CV / Computer Vision
데이터의 한계를 분석하고, 모델과 파이프라인을 재설계하여 신뢰할 수 있는 Computer Vision 시스템으로 완성합니다.
객체 인식과 세그멘테이션 모델을 학습하며 라벨 부족, 클래스 불균형, 고해상도 데이터 처리와 같은 문제를 해결했습니다. 딥페이크 탐지 프로젝트에서는 최신 논문을 직접 구현하고, 비동기 추론 백엔드까지 연결하여 모델을 서비스 형태로 확장했습니다.
Featured Projects
딥페이크 탐지 어플리케이션
ViT · FastAPI · TaskIQ · SQLModel · ONNX Runtime
공식 구현체가 없는 최신 논문의 아키텍처와 손실 함수를 직접 분석·구현하고, 데이터 누수를 Video-level Split으로 해결했습니다. 또한 TaskIQ와 Redis 기반의 비동기 추론 파이프라인을 구축하여 고부하 모델 추론이 API 서버를 블로킹하지 않도록 설계했습니다.
차선 위반 차량 탐지 시스템
YOLOv26-seg · ResNet · PyTorch Lightning · Streamlit
정상 차량과 위반 차량 비율이 35:1:2인 데이터셋에서 단일 객체 인식의 한계를 분석했습니다. 차량·차선 위치 탐지와 위반 여부 분류를 분리한 2-Stage 파이프라인으로 문제를 재정의하고, 다채널 TIFF 입력과 언더샘플링을 적용했습니다.
딸기 질병 객체 인식 및 진단
YOLOv11 · EfficientNet · Albumentations
라벨 부족 문제에 Pseudo-Labeling을 적용해 Recall을 약 9% 개선하고, 중첩 ZIP 데이터를 메모리 스트림과 멀티프로세싱으로 처리했습니다. 이미지 리사이징 및 전처리 순서를 최적화하여 Epoch당 학습 시간을 50% 단축했습니다.
CV Engineering Highlights
- 데이터 불균형과 라벨 부족을 분석하고 문제 정의를 2-Stage 구조로 재설계
- 논문 기반 모델과 손실 함수의 수식 및 구현 세부 사항 검증
- Video-level Split을 통한 데이터 누수 제거
- FastAPI, TaskIQ, Redis 기반 비동기 추론 아키텍처 구축
- 대용량 중첩 압축 데이터의 메모리 스트림 처리 및 전처리 최적화