적용 시나리오

시나리오 1. 출고 검사 라인의 과일 불량 선별

컨베이어 위를 지나는 과일을 카메라가 찍고, 모델이 각 개체를 정상, 불량 후보, 판단 보류로 나눕니다. 화면에는 개체마다 상자와 판정, 신뢰도가 표시되고, 오른쪽에는 초 단위 감지 로그와 클래스별 신뢰도가 흐릅니다. 아래에는 오늘 처리한 개수와 목표가 진행 바로 보입니다.

판단 보류로 분류된 개체는 사람이 확인하고, 그 결과는 다음 학습의 재료가 됩니다. 라인에서 쓰는 카메라 해상도와 조명이 데이터 품질을 좌우하므로 시작 전에 샘플 영상을 먼저 확인합니다.

워크스페이스에는 라인별 처리량, 불량률 추이, 모델 버전과 학습 세션이 기록되고, 담당자는 링크 하나로 현재 상태를 봅니다.

시나리오 2. 주행 영상의 차량·차선 감지

전방 카메라 영상에서 승용차, 버스 같은 차량과 차선을 실시간으로 감지합니다. 화면에는 차량 상자와 차선이 겹쳐 그려지고, 프레임 속도와 지연 시간이 함께 표시됩니다. 감지 로그에는 시각, 클래스, 신뢰도가 초 단위로 쌓입니다.

이런 모델은 낮과 밤, 비 오는 날의 영상이 고르게 있어야 성능이 유지됩니다. 운영 중에 오류율이 오르면 모니터링이 알리고, 새 데이터로 다시 학습한 버전을 성능 확인을 거쳐 교체합니다.

주행 거리 대비 분석량, 모델 버전별 오류율이 워크스페이스에 남아 어느 버전이 언제 어떤 데이터로 만들어졌는지 추적할 수 있습니다.

두 시나리오에 공통으로 필요한 것

• 현장 조건에서 찍은 샘플 데이터. 실험실 데이터만으로는 현장 성능을 보장하기 어렵습니다.
• 판정 기준. 무엇을 불량으로 볼지, 어느 신뢰도 아래를 보류로 둘지는 고객이 정합니다.
• 결과를 받을 곳. 현장 화면, 사내 시스템, API 중 어디로 보낼지에 따라 연결 작업이 달라집니다.