Home

👋 Woody's AI Backend Engineering Log

"기록은 최고의 복습이다."

Vision AI와 LLM을 활용한 프로덕션 서비스 개발에서의 기술적 선택, 실험 과정, 트러블슈팅 기록을 남깁니다.
단순히 "무엇을 했다"보다 "왜 그렇게 판단했는가"를 중심으로 작성합니다.

---

💼 About — 현재 소속

Deepvisions | AI Engineer (2026.03 ~ 재직중)

드론·CCTV·엣지 디바이스 기반 Vision AI 파이프라인을 담당하고 있습니다. 아래 정리된 프로젝트 중 포도밭 (송이 탐지·수확량 예측), 야생동물 RPi 엣지 배포, CCTV 자전거 / 공회전 / 후미등 분류는 모두 Deepvisions 재직 중 진행한 작업입니다. OnTheTop은 카카오테크부트캠프 (2025) 과정 중 진행한 별도 프로젝트입니다.

---

📖 AI 기술 적용 사례

아래 기술들이 실제 프로젝트에서 어떻게 활용되는지 OnTheTop 프로젝트에서 확인하세요.

기술	역할	프로젝트
Blip	사용자 업로드 이미지 분석 & 캡셔닝	OnTheTop
Grounding DINO	자동으로 객체 위치/종류 감지	OnTheTop
SAM2	감지된 객체의 정밀 마스크 생성	OnTheTop
SDXL & Inpainting	사용자 이미지에 새로운 아이템 생성 & 합성	OnTheTop
YOLO, SAHI	드론 이미지에서 소규모 객체 탐지	포도밭 병해충 탐지
SAM3	Foundation segmentation 모델 검증 & mask 라벨링	SAM3 vs YOLO 비교
YOLO11n + ncnn FP16	라즈베리파이 4 엣지 실시간 추론 (5종 야생동물)	야생동물 탐지 - RPi 엣지 배포
picamera2 + OpenCV	RPi 카메라 실시간 캡처 + bbox annotation	야생동물 탐지 - RPi 엣지 배포
YOLO11 + ByteTrack	CCTV 부감 시점 차량·사람·자전거 검출/추적	CCTV 자전거 경로 & 공회전 탐지
EfficientNet-B0	차량 후미등 ON/OFF 이진 분류 (공회전 보조 신호)	후미등 분류기 3 모델 비교
시간축 상태기계	CCTV 부감 시점에서 운전자 탑승 추정 (BoardingTracker)	공회전 탐지 파이프라인

---

🧩 프로젝트 경험

정렬 기준: 시작일 최신순. 종료된 프로젝트는 가장 아래.

🚲 CCTV 자전거 경로 추적 & 차량 공회전 탐지 — 한동대학교 리빙랩

2026.05 ~ 진행중 | @ Deepvisions | 📊 상세 기록

✨ 캠퍼스 CCTV 4대 위에 두 가지 컴퓨터비전 시스템을 같은 파이프라인 백본으로 올리는 풀스택 추론·통합 파이프라인

핵심 질문:

• COCO 가중치가 부감 CCTV 시점에서 어디까지 통하고 어디서 무너지는가
• 차내 운전자가 안 보이는 부감 시점에서 "탑승" 신호를 어떻게 만들어내는가
• 학습 안 해도 되는 모듈과 합성 데이터가 유일한 모듈을 어떻게 분리하는가
• 4 카메라 오프라인 batch 흐름에서 세션을 어떻게 잘라야 의미가 보존되는가

관련 문서 바로가기:

• CCTV 자전거 경로 & 공회전 탐지 (메인)
• 공회전 탐지 파이프라인 — 다중 신호 + 상태기계 (2026-05)
• 후미등 ON/OFF 분류기 3 모델 비교

추천 읽기 순서:

1. CCTV 자전거 경로 & 공회전 탐지 (메인) ← 전체 흐름·의사결정
2. 공회전 탐지 파이프라인 ← boarding 상태기계 + idle 로직
3. 후미등 분류기 3 모델 비교 ← 3 모델 병렬 학습 + 도메인 갭

---

🦌 야생동물 탐지 — Raspberry Pi 4 엣지 배포

2026.04 ~ 진행중 | @ Deepvisions | 📊 상세 기록

✨ 포도밭 침입 야생동물(노루·멧돼지·오소리·너구리·조류) 5종 multi-class fine-tune → 라즈베리파이 4 엣지 실시간 검출까지 가져가는 풀스택 ML 배포

아래 포도밭 병해충/수확량 예측과 같은 도메인(스마트 포도밭)이지만, 포트폴리오상 드론 정밀 탐지와 엣지 디바이스 실시간 운용이 별개 기술 스택이라 분리 기록.

