총 2700장(원본 300장 + 생성 2400장)의 이미지 데이터셋을 이용해 학습시킨 YOLOv8 Object Detection 모델을 얻을 수 있었다.
지금까지는 테스트 이미지로 결과를 확인해봤지만, 동영상 탐지에는 어떻게 적용될 지 알아보고자 했다.
실험에는 유튜브 동영상을 일부 발췌하여 사용했다.
roadview_youtube_1, roadview_youtube_2
실험 결과
(1) Confidence 정도에 따른 비교
Inference 시, conf 변수에 값을 할당할 수 있다.
이는 감지된 객체가 실제로 해당 클래스에 속할 확률(신뢰도)을 말한다. 확률은 일반적으로 0과 1 사이의 값이며, 더 높은 값은 해당 객체가 해당 클래스에 속할 가능성이 더 높음을 의미한다.
conf 값에 따른 객체 탐지 결과가 어떠한 지 비교해보았다.
-
conf 비교 결과 : 1_Confidence
-
결론 : conf = 0.50 정도가 적당해보인다.
(2) 주행 속도에 따른 비교
일반적으로 주행 속도 때문에 포트홀 탐지가 유의미하기 어려울 것으로 보였다.
이를 확인하기 위해 주행 속도에 따라 객체 탐지 결과가 어떠한 지 비교해보았다.
(conf = 0.50 고정)
-
속도 비교 결과 : 2_DrivingSpeed
-
결론 : 빠른 속도로 주행 시, 포트홀 탐지가 운전자의 안전에 큰 영향을 주기는 어려울 것으로 생각된다. 비교적 먼 거리에서 포트홀 탐지가 가능해진다면 조금 더 유용하게 쓰일 수 있을 것 같다.
결론
로드뷰 이미지를 기반으로 증강시킨 데이터셋을 활용해 객체 탐지 모델을 학습시켰다.
해당 모델에 실제 도로 영상을 적용해 본 결과, 포트홀 탐지는 잘 수행되는 것처럼 보인다.
정확도와 같은 성능 측면에서는 부족한 점이 매우 많을 것이다.
이를 보완할 수 있는 방법도 많고 충분히 할 수 있을 것이라고 생각한다.
하지만, 이 연구가 어떤 의미를 가지는 지 다시 한 번 생각해 볼 필요가 있다.
포트홀 탐지가 과연 자율주행차 운행에 도움을 줄 수 있을지 의문이 든다. 우리의 연구를 통해 얻을 수 있는 가치를 먼저 생각해보고, 더 나아가는 것이 좋을 것 같다.
앞으로는 데이터 품질 향상과 모델 개선 위주로 진행할 것 같다.
특히, Stable Diffusion, YOLOv8의 논문과 코드를 공부해보며 더 깊은 지식을 쌓고, 발전시킬 수 있는 방법이 있을 지 고민해봐야겠다.
