이미지 속 대상을,
구분하고 찾아내는 실험.

무엇인지 구분하고, 어디에 있는지 확인했습니다.

개·고양이의 얼굴 위치와 종류를 함께 찾는 과제에서 SSD300과 YOLOv8n을 비교했습니다. 품종별 분포를 고려해 학습·검증 데이터를 나누고, 이미지 변환에 따라 정답 박스의 좌표도 함께 조정했습니다. XML 형태의 정답 정보를 YOLO 학습 형식으로 변환하는 과정도 수행했습니다.

정답 박스가 있는 검증 데이터에서는 위치와 종류를 함께 평가했습니다. 정답 박스가 없는 테스트 데이터는 예측 결과를 살펴보는 용도로 구분해, 분류가 맞았다는 이유만으로 위치도 정확하다고 판단하지 않았습니다.

모델별 기본 증강 설정이 달라 완전히 동일한 학습 조건의 비교는 아닙니다. 위 이미지는 기존 노트북에 저장된 결과이며 새로 학습하거나 검증한 결과가 아닙니다.

이미지와 정답 마스크가 함께 움직이도록.

축구 장면의 각 픽셀을 클래스별로 구분하는 모델을 학습했습니다. 이미지와 마스크에는 같은 기하 변환을 적용하되, 마스크는 최근접 보간으로 크기를 조절해 클래스 값이 섞이지 않도록 했습니다. RGB 색을 정수 클래스 값으로 바꾼 뒤 입력과 라벨이 같은 위치를 가리키는지 확인했습니다.

U-Net 계열 모델을 비교하고, 실제 축구 장면과 맞지 않는 상하 반전·90도 회전을 제외하는 추가 실험을 진행했습니다. 큰 영역뿐 아니라 사람과 물체의 경계가 어떻게 달라지는지 예측 마스크로 살폈습니다.

알약의 위치와 종류를 함께 찾는 모델 실험.

5인 팀의 경구약제 객체탐지 프로젝트에서 YOLO 계열의 모델링과 비교 실험을 맡았습니다. 모델 크기와 학습 시간, 전처리·튜닝 조건을 비교하고, 라벨 파일과 이미지의 대응을 점검했습니다. 예측 좌표를 실제 이미지 위에 그려 누락과 잘못 잡힌 박스를 확인했습니다.

소수 클래스 보강을 제안하고 데이터 담당 팀원과 실험했지만, 일부 클래스가 개선되는 동안 다른 클래스의 성능이 낮아지는 차이가 나타났습니다. 전체 결과와 클래스별 변화를 함께 검토해 최종 후보를 정했습니다.