핵심 질문:

• CPU-only 라즈베리파이 4에서 5종 multi-class YOLO를 5 FPS 이상 실시간으로 돌릴 수 있는가
• ncnn / ONNX / TFLite / TensorRT 중 ARM 환경에 진짜 맞는 백엔드는 어떤 것인가
• INT8 양자화를 시도했을 때 어디서 무엇이 무너지고 어떻게 진단해야 하는가
• 정확도와 FPS의 trade-off에서 deployment 결정 기준은 무엇인가

관련 문서 바로가기:

• 야생동물 탐지 — RPi 엣지 배포 (메인)
• 5종 multi-class 학습 변천사
• RPi 4 추론 백엔드 비교 (torch / ONNX / ncnn)
• INT8 양자화 진단
• 카메라 실시간 검출 MVP

추천 읽기 순서:

1. 야생동물 탐지 — RPi 엣지 배포 (메인) ← 전체 흐름·의사결정 결산 문서
2. 5종 multi-class 학습 변천사
3. RPi 4 추론 백엔드 비교
4. INT8 양자화 진단
5. 카메라 실시간 검출 MVP ← 학습 mAP가 현장에서 어떻게 드러나는지

---

🍇 포도밭 병해충 탐지 및 수확량 예측

2026.03 ~ 진행중 | @ Deepvisions | 📊 상세 기록

✨ 드론 이미지에서 작은 객체를 정확히 탐지하는 Small Object Detection 기술 연구 → GSD calibration + Segmentation 기반 수확량 예측으로 확장 중

핵심 질문:

• 드론 이미지에서 포도송이를 얼마나 안정적으로 찾을 수 있는가
• YOLO와 Grounding DINO 중 어떤 접근이 현재 데이터에 더 맞는가
• small object 환경에서 어떤 실험 순서가 가장 현실적인가
• 면적 → 무게 환산 모델은 어떤 형식 (×1 / ×1.5 / 회귀)이 맞는가

관련 문서 바로가기:

• 포도 수확량 예측 프로젝트
• YOLO Model Comparison Summary
• YOLO Baseline Top3 비교 요약
• Grounding DINO vs YOLO Top3 비교 요약
• SAM3 vs Fine-tuned YOLO on Drone Imagery
• 드론 포도송이 탐지 — 학습 변천사 (Progression)
• 드론 포도 수확량 예측 — 파이프라인 (2026-05)
• 수확량 close-up test_data 4장 + 3-Model 비교 (2026-05-19)

추천 읽기 순서 (최신 → 과거):

1. 수확량 close-up test_data + 3-Model 비교 (2026-05-19) ← 최신: 면적-무게 모델 검증, 회귀 한계 명시
2. 드론 포도 수확량 예측 — 파이프라인 (2026-05) ← Yield 단계로 확장
3. 드론 포도송이 탐지 — 학습 변천사 (Progression) ← Detection 단계 결산
4. SAM3 vs Fine-tuned YOLO on Drone Imagery
5. Grounding DINO vs YOLO Top3 비교 요약
6. YOLO Baseline Top3 비교 요약
7. YOLO Model Comparison Summary
8. 포도 수확량 예측 프로젝트 ← 초기 문제 정의

---

📦 종료된 프로젝트

🏠 OnTheTop | 데스크테리어 AI 추천 서비스

2025.03 ~ 2025.08 | 카카오테크부트캠프 생성형 AI과정 | ✅ 종료 | 📊 상세 기록 | 🔧 AI 개발 타임라인

✨ 사용자 책상 이미지 → AI 분석 → 어울리는 아이템 자동 생성 → 바로 구매까지의 E2E 파이프라인

• Stable Diffusion XL + SAM 기반 image generation pipeline
• 객체 인식 → 프롬프트 생성 → 인페인팅 → API serving
• Live: onthe-top.com (서비스 종료)

---

📚 이 Wiki의 철학

• 문제 → 솔루션: "이 문제를 왜 풀어야 했는가"부터 시작
• 기술 선택의 근거: "왜 이 모델을 선택했나" 명시
• 실험 & 검증: 실패와 성공 모두 기록
• 공유 철학: 내 시행착오가 다른 개발자의 자산이 되기를

---

📫 Contact

• GitHub: @ehdwo0427
• Email: ehdwo0427@naver.com
• 포트폴리오: 포트폴리오