.svg)
AI 솔루션 문의하기
스마트시티 관제센터에서 AI를 활용하려면 카메라 영상에 등장하는 사람과 차량, 시설물, 각종 상황을 학습데이터 안에서 일관된 기준으로 표현하는 작업이 필요합니다. 단순히 영상이 선명한지만으로 데이터 품질을 판단하기는 어렵습니다. 같은 차량을 여러 영상에서 서로 다른 대상으로 표시하거나 특정 상황을 정상과 이상으로 다르게 분류하면 모델이 학습해야 할 기준 자체가 흔들릴 수 있기 때문입니다. 따라서 학습데이터의 정확도는 이미지 품질뿐 아니라 객체와 상황에 적용된 라벨이 실제 영상과 얼마나 일치하는지를 함께 살펴야 합니다.
스마트시티 관제 영상에서는 보행자와 차량이 동시에 등장하는 경우가 많고 객체가 서로 겹치거나 화면 밖으로 이동하기도 합니다. 객체의 위치와 범위를 실제 영상에 맞게 표시하는 것이 기본적인 데이터 정확도에 영향을 줍니다. 차량의 일부만 화면에 나타난 경우 어디까지 하나의 객체로 볼 것인지, 여러 사람이 가까이 서 있는 경우 각각을 구분할 것인지 등 세부 기준도 필요합니다. 특히 CCTV 영상마다 촬영 거리와 각도가 다르기 때문에 동일한 객체라도 화면에서 보이는 크기와 형태가 달라질 수 있습니다.
객체의 종류와 위치를 일정한 기준으로 표시해야 서로 다른 관제 영상에서도 AI가 같은 대상을 일관되게 학습할 수 있습니다.
관제센터에서 AI가 찾아야 하는 대상은 단순한 객체뿐 아니라 특정 상황인 경우도 많습니다. 예를 들어 사람이 제한구역에 들어가거나 차량이 특정 구역에 장시간 정차하는 상황 등이 해당될 수 있습니다. 이때 무엇을 이상상황으로 분류할 것인지에 대한 기준이 데이터마다 동일해야 합니다. 단순히 사람이 특정 공간에 있다는 이유만으로 이상으로 표시하면 정상적인 이용 장면까지 학습에 포함될 수 있습니다. 시설의 운영조건과 관제 목적을 반영해 정상과 이상을 구분하고, 애매한 사례는 별도의 검토 대상으로 관리하는 방식이 적합합니다.
스마트시티 관제 영상은 같은 장소라도 시간대에 따라 화면 구성이 크게 달라집니다. 출퇴근 시간에는 차량과 사람이 몰리고 심야에는 통행량이 감소하며, 행사나 기상조건에 따라 평소와 다른 장면이 나타날 수 있습니다. 따라서 영상이 촬영된 시간과 장소 정보가 실제 데이터와 정확하게 연결돼 있는지도 확인해야 합니다. 서로 다른 시간대의 영상이 잘못 연결되거나 촬영 위치가 뒤바뀌면 AI가 특정 환경을 잘못된 조건으로 학습할 가능성이 있습니다.
관제 영상의 정확도를 검토할 때 밝고 선명한 주간 영상만으로 판단해서는 실제 환경을 충분히 반영하기 어렵습니다. 야간, 역광, 비, 눈, 안개 등으로 영상 품질이 달라지는 상황도 학습데이터에 포함돼야 합니다. 어두운 화면에서 사람이나 차량의 일부만 보이는 경우에도 어떤 기준으로 객체를 표시할지 정해야 하며, 빗물이나 조명 반사로 인해 실제 객체와 다른 형태가 나타나는 장면도 검수 대상이 됩니다. 이러한 환경별 데이터를 함께 확인해야 특정 조건에 편중된 데이터 구성을 피할 수 있습니다.
관제센터에서 발생하는 상황은 한 장의 이미지보다 여러 장면이 이어지는 영상에서 파악되는 경우가 많습니다. 사람이 화면에 들어온 뒤 특정 장소에 머무르거나 차량이 이동하다가 정차하는 과정처럼 상황의 시작과 변화가 시간 순서대로 연결돼야 하는 데이터가 필요합니다. 일부 프레임만 잘못 라벨링되면 AI가 상황의 흐름을 학습하는 데 혼선이 생길 수 있습니다. 따라서 연속 영상에서는 객체가 이동하는 동안 라벨이 갑자기 사라지거나 다른 객체로 바뀌지 않는지도 함께 검수할 필요가 있습니다.
이 세 가지를 별도로 확인하면 단순한 이미지 품질검사를 넘어 관제 AI가 실제로 학습해야 할 정보가 정확하게 기록됐는지를 확인할 수 있습니다.
스마트시티 영상은 다양한 상황이 등장하기 때문에 여러 사람이 데이터를 라벨링할 경우 판단 차이가 생길 수 있습니다. 특히 가려진 객체나 이상상황처럼 경계가 명확하지 않은 사례에서 차이가 커질 수 있습니다. 표본 데이터를 대상으로 라벨러 간 결과를 비교하고 판단이 엇갈린 사례를 기준에 반영하는 과정이 필요합니다. 새로운 상황이 발견될 때마다 기존 기준으로 처리할 수 있는지 검토하고 필요하면 작업지침을 수정하는 방식도 데이터 품질을 유지하는 데 활용됩니다.
학습데이터의 정확도를 확인할 때는 데이터셋 내부의 오류만 보는 것보다 실제 관제환경에서 사용할 영상과 비교하는 과정도 중요합니다. 실제 CCTV에서 수집되는 영상의 화질과 촬영각도, 객체 크기, 시간대 등을 데이터셋이 충분히 반영하는지 확인해야 합니다. 특정 카메라의 영상만 집중적으로 포함됐다면 다른 위치의 영상에서 성능이 달라질 수 있습니다. 카메라가 추가되거나 위치가 변경된 경우에도 새로운 영상 조건을 데이터에 반영할 필요가 있습니다.
스마트시티 관제환경은 새로운 CCTV가 설치되거나 도로와 시설의 구조가 바뀌면서 지속적으로 변화합니다. 이에 따라 한 번 정확하게 만들어진 데이터셋을 그대로 유지하기보다 새로운 환경과 상황을 반영하면서 데이터 기준을 관리하는 방식이 필요합니다. 새롭게 발생한 이상상황을 추가하고 기존 라벨의 오류를 수정하며, 변경된 카메라 환경에 맞는 데이터를 보완하는 과정이 이어져야 합니다. 관제센터 AI 학습데이터의 정확도는 단일 검수 작업으로 결정되는 값이 아니라 실제 영상과 라벨의 일치 여부를 반복적으로 확인하고 현장 변화까지 반영하는 데이터 관리 과정에서 유지됩니다.
.svg)
.svg)
