.svg)
AI 솔루션 문의하기
드론 영상으로 객체탐지 AI를 개발할 때는 일반적인 CCTV 영상과 다른 데이터 특성을 고려해야 합니다. 드론은 이동하면서 촬영하기 때문에 같은 대상도 고도와 촬영각도에 따라 화면에서 차지하는 크기가 크게 달라질 수 있습니다. 높은 곳에서 내려다본 차량이나 사람은 작은 점처럼 나타나는 반면 고도가 낮아지면 객체의 형태가 비교적 선명하게 드러납니다. 비행 방향이 바뀌면 동일한 장소에서도 배경과 객체의 배치가 달라집니다. 따라서 학습데이터 구축 단계부터 특정 고도나 한정된 촬영 구간에 데이터가 집중되지 않도록 다양한 비행 조건을 반영하는 것이 중요합니다.
드론 영상에서는 객체 자체뿐 아니라 촬영 당시의 비행 조건도 데이터 품질에 영향을 줍니다. 촬영 고도와 이동 속도, 카메라 방향 등이 달라지면 같은 객체의 크기와 선명도가 달라지기 때문입니다. 영상이 어떤 조건에서 촬영됐는지를 함께 관리하면 데이터셋의 편중 여부를 파악하고 검증 결과를 해석하기 수월합니다. 특히 특정 장소에서만 반복 촬영된 영상이라면 모델이 객체의 특징보다 배경이나 지형의 형태를 학습하는 문제가 생길 수 있습니다. 여러 환경에서 촬영된 영상을 구분해 관리하는 작업이 필요한 이유입니다.
드론 영상에서 가장 까다로운 부분 가운데 하나는 화면에 작게 나타나는 객체입니다. 높은 고도에서 촬영한 사람이나 차량은 몇 개의 픽셀 수준으로 표현되기도 하며 주변 배경과 겹치면서 형태가 더욱 불분명해집니다. 이때 어느 정도 크기까지 객체로 라벨링할 것인지 사전에 기준을 정하지 않으면 작업자마다 판단이 달라질 수 있습니다. 너무 작은 대상을 모두 정답으로 포함하면 라벨 품질을 일정하게 유지하기 어렵고, 반대로 작은 객체를 지나치게 제외하면 실제 드론 영상에서 필요한 탐지 능력을 충분히 학습하기 어려워집니다.
드론 영상에는 사람이나 차량처럼 스스로 움직이는 객체와 드론의 이동으로 인해 위치가 변해 보이는 객체가 함께 등장합니다. 한 영상에서 비슷한 장면이 연속적으로 이어지기 때문에 모든 프레임을 동일한 방식으로 라벨링하면 데이터 양은 빠르게 늘어나지만 실제로 새로운 정보가 추가되는 비율은 낮아질 수 있습니다. 반대로 프레임 간격을 지나치게 넓히면 객체의 이동이나 형태 변화를 충분히 담기 어려워집니다. 따라서 영상 전체를 무작정 이미지로 분할하기보다 객체의 움직임과 장면 변화가 나타나는 구간을 기준으로 프레임을 선별하는 전략이 필요합니다.
실외에서 촬영하는 드론 영상에서는 나무나 건물, 차량 등이 객체를 부분적으로 가리는 상황이 자주 나타납니다. 사람이 여러 명 모여 있거나 차량이 밀집한 장소에서는 서로 겹친 객체를 각각 구분할 것인지에 대한 라벨링 기준도 필요합니다. 논밭이나 산림처럼 배경 자체가 복잡한 지역에서는 객체와 주변 환경의 색상이나 형태가 비슷하게 나타날 수도 있습니다. 이런 장면을 제외하고 선명한 객체만 학습시키면 실제 활용 환경에서 성능 차이가 발생할 수 있으므로 가려짐과 겹침의 정도가 다양한 사례를 데이터에 포함하는 것이 중요합니다.
드론 촬영은 자연환경의 영향을 직접적으로 받기 때문에 동일한 장소라도 촬영 시점에 따라 영상의 특성이 달라집니다. 햇빛이 강한 낮에는 그림자가 길게 나타날 수 있고 흐린 날에는 객체의 명암 차이가 작아질 수 있습니다. 비나 안개가 있는 상황에서는 영상의 선명도가 떨어지기도 합니다. 특정 날씨와 시간대의 영상만으로 학습데이터를 구성하면 모델이 실제 운용 과정에서 접하는 다양한 화면을 충분히 경험하지 못할 수 있습니다. 따라서 사례연구 단계에서도 촬영 환경을 여러 조건으로 나눠 데이터를 확보하고 조건별 탐지 결과를 비교하는 방식이 필요합니다.
드론 영상은 비행 중 흔들림이나 압축 과정에서 화질이 달라질 수 있으며, 빠르게 이동하는 객체는 프레임 안에서 흐릿하게 표현되기도 합니다. 이런 데이터를 무조건 제거하기보다 실제 서비스에서 사용할 영상의 품질 범위를 먼저 정한 뒤 그 안에서 활용 가능한 데이터와 제외할 데이터를 구분하는 작업이 필요합니다. 라벨링 이후에는 객체 위치가 정확한지뿐 아니라 동일한 유형의 객체에 일관된 기준이 적용됐는지도 확인해야 합니다. 특히 작은 객체나 부분적으로 가려진 객체는 라벨러마다 판단이 달라질 가능성이 높아 별도의 검수 표본을 구성하는 것이 좋습니다.
드론 객체탐지 AI의 학습데이터를 구축할 때 특정 지역에서만 높은 성능이 나오는 데이터셋이 만들어지지 않도록 주의해야 합니다. 예를 들어 한 지역의 도로와 건물만 반복적으로 촬영하면 모델이 객체의 일반적인 특징보다 해당 지역의 배경과 촬영 패턴에 의존할 가능성이 있습니다. 이를 확인하려면 학습에 사용하지 않은 장소의 영상을 별도 검증 데이터로 구성하는 방식이 유용합니다. 같은 객체라도 지역과 배경이 달라졌을 때 탐지 결과가 어떻게 변하는지 비교하면 데이터셋의 편향을 파악하기 수월합니다. 촬영 장소와 시점을 분리해 학습·검증 데이터를 구성하는 것도 이러한 검증 과정에서 고려할 요소입니다.
.svg)
.svg)
