수상자, 25세)
• 협업과 소통의 중요성을 체감한 실무 경험이었습니다. (프로그래밍 독학, 41세)

엘리스 자율주행 트랙에서는 현업에서 충분한 경험을 거친 전문가와 함께 실무 중심의 멘토링을 받을 수 있습니다.

왜 엘리스 트랙인가요?

• 실무에 특화된 AI 프로젝트 경험
• 고성능 GPU 자원으로 대용량 데이터 처리 능력 강화
• 모델 선정부터 실시간 서비스 구현까지 직접 실습

"어떤 기술을 선택해야 할까?", "실제 환경에서 적용 가능할까?" 같은 고민이 있다면, 엘리스 자율주행 트랙에서 맞춤형 코칭을 받아보세요.

• 데이터 전처리부터 모델 학습까지 전 과정을 실습
• ROS 기반 버추얼 차량 2차 프로젝트까지!
• 현업 전문가 피드백 및 실시간 멘토링