Overview: Keypoint 가공으로 운전자 지원 시스템 구축
Facial Detection 기술을 활용한 운전자 모니터링 시스템 구축은 도로 위의 사고 예방을 목적으로 최근 주목도가 높은 사업입니다. 주로 언급되는 것은 카메라와 머신러닝 알고리즘을 사용하는 운전자 모니터링 시스템(Driver Monitoring system)이죠. 시스템은 운전자의 행동, 자세 및 주의 수준을 감지하고 분석하여 필요한 경우 경고를 발행하거나 차량을 제어할 수 있습니다. 여기에는 사전에 정의 된 랜드마크를 이미지 및 영상 내 객체에 부여하여 의미있는 형태를 그리는 Keypoint 레이블링 기술이 필요합니다.
운전자 모니터링 시스템의 핵심 구성 요소 중 하나는 이미지 또는 비디오 내에서 객체를 식별하고 찾는 프로세스인 Object Detection 기술입니다. 일반적으로 운전자 모니터링 시스템에서 사용할 수 있는 것으로 딥러닝 기반 facial Detection 기술이 구현되어 있습니다.
우리의 고객사는 인공지능 알고리즘의 혁신을 리딩하는, 명실상부 대한민국 대표 기업입니다. 컴퓨터 비전과 언어 이해 뿐만 아니라, 다양한 머신러닝 알고리즘에 대한 연구를 수행하는 기업이었죠. 인공지능 알고리즘의 지능 수준을 인간 레벨로 끌어올리는 것은 물론, 궁극적으로는 사용자 및 환경을 이해하는 것을 목표로 합니다.
특히 인공지능 알고리즘은 시각적 데이터를 통해 높은 수준의 이해를 끌어올릴 수 있습니다. 컴퓨터가 이미지를 통해 환경과 맥락에 대해 이해하는 것은 어려운 일입니다. 하지만 딥러닝 기반 Computer vision 기술을 통해 생체 인식부터 증강 현실, 운전자 보조 기술과 같은 응용 프로그램의 개발을 이루어내고 있죠.
Problem: Keypoint를 활용한 Facial Detection 가공 작업, 핵심은 ‘빠르고 정확하게’
Object Detection 알고리즘은 대규모 데이터 세트를 사용하여 훈련할 수 있습니다. 이 데이터 세트는 다양한 운전 시나리오 및 조명 조건에서 수집할 수 있는 운전자의 레이블이 지정된 이미지 및 비디오로 구성되어 있죠. 알고리즘은 딥러닝 기술을 사용해 운전 행동의 안전성을 구분하고, 관련된 기능과 패턴을 인식하는 방법을 학습합니다.
운전자 모니터링 시스템을 구현하기 위해서는 차량 내에 여러 대의 카메라를 장착하여 운전자와 주변 환경을 비디오로 캡처할 수 있습니다. 그런 다음 동영상 데이터는 Facial Detection 알고리즘에 입력됩니다. 이후, 프레임별로 동영상을 분석하여 운전자의 얼굴이나 손, 눈과 같은 관심 물체를 감지하고 추적한 뒤 시각화하는 Keypoint 작업이 필요하죠.
즉, 고객사가 필요한 것은 운전자 모니터링 시스템에 구현될 인공지능 학습을 위한 Keypoint 레이블링 데이터셋이 필요했습니다.
더불어, 과거 협력사는 예산의 문제로 해외 라벨러 인력을 사용해야만 했습니다. 그 결과 커뮤니케이션 측면에서 불편한 점도 있었고, 비용 대비 데이터셋 품질이 좋지 않다는 문제도 꾸준히 제기되어 왔죠.
고객사는 데이터헌트를 통해 경쟁력 있는 비용으로, 기존 대비 데이터셋 품질의 개선을 기대하고 있었습니다. 또한 협력사 교체로 인해 지연된 시간만큼 빠른 프로젝트 완수가 관건인 프로젝트였습니다.
Solution: Keypoint 레이블링을 통한 DMS 데이터셋 구축
고객사에서 희망한 요청사항은 크게 두 가지였습니다. 먼저 데이터셋 품질 개선과 빠른 프로젝트 완수였죠. 이 미션을 완수하기 위해 데이터헌트 프로젝트 매니저는 먼저 문제 해결을 위한 계획을 세웠습니다.
