Skip to content

남도현 | AI CV Engineer Portfolio

"불균형한 데이터를 균형 잡힌 아키텍처로 해결하는 AI 엔지니어"

단순히 모델을 가져다 쓰기보다, 데이터의 특성을 깊이 분석하여 2-Stage 파이프라인 설계, 문제 정의 변경, Pseudo-Labeling 등 아키텍처 관점에서 문제를 해결합니다. 또한, 최신 Python 개발 도구(uv 워크스페이스)와 비동기 추론 파이프라인(FastAPI, TaskIQ)을 구축하여 신뢰성 있고 확장 가능한 AI 서비스를 만드는 엔지니어링 역량을 지향합니다.

🛠️ Core Strengths (핵심 역량)

1. Data-Centric Architecture (데이터 중심 아키텍처 설계)

  • 2-Stage Pipeline: 단일 모델로 해결하기 어려운 복잡한 문제를 '위치 탐지(Detection)'와 '세부 분류(Classification)'로 분리하여 정확도와 효율성을 동시에 극대화합니다.
  • 문제 정의 변경: 극심한 클래스 불균형(35:1) 상황에서 객체 인식 문제를 '개별 차량 마스크 추출 + 13채널 이미지 분류' 문제로 재정의하여 한계를 극복했습니다.
  • Pseudo-Labeling: 라벨 결핍 상황에서 신뢰도 높은 예측값을 다시 학습 데이터로 활용하여 Recall 성능을 약 9% 향상시켰습니다.

2. Modern Python Engineering (현대적 파이썬 엔지니어링)

  • uv Workspace: 복잡한 PyTorch, CUDA, flash-attn 의존성 충돌 문제를 uv 워크스페이스 모노레포 설정을 통해 완벽히 자동화하고 가속화했습니다.
  • PyTorch Lightning: 보일러플레이트 코드를 제거하고, 체크포인트 저장 시 Frozen 백본 파라미터를 필터링하여 디스크 용량을 기가바이트 단위에서 메가바이트 단위로 경량화했습니다.
  • Asynchronous Inference: 고부하 AI 모델 추론 시의 서버 병목을 방지하기 위해 TaskIQ와 Redis 기반의 비동기 작업 큐 시스템을 설계 및 구축했습니다.

3. Implementation & Troubleshooting (구현력 및 문제 해결력)

  • Paper-to-Code: 공식 구현체가 없는 최신 논문(UNITE)의 아키텍처를 분석하여 직접 모델을 구현하고, 역전파가 불가능한 손실 함수 수식의 한계를 수학적으로 보완했습니다.
  • ORT & CUDA 최적화: ONNX Runtime 세션 옵션 및 CUDA Execution Provider VRAM 할당 전략을 최적화하여 메모리 단편화 및 서버 크래시 문제를 해결했습니다.

📂 Projects Overview (프로젝트 요약)

프로젝트명 기간 핵심 기술 스택 주요 성과 & 해결한 문제 상세 링크
딸기 질병 객체 인식 및 진단 2026.01 ~ 2026.01 YOLOv11, EfficientNet, Albumentations • Pseudo-Labeling 적용 (Recall 9% 향상)
• 중첩 ZIP 스트림 전처리로 I/O 병목 해결
• 이미지 리사이징 최적화 (학습 시간 50% 단축)		 상세 보기
차선 위반 차량 탐지 시스템 2026.01 ~ 2026.01 YOLOv26-seg, ResNet, Streamlit, Lightning • 극심한 클래스 불균형(35:1) 해결
• 1-Stage Detection -> 2-Stage 분류 전환
• 13채널 TIFF 입력 파이프라인 구축		 상세 보기
딥페이크 탐지 어플리케이션 2026.01 ~ 2026.02 ViT, FastAPI, TaskIQ, SQLModel, uv, ONNX • 공식 구현체 없는 최신 논문 직접 구현
• TaskIQ 기반 비동기 추론 파이프라인 구축
• ONNX & CUDA VRAM 최적화		 상세 보기