- Plan 1. 숙련도 높은 데이터라벨러 그룹 섭외
- Plan 2. 프로젝트 속도를 가속하기 위한 기술적 서포트
데이터 라벨링 과정에서 품질과 작업 속도, 두 마리의 토끼를 다 잡는 것은 생각보다 쉽지 않은 과제 입니다. 결론적으로 말하자면, 라벨러를 보조할 수 있는 Auto-labeling 모델을 적극적으로 활용했습니다. 또한 작업 태스크의 저작 도구(키포인트 라벨링)에 익숙한, 혹은 유사 프로젝트 경험이 있는 라벨러 위주로 선정해 작업자를 구성했습니다.
데이터헌트가 작업한 내용은 아래와 같습니다.
- 데이터 가공 투입 전, 온라인 교육을 통한 프로젝트 안내
- ~작업자의 작업 수준에 대한 사전 테스트를 함께 진행하여 엄선된 작업자 선발
- 운전자의 얼굴 영역에 대한 Keypoint/바운딩박스 라벨링
- 운전자/동승자가 주행 중 취하고 있는 다양한 동작, 벨트 착용 여부 등 상태값에 대한 라벨링 작업 수행
- 초기 작업데이터를 활용하여, 탑승자의 얼굴 영역 오토라벨링(Keypoint/바운딩박스) 모델을 적용
- ~해당 모델은 약 85%의 정확도로 작업자를 보조할 수 있음
- ~작업시간을 23% 가량 단축하는 성과를 보임
진행 과정에서 다소 보완해야 할 부분에 대해서는 가능한 빠르게 대응하는 것으로 불필요한 시간 소모를 최소화했습니다.
Issue 1. 얼굴의 미세한 눈꺼풀 영역에 키포인트를 찍어야 함에 있어, 작업자별로 상이한 기준이 있어 업무 혼선 유발
Issue 2. 작업 과정에서 기준이 모호하거나 미흡한 부분 발견
-> 고객사와의 빠른 협의 하에 세부 기준을 마련한 뒤작업자에게 배포하는 방식으로 데이터 품질 확보에 유의(예: 눈의 흰자와 맞닿는 살 부분 특정 등)
Issue 3. 이미지가 어두워 작업이 어려운 경우가 다수 발생
-> 플랫폼 내에서 자체적으로 밝기/선명도 조절 기능 제공
Result: Keypoint 레이블링 및 Facial Detection 데이터셋, ‘정확도 99%’
당초 데이터헌트가 고객사와 약속했던 프로젝트 목표와 그에 따른 성과는 아래에서 확인하실 수 있습니다.
데이터 정확도 개선
- 99% 정확도 실현
- 단 한 차례의 재검수 없이 모든 기준 통과
작업 시간 단축
- 작업시간 및 전체 프로젝트 리드타임 단축 성공
- 당초 희망 납기였던 12주에서 3주 단축한 9주차에 납품 완료
커뮤니케이션
- 작업 간 적극적인 커뮤니케이션을 통해 품질 이슈 없이 납품
데이터셋 정확도 99% 달성의 비결
이번 프로젝트를 통해 고객사에서는 데이터헌트만의 고품질 퀄리티 데이터에 높은 만족도를 보여주셨습니다. 특히, “높은 숙련도의 데이터 라벨러 조직을 보유한 것은 물론, 세심한 운영이 데이터헌트의 가장 큰 강점”이라고 말씀해주셨죠.
데이터헌트는 품질에 대해 타협하지 않습니다. 인건비만 저렴한 국외 작업자들과 협업한다면 모든 조건을 다 충족했더라도, 데이터 라벨링 품질 면에서는 고전을 면치 못했을 것입니다. 하지만 실제로 숙련된 국내 작업자들을 활용해 비용 대비 효율 향상을 실현할 수 있었습니다.
국내 AI 리더인 대기업과 함께 한 이번 프로젝트였지만, 엄격한 품질 관리의 기준을 당당하게 달성하고 납기까지 단축할 수 있었다는 점에서 큰 마일스톤을 달성했다고 느낍니다. 데이터셋 정확도 99% 달성, 앞으로 데이터헌트와 함께 협업할 모든 고객사 여러분께 선보이고자 합니다. 데이터헌트는 언제나 함께할 준비가 되어있습니다.
.webp)
.svg)
